Semakin dalam saya merenungkan data robotik, semakin yakin saya bahawa hanya mengumpulkan lebih banyak data bukanlah solusi yang pasti. Soalan sebenarnya ialah sama ada kita mengumpul data yang betul. Inilah yang menarik perhatian saya terhadap arah yang diambil oleh @axisrobotics. Model robot terus berkembang dan menjadi lebih baik, sementara maklumat sekelilingnya mungkin tetap tidak berubah. Ini menciptakan masalah. Beberapa tingkah laku mungkin sudah mudah untuk model, jadi mengumpul lebih banyak daripadanya menambah sangat sedikit. Pada masa yang sama, kes-kes jarang di mana model masih berjuang mungkin sebenarnya jauh lebih penting. Axis membayangkan semula alur kerja dengan berpindah jauh dari model tradisional mengumpul data dahulu, kemudian melatih selepas itu, sebaliknya mengejar kitaran yang berbeza: Kumpul Latih Nilaikan Sesuaikan data Latih semula Model menjadi sebahagian daripada enjin data Kegagalan ia boleh menunjukkan apa yang hilang Prestasinya boleh membantu mengenal pasti data sedia ada yang masih berguna. Dan koreksi manusia boleh memberikan isyarat latihan baru tepat di tempat model berjuang. Saya benar-benar bersemangat tentang konsep ini kerana ia mengalihkan fokus daripada sekadar memperluaskan saiz set data kepada mencipta pendekatan yang lebih pintar dalam bagaimana data diorganisasi dan diedarkan. Lebih banyak data tidak secara automatik bermaksud pembelajaran yang lebih baik. Sekali-sekala, maklumat paling berharga datang daripada bahagian kecil data yang membantu model mempelajari sesuatu yang belum sepenuhnya dikuasainya. Di situlah Physical AI menjadi sangat menarik bagi saya. Model bukan lagi hanya belajar daripada data. Ia membolehkan kita meramal maklumat apakah yang akan datang seterusnya.