Sebuah dataset robotika dengan 10 juta demonstrasi yang hampir identik mungkin kurang bermanfaat daripada yang terdengar. Skala penting, tetapi keragaman menentukan apa yang sebenarnya diwakili oleh skala tersebut. Inilah mengapa Task Generation Engine di dalam Axis Robotics menarik perhatian saya. Alih-alih membiarkan keragaman bergantung pada kebetulan, Axis menggambarkan sistem yang dapat memvariasikan beberapa dimensi tugas, termasuk: • bentuk robot • objek • konfigurasi spasial • kondisi semantik • lingkungan visual Pikirkan sesuatu yang sederhana seperti mengambil cangkir. Mengubah cangkir, posisinya, pencahayaan, objek sekitarnya, konfigurasi robot, atau lingkungan dapat mengubah satu keterampilan dasar menjadi banyak situasi pembelajaran yang berbeda. Ini penting karena rumah dan tempat kerja nyata bukan laboratorium simulasi yang terstandarisasi. Robot yang hanya berhasil dalam kondisi yang familiar belum benar-benar belajar untuk generalisasi. Jadi, ketika saya melihat @axisrobotics, saya semakin kurang tertarik untuk bertanya: "Berapa banyak trajektori yang dapat mereka hasilkan?" Pertanyaan yang lebih baik mungkin: "Seberapa besar keragaman bermakna yang dapat mereka ciptakan di dalam trajektori-trajektori tersebut?" Untuk Physical AI, jutaan contoh sangat bermanfaat. Jutaan situasi pembelajaran yang benar-benar berbeda bisa jauh lebih berharga.