Set data robotik dengan 10 juta demonstrasi yang hampir serupa mungkin kurang berguna daripada yang didengar. Skala penting, tetapi kepelbagaian menentukan apa yang sebenarnya diwakili oleh skala tersebut. Inilah sebabnya mengapa Enjin Penghasilan Tugasan di dalam Axis Robotics menarik perhatian saya. Alih-alih membiarkan kepelbagaian bergantung pada kebetulan, Axis menggambarkan satu sistem yang boleh mengubah pelbagai dimensi tugas, termasuk: • bentuk robot • objek • konfigurasi ruang • syarat semantik • persekitaran visual Fikirkan sesuatu yang sebegitu mudah seperti mengangkat cawan. Mengubah cawan tersebut, kedudukannya, pencahayaan, objek sekeliling, konfigurasi robot, atau persekitaran boleh menukar satu kemahiran asas kepada banyak situasi pembelajaran yang berbeza. Ini penting kerana rumah dan tempat kerja sebenar bukanlah makmal simulasi yang standard. Robot yang hanya berjaya di bawah keadaan yang dikenali belum benar-benar belajar untuk menggeneralisasi. Jadi, apabila saya melihat @axisrobotics, saya semakin kurang tertarik untuk bertanya: “Berapa banyak trajektori yang mereka boleh hasilkan?” Soalan yang lebih baik mungkin ialah: “Sejauh mana kepelbagaian bermakna yang mereka boleh cipta di dalam trajektori-trajektori tersebut?” Untuk AI Fizikal, jutaan contoh adalah berguna. Jutaan situasi pembelajaran yang benar-benar berbeza mungkin jauh lebih berharga.