Набір даних з робототехніки з 10 мільйонами майже ідентичних демонстрацій може бути менш корисним, ніж здається. Масштаб має значення, але різноманітність визначає, що саме цей масштаб насправді представляє. Саме тому мене зацікавив двигун генерації завдань у Axis Robotics. Замість того щоб залишати різноманітність випадковості, Axis описує систему, яка може варіювати кілька вимірів завдання, зокрема: • ембодіменти робота • об’єкти • просторові конфігурації • семантичні умови • візуальні середовища Подумайте про щось настільки просте, як піднімання чашки. Зміна чашки, її положення, освітлення, оточуючих об’єктів, конфігурації робота чи середовища може перетворити одну базову навичку на багато різних навчальних ситуацій. Це має значення, бо реальні будинки та робочі місця — це не стандартизовані симуляційні лабораторії. Робот, який успішно працює лише в знайомих умовах, насправді не навчився узагальнювати. Тож коли я дивлюся на @axisrobotics, мене все менше цікавить питання: «Скільки траєкторій вони можуть згенерувати?» Краще питання може бути таким: «Яку справді значущу різноманітність вони можуть створити всередині цих траєкторій?» Для фізичної ШІ мільйони прикладів корисні. Мільйони справді різних навчальних ситуацій можуть бути набагато ціннішими.