ロボティクスデータを深く考えるほど、単にデータをより多く蓄積することが必ずしも解決策ではないと確信するようになる。 真の問いは、我々が正しいデータを収集しているかどうかである。 これが@axisroboticsの方向性に私が注目した理由だ。 ロボットモデルは継続的に進化し、より優れたものになっていく一方で、その周囲の情報は変化しないままである。 これは問題を生む。 ある行動はすでにモデルにとって簡単になっているため、それらをさらに収集してもほとんど意味がない。 一方で、モデルが依然として苦戦している稀なケースこそ、はるかに重要である可能性がある。 Axisは、従来の「まずデータを収集し、その後学習させる」というワークフローを見直し、以下の異なるサイクルを追求している： 収集 学習 評価 データを適応させる 再学習 モデルがデータエンジンの一部となる。 その失敗が、何が欠けているかを示してくれる。 その性能が、既存のデータのうちどれが依然として有用かを特定する手助けをする。 そして人間による修正は、モデルが苦戦している場所に正確に新たな学習シグナルを提供する。 この概念に私は本気で興奮している。なぜなら、データセットのサイズを拡大することに焦点を当てず、データの整理と配分方法をより知的に設計することにシフトしているからだ。 より多くのデータが必ずしもより良い学習を意味するわけではない。 ときおり、最も貴重な情報とは、モデルがまだ完全に習得できていないことを学ばせるのに役立つ、ごくわずかなデータの断片から生まれる。 これがPhysical AIが私にとって本当に興味深い点だ。 モデルはもはや単にデータから学ぶだけではなく、 次にどのような情報が得られるかを予測する手助けをしてくれる。