Càng suy ngẫm sâu hơn về dữ liệu robot, tôi càng tin rằng việc đơn thuần tích lũy thêm dữ liệu không nhất thiết là giải pháp. Câu hỏi thực sự là liệu chúng ta có đang thu thập đúng dữ liệu hay không. Đây chính là điều khiến tôi chú ý đến hướng đi của @axisrobotics. Mô hình robot liên tục được cải tiến và trở nên tốt hơn, trong khi thông tin xung quanh nó có thể vẫn giữ nguyên. Điều này tạo ra một vấn đề. Một số hành vi có thể đã quá dễ dàng với mô hình, nên việc thu thập thêm nhiều dữ liệu như vậy sẽ mang lại rất ít giá trị. Đồng thời, những trường hợp hiếm hoi mà mô hình vẫn đang gặp khó khăn lại có thể quan trọng hơn rất nhiều. Axis đang tái tưởng tượng quy trình bằng cách chuyển khỏi mô hình truyền thống là thu thập dữ liệu trước rồi mới huấn luyện sau, thay vào đó theo đuổi một chu trình khác: Thu thập Huấn luyện Đánh giá Điều chỉnh dữ liệu Huấn luyện lại Mô hình trở thành một phần của hệ thống dữ liệu Những thất bại của nó có thể cho chúng ta thấy điều gì còn thiếu sót Hiệu suất của nó có thể giúp xác định những dữ liệu hiện có nào vẫn còn hữu ích. Và các điều chỉnh của con người có thể cung cấp tín hiệu huấn luyện mới chính xác tại những điểm mà mô hình đang gặp khó khăn. Tôi thực sự hào hứng với khái niệm này vì nó chuyển trọng tâm khỏi việc chỉ mở rộng quy mô bộ dữ liệu, mà hướng tới một cách tiếp cận thông minh hơn trong việc tổ chức và phân phối dữ liệu. Nhiều dữ liệu không đồng nghĩa với việc học tốt hơn Đôi khi, thông tin quý giá nhất lại đến từ một phần nhỏ bé của dữ liệu giúp mô hình học được điều gì đó mà nó vẫn chưa hoàn toàn làm chủ được. Đó chính là nơi mà Physical AI trở nên thực sự thú vị với tôi. Mô hình không còn chỉ học từ dữ liệu nữa Nó giúp chúng ta dự đoán được thông tin nào sẽ xuất hiện tiếp theo.