Набор данных по робототехнике с 10 миллионами почти идентичных демонстраций может быть менее полезен, чем кажется. Масштаб важен, но разнообразие определяет, что на самом деле означает этот масштаб. Вот почему меня заинтересовал Двигатель генерации задач внутри Axis Robotics. Вместо того чтобы оставлять разнообразие на волю случая, Axis описывает систему, способную варьировать несколько измерений задачи, включая: • типы роботов • объекты • пространственные конфигурации • семантические условия • визуальные среды Подумайте о чем-то простом, например, о поднятии чашки. Изменение самой чашки, её положения, освещения, окружающих объектов, конфигурации робота или среды может превратить одну базовую навыковую задачу в множество различных обучающих ситуаций. Это важно, потому что реальные дома и рабочие места — это не стандартизированные симуляционные лаборатории. Робот, который успешно справляется только с привычными условиями, на самом деле не научился обобщать. Поэтому, глядя на @axisrobotics, я всё меньше интересуюсь вопросом: «Сколько траекторий они могут сгенерировать?» Более подходящий вопрос может быть таким: «Какое количество действительно значимого разнообразия они могут создать внутри этих траекторий?» Для физического ИИ миллионы примеров полезны. Миллионы по-настоящему разных обучающих ситуаций могут быть намного ценнее.