Чим глибше я роздумую над даними робототехніки, тим більше переконуюся, що просте накопичення більше даних не є обов’язково рішенням. Справжнє питання — чи збираємо ми правильні дані. Саме це привернуло мою увагу до напрямку, який захищає @axisrobotics. Модель робота продовжує розвиватися й ставати кращою, тоді як інформація навколо неї може залишатися незмінною. Це створює проблему. Деякі поведінки вже можуть бути легкими для моделі, тому збір більше таких прикладів додає дуже мало. Тим часом ті рідкісні випадки, коли модель продовжує виникати труднощі, можуть бути набагато важливішими. Axis переосмислює робочий процес, відмовляючись від традиційної моделі збирання даних спочатку, а навчання — потім, і замість цього впроваджує інший цикл: Збирати Навчати Оцінювати Адаптувати дані Навчати знову Модель стає частиною двигуна даних Її невдачі можуть показати нам, чого бракує Її продуктивність допомагає визначити, які існуючі дані все ще корисні. А людські виправлення можуть надавати нові сигнали для навчання саме там, де модель має труднощі. Я справді захоплений цією ідеєю, бо вона зміщує фокус з просто збільшення розміру набору даних на створення більш розумного підходу до організації та розподілу даних. Більше даних не означає автоматично краще навчання. Іноді найцінніша інформація походить з того крихітного фрагменту даних, який допомагає моделі навчитися чогось, чого вона ще не зовсім засвоїла. Саме тут Physical AI стає для мене справді цікавим. Модель вже не просто вчиться з даних. Вона дозволяє нам передбачати, яка інформація наступить.