Чем глубже я размышляю о данных робототехники, тем более убежден, что простое накопление большего объема данных не обязательно является решением. Реальный вопрос в том, собираем ли мы правильные данные. Вот что привлекло мое внимание в направлении @axisrobotics. Модель робота продолжает развиваться и становиться лучше, в то время как информация, ее окружающая, может оставаться неизменной. Это создает проблему. Некоторые поведения уже легко даются модели, поэтому сбор еще большего количества таких примеров добавляет крайне мало. В то же время редкие случаи, в которых модель продолжает испытывать трудности, могут оказаться гораздо важнее. Axis переосмысливает рабочий процесс, отказываясь от традиционной модели сбора данных с последующим обучением, и вместо этого использует другой цикл: Собрать Обучить Оценить Адаптировать данные Обучить снова Модель становится частью системы сбора данных. Ее ошибки могут показать нам, чего не хватает. Ее производительность помогает определить, какие существующие данные по-прежнему полезны. А человеческие исправления могут предоставить новые обучающие сигналы именно там, где модель испытывает трудности. Я искренне в восторге от этой концепции, потому что она смещает фокус с простого увеличения размера набора данных на создание более интеллектуального подхода к организации и распределению данных. Больше данных не означает автоматически лучшее обучение. Иногда самая ценная информация исходит из крошечной доли данных, которая помогает модели освоить то, что она еще не совсем освоила. В этом и заключается для меня настоящая привлекательность Physical AI. Модель больше не просто учится на данных — она позволяет нам предсказывать, какая информация появится следующей.