Um conjunto de dados de robótica com 10 milhões de demonstrações quase idênticas pode ser menos útil do que parece. Escala importa, mas a diversidade determina o que essa escala realmente representa. É por isso que o Motor de Geração de Tarefas dentro da Axis Robotics chamou minha atenção. Em vez de deixar a diversidade ao acaso, a Axis descreve um sistema capaz de variar múltiplas dimensões de uma tarefa, incluindo: • implementações do robô • objetos • configurações espaciais • condições semânticas • ambientes visuais Pense em algo tão simples quanto pegar uma xícara. Alterar a xícara, sua posição, iluminação, objetos ao redor, configuração do robô ou ambiente pode transformar uma habilidade básica em muitas situações de aprendizado diferentes. Isso importa porque casas e ambientes de trabalho reais não são laboratórios de simulação padronizados. Um robô que só tem sucesso sob condições familiares não aprendeu realmente a generalizar. Então, quando olho para @axisrobotics, estou cada vez menos interessado em perguntar: “Quantas trajetórias eles podem gerar?” A melhor pergunta talvez seja: “Quanta diversidade significativa eles podem criar dentro dessas trajetórias?” Para a IA Física, milhões de exemplos são úteis. Milhões de situações de aprendizado genuinamente diferentes podem ser muito mais valiosas.