機器人學習迴圈 gAxis 當我們說一個機器人正在「學習」時，很容易想像只要給它足夠的資料，它最終就能精通一切。 但現實中的機器人技術並非如此簡單。 一個機器人即使觀看了數千次有人打開抽屜的示範，當抽屜稍微重一點、把手位置不同，或它的接近方式不對時，仍可能無法順利完成。 這是因為機器人技術不僅僅是辨識正確的動作。 更重要的是，當預期動作失敗時，知道該如何應對。 人類自然地學會了這一點。 我們嘗試某件事，注意到錯誤，進行調整，然後再試一次。失敗的經驗會改變我們對下一次嘗試的處理方式。 實體 AI 需要一種方法來捕捉同樣的學習過程。 這正是 Axis 的用武之處 @axisrobotics 正在打造一個環境，讓機器人能透過與人類的模擬互動進行訓練。 與其將每個學習實驗都直接應用於實體機器人，訓練者可以與模擬機器人互動，在它們犯錯時提供指導，並從這些互動中生成動作軌跡。 關鍵並不在於單純收集更多錄製資料。 而在於捕捉「嘗試動作」與「隨後的修正」之間的關係。 機器人嘗試時出現錯誤。 人類接手。 展示出更佳的動作。 這項修正便成為訓練訊號。 模型隨後可利用這段經驗來改善未來的嘗試。 因此，這個迴圈大致如下： 嘗試 → 錯誤 → 修正 → 訓練訊號 → 更佳嘗試。 反覆進行足夠次數後，系統開始累積的不再是靜態的示範資料庫，而是更為珍貴的東西——經驗。 為何模擬至關重要 實體機器人昂貴、重置緩慢，且受限於實際能執行的實驗數量。 模擬則能消除許多這些限制。 你可以反覆測試同一項任務、引入不同條件、收集干預數據，並在部署到現實世界前優化策略。 這正是 sim-to-real（模擬到現實）的重要之處。 目標並非讓機器人在模擬環境中表現良好。 而是讓在模擬中學到的經驗，轉化為現實中更出色的機器人表現。 隨著 Axis 向更複雜的操作任務推進，這個回饋迴圈的品質變得越來越重要。 因為最終，機器人技術不會因蒐集最大的資料集而被解決， 而是透過建構能將經驗轉化為更好行為的系統來實現。 這正是我關注 Axis 的原因。 更多資料固然有用， 但從每次嘗試中獲得更好的學習，才是真正的優勢。 @iamlogtun