로보틱스 데이터에 허깅페이스는 없습니다.

대규모 실제 로봇 데이터 수집, 라벨링, 버전 관리, 학습을 위한 표준화된 파이프라인이 없습니다. 산업용 조작에 필요한 접촉 역학 및 재료 변형을 충분히 잘 처리하는 도구도 없습니다. 인간 감독자의 개입이 자동으로 학습 데이터로 활용되는 원격 조작 인프라도 없습니다. 특정 산업 작업에 특화된 수직 방향 조작 데이터 세트도 없습니다.

물리적 인공지능의 실제 병목 현상은 데이터와 이를 생성하는 인프라에 있으며, 이는 구조적인 문제입니다.

언어 인공지능의 경우, 학습 데이터는 인터넷 그 자체였습니다. 풍부하고 저렴하며, 이미 인간의 의도가 반영되어 있었죠. 하지만 로봇 공학의 경우, 기초 모델이 현재 있는 수준과 필요한 수준 사이의 격차는 로봇을 더 많이 배치하는 것만으로는 해소될 수 없습니다.

지금 세 건의 베팅이 진행 중입니다.

시뮬레이션 우선 접근 방식은 이동에는 탁월한 효과를 발휘합니다. 영역 무작위화는 비정형 지형에서의 사족 보행 문제를 사실상 해결했습니다. 하지만 조작에는 완전히 무용지물입니다. 시뮬레이션 카메라는 노이즈, 흐림, 마찰 오차가 없지만, 실제 카메라와 그리퍼는 이 모든 것을 가지고 있습니다. 케이블 삽입, 천 접기, 정교한 조립과 같은 작업에서 시뮬레이션은 한계를 드러냅니다.

원격 조작을 통한 데이터 수집은 두 번째 단계입니다. 반자율 로봇을 배치하고, 사람이 안내하는 궤적을 기록하고, 이를 반복하는 방식입니다. 이론적으로는 타당하지만, 투자 비용이 엄청나게 많이 들고 실행상의 증거는 아직 부족합니다.

세 번째 방법은 인간의 움직임을 관찰하여 학습하는 것입니다. 로봇이 인간을 관찰함으로써 학습할 수 있다면 무한한 데이터를 활용할 수 있습니다. 하지만 문제는 인간 손의 기하학적 구조와 힘 피드백이 로봇 액추에이터에 그대로 적용되지 않는다는 것입니다. 즉, 동작의 형태만 학습할 뿐, 그 동작이 작동하는 물리적 원리는 이해하지 못하는 것입니다.

오늘날 실제로 효과적인 것은 locomotion(로봇이 움직이는 방법) 입니다. 구조화된 환경에서의 좁은 범위의 조작, 검사 및 감지. 네발 동물이 열화상 검사를 하는 것처럼요. 일반적인 조작은 필요하지 않습니다.

하드웨어 경쟁은 시끄럽고 자본 집약적이며 승자독식의 양상을 보이지만, 데이터 인프라 경쟁은 조용하고 자본이 부족하며 누구나 참여할 수 있는 개방적인 양상을 띱니다.

먼 미래를 바라보고 백팩토큰을 보유하고자하였으나 트윗에서 나왔던거처럼 그동안의 토큰 방치, 팀에서는 가격부양의 의지가 없다고 판단되고..

스테이킹의 기간이 1년이엿으나 말이 다 달라 더 길어질수도 잇고 많은 면책사항이 있습니다. 그동안의 가성비가 더 떨어질거같네요.

이번주내로 뭐가 안나오면…(만약 로드맵에 중 새 제품에 대한 먼 미래에 대한 애기는 제외) 90%팔고 10%만스테이킹해서 들고갈예정

Vc너 팀이 토큰이 없으니 아예 신경도 안쓰고 커뮤끼리 개싸움이되면서 커뮤도 망가짐.

먼 미래의 가치 밸류를 보면 지금의 시총은 매력적이라 느껴지나, 리스크가 큼.

LLM의 본능은 데이터가 많을수록 모델이 더 좋다는 것입니다. 하지만 로봇공학에서는 이러한 논리가 약해지고, 스케일링 법칙이 직접적으로 적용되지 않습니다(아직은).

데이터를 평가할 때 실제로 중요한 것은 무엇인가:

→ 결과 품질: 성공/실패 궤적이 올바르게 분류되었습니까? 실패 궤적은 올바르게 분류될 경우 실제로 매우 유용할 수 있습니다.
→ 분포 다양성: 다양한 초기 상태, 파악 지점, 카메라 시점. 좁은 분포 = 취약함
→ 주석 세분성: 작업 수준 레이블만으로는 충분하지 않습니다. 궤적 및 단계 수준 레이블이 필요합니다.
데이터셋 크기가 중요한 게 아닙니다. 데이터가 올바른 것을 가르쳐주는지가 중요한 겁니다.