Robotträning kräver omfattande datainsamling

Fysisk artificiell intelligens, särskilt inom robotiken, står inför betydande utmaningar med datainsamling för att kunna utvecklas i paritet med framgångarna för stora språkmodeller (LLM:er), rapporterar TechCrunch. Arbetet med att samla in träningsdata för robotar karaktäriseras som "smutsigt och ogästvänligt", men trots detta investerar vissa AI-laboratorier redan i att betala individer, benämnda XDOF, för att utföra det. Utvecklingen av robotar som kan interagera effektivt med den fysiska världen är beroende av tillgången till stora mängder relevanta data. Denna data möjliggör för AI-systemen att lära sig att tolka sin omgivning, utföra komplexa uppgifter och anpassa sig till nya situationer. Att erhålla sådan data är dock inte en enkel process, utan innefattar ofta manuellt arbete under krävande förhållanden. Vikten av att lösa denna "data problematik" understryks som avgörande för att fysisk AI ska kunna uppnå liknande genombrott som de som setts inom andra AI-områden, där tillgången till massiva text- och bilddatabaser har varit en nyckelfaktor.