Một bộ dữ liệu robot với 10 triệu lần biểu diễn gần như giống nhau có thể ít hữu ích hơn những gì bạn tưởng. Quy mô quan trọng, nhưng sự đa dạng mới xác định ý nghĩa thực sự của quy mô đó. Đây là lý do tại sao Công cụ Tạo Nhiệm vụ bên trong Axis Robotics thu hút sự chú ý của tôi. Thay vì để sự đa dạng phụ thuộc vào may rủi, Axis mô tả một hệ thống có thể thay đổi nhiều chiều của một nhiệm vụ, bao gồm: • hình thái robot • đối tượng • cấu hình không gian • điều kiện ngữ nghĩa • môi trường thị giác Hãy nghĩ đến một việc đơn giản như nhặt một chiếc cốc. Thay đổi chiếc cốc, vị trí của nó, ánh sáng, các vật thể xung quanh, cấu hình robot hoặc môi trường có thể biến một kỹ năng cơ bản thành nhiều tình huống học tập khác nhau. Điều này quan trọng vì nhà ở và nơi làm việc thực tế không phải là các phòng thí nghiệm mô phỏng chuẩn hóa. Một robot chỉ thành công trong các điều kiện quen thuộc thì thực chất chưa học được cách khái quát hóa. Vì vậy, khi tôi xem xét @axisrobotics, tôi ngày càng ít quan tâm đến câu hỏi: “Họ có thể tạo ra bao nhiêu quỹ đạo?” Câu hỏi tốt hơn có thể là: “Họ có thể tạo ra bao nhiêu sự đa dạng ý nghĩa bên trong những quỹ đạo đó?” Đối với Physical AI, hàng triệu ví dụ là hữu ích. Hàng triệu tình huống học tập thực sự khác biệt có thể còn giá trị hơn nhiều.