Saya dulu berfikir bahawa lebih banyak koreksi manusia secara automatik bermaksud latihan robot yang lebih baik. Ternyata, intuisi itu salah. Selepas membaca tentang eksperimen ini oleh Axis, yang paling menarik perhatian saya bukanlah jumlah data yang dikumpulkan, tetapi bagaimana mereka menyaringnya. Pertimbangkan tugas yang sangat mudah: meletakkan sekeping tahu ke atas piring. Apabila robot berada di ambang kegagalan, pengguna boleh mengambil alih secara langsung melalui Axis Hub untuk membuat koreksi. Sejumlah 660 tindakan korektif telah direkodkan. Namun, @axisrobotics tidak menggunakan kesemuanya untuk latihan. Hanya 161 segmen, yang mewakili 24.4% daripada jumlah keseluruhan, lulus penyaringan. Alasan ini sangat masuk akal. Just because a trajectory ultimately succeeds doesn't mean every human action within it is worth learning. There might be redundant movements, circuitous paths, or pauses that offer no useful signal. Oleh itu, setiap koreksi perlu melepasi tiga rintangan: → Berjaya diputar semula dalam simulasi → Menunjukkan bahawa dasar asal sebenarnya gagal → Mengekstrak segmen penting dan menjalani pemeriksaan tertutup untuk melihat sama ada robot boleh pulih sendiri Ini adalah bahagian yang paling saya sukai: Nilai maklum balas manusia bukan terletak pada fakta bahawa "manusia berjaya menjalankan tugas." Ia terletak pada mengenal pasti dengan tepat tindakan yang mengubah keadaan gagal menjadi pemulihan yang boleh disalin oleh robot sendiri. 660 koreksi kedengaran seperti nombor yang besar. Tetapi 161 isyarat yang disahkan jauh lebih bernilai. Mungkin inilah cara data yang disumbang komuniti benar-benar berkembang menjadi enjin data yang boleh diskalakan.