Quanto mais refletei sobre os dados de robótica, mais convencido fiquei de que simplesmente acumular mais dados não é necessariamente a solução. A verdadeira pergunta é se estamos coletando os dados certos. Foi isso que chamou minha atenção sobre a direção adotada pela @axisrobotics. Um modelo de robô continua a evoluir e melhorar, enquanto as informações ao seu redor podem permanecer inalteradas. Isso cria um problema. Alguns comportamentos já podem ser fáceis para o modelo, então coletar mais desses dados adiciona muito pouco. Ao mesmo tempo, aqueles casos raros em que o modelo ainda enfrenta dificuldades podem ser muito mais importantes. A Axis está reinventando o fluxo de trabalho, abandonando o modelo tradicional de coletar dados primeiro e treinar depois, em vez disso adotando um ciclo diferente: Coletar Treinar Avaliar Adaptar os dados Treinar novamente O modelo se torna parte do mecanismo de dados Seus fracassos podem nos mostrar o que está faltando Seu desempenho pode ajudar a identificar quais dados existentes ainda são úteis. E as correções humanas podem fornecer novos sinais de treinamento exatamente onde o modelo enfrenta dificuldades. Estou genuinamente entusiasmado com esse conceito, pois desloca o foco da simples expansão do tamanho do conjunto de dados para criar uma abordagem mais inteligente sobre como os dados são organizados e distribuídos. Mais dados não significam automaticamente melhor aprendizado. Muitas vezes, a informação mais valiosa vem da pequena fração de dados que ajuda o modelo a aprender algo que ainda não dominou completamente. É aí que a Physical AI se torna realmente interessante para mim. O modelo não está mais apenas aprendendo com os dados. Ele nos permite prever quais informações virão a seguir.