1000万件に及ぶほぼ同一のデモンストレーションを含むロボティクスデータセットは、聞こえているほど有用ではない可能性がある。 規模は重要だが、多様性こそがその規模が実際に何を表しているかを決定する。 これが、Axis Roboticsのタスク生成エンジンに私が注目した理由だ。 多様性を偶然に任せるのではなく、Axisはタスクの複数の次元を変化させるシステムを提示している。その次元には： • ロボットのエムボディメント • オブジェクト • 空間的構成 • セマンティックな条件 • 視覚的環境 が含まれる。 カップを拾うという単純な動作を考えてみよう。 カップの種類、位置、照明、周囲のオブジェクト、ロボットの構成、または環境を変えるだけで、一つの基本的なスキルが多数の異なる学習状況に変わる。 これは重要だ。現実の家庭や職場は、標準化されたシミュレーション実験室ではないからだ。 馴染みのある条件でのみ成功するロボットは、本当に汎化を学んだわけではない。 だから、@axisroboticsを見たとき、私は次第に次のような質問をする興味が薄れてきている： 「彼らはどれだけのトラジェクトリーを生成できるか？」 より適切な質問は、おそらく： 「それらのトラジェクトリーの中に、どれだけ意味のある多様性を生み出せるか？」だ。 物理的AIにとって、数百万の例は有用である。 しかし、数百万の本物の異なる学習状況は、はるかに価値がある可能性がある。