具身 AI 僅靠網際網路還學不會；原因如下 👇

網際網路讓 AI 能存取驚人的資訊量；影像、影片、文字、指令、技術文件等。
然而，一台機器人就算把這些全部吸收了，仍可能在像是拿起一個陌生物體這種看似簡單的任務上卡住。原因很單純：了解物理世界，和親身體驗它，是不同的事。
一段影片可以展示一個人如何把玻璃杯舉起，但它並不能完整呈現握住所需的壓力、重量的分布、玻璃杯開始滑動時所做的細微調整，或是不造成損壞而將其放下所需要的力量。這些判斷都來自互動。
物理智能是透過「行動」與「後果」之間的關係建立起來的。機器人需要移動、觀察會發生什麼、感受阻力、調整它的動作、犯錯，並從結果中學習。網際網路可以讓機器人看見一扇門的樣子，但現實世界的互動會教它：當門很重時門的手感如何、門把需要多大力、以及當鉸鏈很僵時該怎麼做。
這就是視覺知識與具身智能之間的落差；因此 @InvLambda 專注於建置能將人類操作員與實體機器人連接起來的基礎設施，透過遠端操作（teleoperation）。人類的行動提供了缺失的經驗層：移動、靈巧度、空間判斷、控制輸入，以及對不可預測的物理狀況所做出的反應。
透過這些互動，系統能收集豐富的多模態資料，而僅靠網際網路規模的資料集自身無法提供。
網際網路讓 AI 取得世界的資訊，但現實互動會讓具身 AI 在其中獲得經驗，而這樣的經驗正是讓智能能從螢幕延伸到實體世界的關鍵。
#InvertedLambdaTheBreach #InvertedLambda #Robotics #Teleoperation #SecondContact #SecondContactTheBreach