З’являється дивна проблема, коли ви залучаєте до навчання роботів масову аудиторію: ваші найскладніші дані, ймовірно, не повинні походити від середнього учасника. @axisrobotics недавно представила програму під назвою Challenger Program, і, на мою думку, ідея за цим ім’ям важливіша, ніж сама назва. Уявіть дві задачі для робота. Завдання A — просте: підняти об’єкт і покласти його в контейнер. Завдання B вимагає незручної геометрії, вузьких допусків, кількох етапів і відновлення, якщо перше захоплення виявиться невдалим. Якщо обидві задачі потрапляють в один загальний пул, ви вважаєте, що вони вимагають однакового рівня навичок оператора. Але це не так. Початківці зустрічають складну задачу, важко з нею справляються, генерують хаотичні спроби і, ймовірно, отримують негативний досвід. Тим часом досвідчені учасники не спрямовуються спеціально туди, де їхні навички найбільш цінні. Axis починає розділяти ці два світи. Прості завдання залишаються в звичайному пулу. Складні — переходять у окрему зону Challenger для тих учасників, хто вже знає, як користуватися платформою. На перший погляд це здається невеликою оновленням інтерфейсу. Але я вважаю, що це вказує на щось більше: дані для роботів мають проблему з відповідністю навичок. Коли мережа учасників стає достатньо великою, питання вже не просто: «Хто може згенерувати ці дані?» А: «Хто повинен генерувати саме ці дані?» Прості завдання можуть оптимізуватися під масштаб. Складні — під навички оператора. І згодом я можу уявити, що відповідність стане набагато детальнішою: цей учасник чудово впорається з точним захопленням, інший краще справляється з довготривалими завданнями, ще один незвично добре виконує відновлення, а інший добре працює з конкретним типом ембодименту. Тоді мережа почне виглядати менше як натовп… і більше як розподілена робоча сила зі спеціалізованими навичками. Це набагато цікавіший спосіб масштабувати людський інтелект для роботів. https://t.co/4FLsS5npxd