10 मिलियन लगभग समान प्रदर्शनों वाला एक रोबोटिक्स डेटासेट उतना उपयोगी नहीं हो सकता जितना कि लगता है। पैमाना मायने रखता है, लेकिन विविधता ही यह निर्धारित करती है कि यह पैमाना वास्तव में क्या दर्शाता है। इसीलिए एक्सिस रोबोटिक्स के अंदर का टास्क जनरेशन इंजन मेरा ध्यान आकर्षित करता है। विविधता को यादृच्छिकता पर छोड़ने के बजाय, एक्सिस एक ऐसी प्रणाली का वर्णन करता है जो किसी कार्य के कई पहलुओं को भिन्न कर सकती है, जिसमें शामिल हैं: • रोबोट एम्बोडीमेंट्स • वस्तुएँ • स्थानिक कॉन्फ़िगरेशन • सेमेंटिक स्थितियाँ • दृश्य परिवेश एक कप उठाने जैसी सरल चीज पर विचार करें। कप, इसकी स्थिति, प्रकाश, परिवेश में अन्य वस्तुओं, रोबोट कॉन्फ़िगरेशन या परिवेश को बदलने से एक मूल कौशल कई अलग-अलग सीखने की स्थितियों में बदल सकता है। यह महत्वपूर्ण है क्योंकि वास्तविक घर और कार्यस्थल मानकीकृत प्रतिरूपण प्रयोगशालाएँ नहीं होते। एक ऐसा रोबोट जो केवल परिचित परिस्थितियों में ही सफल होता है, वह सचमुच सामान्यीकरण सीखने में सफल नहीं हुआ है। इसलिए, jab मैं @axisrobotics को देखता हूँ, मुझे पूछने में कमजोरी महसूस होती है: "वे कितने ट्रैजेक्टरीज़ जनरेट कर सकते हैं?" बेहतर प्रश्न हो सकता है: "वे उन ट्रैजेक्टरीज़ के अंदर कितनी अर्थपूर्ण विविधता पैदा कर सकते हैं?" फ़िज़िकल AI के लिए, मिलियनों उदाहरण उपयोगी होते हैं। लेकिन मिलियनों सचमुच अलग-अलग सीखने की स्थितियाँ कहीं अधिक मूल्यवान हो सकती हैं।