一個包含一千萬次幾乎完全相同示範的機器人數據集，可能並不如聽起來那樣有用。 規模很重要，但多樣性才決定這種規模實際代表什麼。 這正是為什麼 Axis Robotics 內部的任務生成引擎引起了我的注意。 Axis 並未將多樣性交由機率決定，而是描述了一個能夠變動任務多個維度的系統，包括： • 機器人本體 • 物體 • 空間配置 • 語義條件 • 視覺環境 想想拿杯子這樣簡單的事情。 改變杯子、其位置、照明、周圍物體、機器人配置或環境，就能將一個基本技能轉化為許多不同的學習情境。 這至關重要，因為真實的家居和工作場所並非標準化的模擬實驗室。 僅在熟悉條件下成功的機器人，並未真正學會泛化。 因此，當我看向 @axisrobotics 時，我越來越不關心以下問題： 「他們能生成多少條軌跡？」 更好的問題可能是： 「在這些軌跡中，他們能創造多少有意義的多樣性？」 對於物理 AI 而言，數百萬個範例是有用的。 但數百萬種真正不同的學習情境，可能價值遠超其上。