人類手部是用一套用於身體感知的比較演算法

觀看有人拿起一個玻璃杯。
看不到對握力、手腕角度、摩擦力、受力分布或移動速度的可視化計算。手就只是會自行調整。
微小的壓力變化就能防止玻璃杯滑落。細微的修正讓手腕保持穩定。手指會在對方有意識地思考之前，就先對阻力做出反應。
成千上萬的決策被壓縮成一個流暢的動作。
聽起來如此之少、也如此不重要，這卻是機器人領域最大的挑戰之一。人類的身體物理智能包含大量難以透過語言或書面指令表達的默會知識。我們之所以知道如何適應世界，是因為我們的身體會持續讀取並回應世界回饋。
但 𝗧𝗲𝗹𝗲𝗼𝗽𝗲𝗿𝗮𝘁𝗶𝗼𝗻 讓人得以捕捉這種隱藏的智慧。
當人類操作員控制機器人時，他們的決策會變成可衡量的訊號：移動、施力、時間點、修正、猶豫，以及對意外變化的反應。操作員可能只會想：「把物體拿起來」，但機器人會記錄完成它所需的複雜動作序列。
@InvLambda 正透過其遙操作（teleoperation）基礎設施，協助把這種默會的人類能力轉化為結構化的訓練資料，將人類操作員連接到模擬與真實的機器人環境。
這份價值不只是記錄人做了什麼，更是捕捉當世界拒絕完美運作時，智能如何做出回應。
這些資料可以幫助具身 #AI 系統學習「行動與後果」之間的關係，並逐步降低完成類似任務所需的人為介入。
人類的手早已知道如何在不解釋推理的情況下解決成千上萬個物理問題，但 𝗧𝗲𝗹𝗲𝗼𝗽𝗲𝗿𝗮𝘁𝗶𝗼𝗻 為機器人提供了一種從答案開始學習的方法。
#InvertedLambdaTheBreach #InvertedLambda #Robotics #Teleoperation #SecondContact #SecondContactTheBreach