जितना मैं रोबोटिक्स डेटा पर गहराई से विचार करता हूँ, उतना ही मैं यह विश्वास करने लगता हूँ कि बस अधिक डेटा इकट्ठा करना आवश्यक रूप से हल नहीं है। असली सवाल यह है कि क्या हम सही डेटा इकट्ठा कर रहे हैं। यही बात @axisrobotics की दिशा को लेकर मेरा ध्यान आकर्षित करती है। एक रोबोट मॉडल लगातार आगे बढ़ता रहता है और बेहतर होता जाता है, जबकि इसके चारों ओर की जानकारी अपरिवर्तित रह सकती है। यह एक समस्या पैदा करता है। कुछ व्यवहार पहले से ही मॉडल के लिए आसान हो सकते हैं, इसलिए उन्हें फिर से इकट्ठा करने से बहुत कम फायदा होता है। इसके साथ ही, उन rare मामलों में, जहाँ मॉडल अभी भी कठिनाई महसूस कर रहा है, वे सचमुच काफी महत्वपूर्ण हो सकते हैं। एक्सिस पारंपरिक प्रक्रिया—जिसमें पहले डेटा इकट्ठा किया जाता है, फिर प्रशिक्षण किया जाता है—से दूर हटकर, एक अलग चक्र की ओर बढ़ रहा है: इकट्ठा करें प्रशिक्षण दें मूल्यांकन करें डेटा को अनुकूलित करें फिर से प्रशिक्षण दें मॉडल डेटा इंजन का हिस्सा बन जाता है इसकी विफलताएँ हमें यह दिखा सकती हैं कि क्या कम है इसका प्रदर्शन हमें पहचानने में मदद कर सकता है कि मौजूदा डेटा में से कौन सी जानकारी अभी भी उपयोगी है। और मानवीय सुधारों से मॉडल की कठिनाइयों के सटीक स्थानों पर नए प्रशिक्षण संकेत प्राप्त हो सकते हैं। मुझे इस अवधारणा से सचमुच प्रेरित होने का महसूस होता है, क्योंकि यह केवल डेटासेट के आकार को बढ़ाने पर ध्यान केंद्रित करने के स्थान पर, डेटा को कैसे संगठित और वितरित किया जाए, इसकी एक अधिक समझदारी से पहुँच की�र प्रस्तुत करती है। अधिक डेटा स्वयं ही सुधारित सीखने का मतलब नहीं है। कभी-कभी, सबसे मूल्यवान जानकारी,उस सूक्ष्म प्रतिशत के डेटा से मिलती है,जो मॉडल को कुछऐसा सिखाती है,जोअभीतकउसनेपूरीतरहसेअधिग्रहणनहींकियाहै। यहीं पर Physical AI मुझे सचमुचदिलचस्पलगतीहै। मॉडलअबबसडेटासेसीखनेकेबजाय, यहहमेंअगलीजानकारीकेसंभावितप्रवाहकोप्रेडिक्टकरनेमेंसक्षमबनाताहै।