大多數人認為訓練 AI 機器人只是不斷地輸入大量資料。但這並非事實。 資料越多，並不意味著模型更聰明；正確的資料才重要。你需要理解這項差異。 關鍵在於：一個軌跡的價值從來不是靜態的。試想教一個機械臂堆疊積木。一旦它能成功完成 95% 的平滑抓取，再收集 10,000 個完美的抓取與放置示範，也毫無價值。 真正重要的是當它滑落、誤判深度或打翻杯子時發生的情況。只有透過從不同角度進行訓練，我們才能獲得有價值的資料，並幫助我們即時應對問題。 這正是靜態訓練集失敗的原因。在 @axisrobotics，我們不把資料當作固定存檔，而是將其視為一個適應性、活躍的引擎。 與其重複已掌握的任務，下游指標會定位 rollout 失敗發生的位置。這些邊緣案例的盲點，精準顯示出需要修正的重點。 整個流程運行於一個持續的閉環中： 模型 → 評估 → 選擇 → 收集 → 訓練 → 模型 已掌握的行為讓位，新鮮且高槓桿的資料優先獲取。透過主動蒐集模型當前最難處理的精準修正案例，每一批新資料都能真正提升機器人的能力。 停止囤積冗餘資料。訓練那些缺口。 在影片中，我試著拿起一顆李子和一顆杏子，將它們放入金屬托盤；接著再次拿起杏子放入攪拌碗。 看起來非常簡單，但機械臂並未聽從我們的指示；我必須以正確的角度對它進行訓練，才能完成這個任務。一開始我也遇到問題；後來我理解了如何處理，最終完成了任務。 你也可觀看這支影片……看看有多困難……也請與我分享你的經驗。 @axisrobotics