Habang lalong pinag-iisip ko ang mga datos ng robotics, lalong naniniwala ako na ang pagkolekta ng mas maraming datos ay hindi lamang solusyon. Ang totoong tanong ay kung kukuha tayo ng tamang datos. Ito ang nagpababala sa akin tungkol sa direksyon ng @axisrobotics. Patuloy na umuunlad at nagiging mas mahusay ang isang robot model, samantalang ang impormasyon na nakapaligid dito ay maaaring manatiling hindi nagbabago. Nagdudulot ito ng problema. Ang ilang pag-uugali ay maaaring madali na para sa model, kaya ang pagkolekta ng mas marami nito ay nagdadala ng kaunting dagdag. Samantala, ang mga rare na kaso kung saan patuloy pa ring nahihirapan ang model ay maaaring mas mahalaga. Ang Axis ay nagrereimagine ng workflow sa pamamagitan ng paglipat sa gawaing tradisyonal na pagkolekta ng datos muna at pag-train pagkatapos, at nagsisikap na sundin ang ibang siklo: Kolektahin I-train I-evaluate I-adapt ang datos I-train muli Ginagawa ng model ang bahagi ng data engine Ang kanyang pagkabigo ay maaaring ipakita kung ano ang kulang Ang kanyang performance ay makakatulong upang matukoy kung aling mga umiiral na datos ay patuloy na kapaki-pakinabang. At ang mga tao ay makakapagbigay ng mga bagong training signals eksaktong doon kung saan nahihirapan ang model. Totoong excited ako sa konseptong ito dahil ito ay naglilipat ng atensyon mula sa pagpapalawak ng laki ng dataset patungo sa paglikha ng mas isipin na paraan kung paano inaayos at inilalayos ang datos. Hindi nangangahulugan ang mas maraming datos ng mas mahusay na pagkatuto. Minsan, ang pinakamahalagang impormasyon ay galing sa maliit na bahagi ng datos na tumutulong sa model na matutunan ang isang bagay na hindi pa lubos niyang naituturo. Dito napaparating ang tunay na interes ko sa Physical AI. Hindi na lang natututunan ng model mula sa datos. Ito ay nagpapahintulot sa amin na makapaghula kung anong impormasyon ang susunod na mangyayari.