10 ملین تقریباً ایک جیسے ڈیموں والے روبوٹکس ڈیٹا سیٹ کا استعمال اس طرح کم مفید ہو سکتا ہے جیسا کہ لگتا ہے۔ سکیل اہم ہے، لیکن تنوع ہی یہ طے کرتا ہے کہ اس سکیل کا کیا مطلب ہے۔ اسی لیے میں نے ایکسس روبوٹکس کے اندر موجود ٹاسک جنریشن انجن پر توجہ دی۔ تنوع کو صرف اتفاق پر چھوڑنے کے بجائے، ایکسس ایک ایسا نظام بیان کرتا ہے جو کسی ٹاسک کے متعدد ابعاد کو تبدیل کر سکتا ہے، جن میں شامل ہیں: • روبوٹ کے جسمانی ڈیزائن • اشیاء • فضائی ترتیبات • معنائی شرائط • بصری ماحول ایک کپ اٹھانے جیسی سادہ بات پر غور کریں۔ کپ، اس کا مقام، روشنی، اردگرد کی اشیاء، روبوٹ کا ترتیب، یا ماحول میں تبدیلی سے ایک بنیادی مہارت کو کئی مختلف سیکھنے کے مواقع میں تبدیل کیا جا سکتا ہے۔ اس کا اہم ہونے کا سبب یہ ہے کہ حقیقی گھر اور دفاتر معیاری سمجھولہ لابز نہیں ہوتے۔ جو روبوٹ صرف پرچھائے ہوئے حالات میں کامیاب ہوتا ہے، وہ حقیقت میں تعمیر کرنے کا علم نہیں رکھتا۔ اس لیے جب میں @axisrobotics کو دیکھتا ہوں، تو میرا دل چاہتا ہے کہ میں پوچھوں: "وہ کتنے ٹرایجکٹریز جنریٹ کر سکتے ہیں؟" بہتر سوال ہو سکتا ہے: "وہ ان ٹرایجکٹریز کے اندر کتنی معنائی تنوع پیدا کر سکتے ہیں؟" فزکل AI کے لیے ملینوں مثالیں مفید ہوتی ہیں۔ لیکن ملینوں حقیقی طور پر مختلف سीکھنے والے حالات زائد قابلِ قدر ہو سکتے ہیں۔