人类手是一个用于物理智能的压缩算法

看着有人拿起一只玻璃杯。
没有可见的抓握力计算，也没有腕部角度、摩擦、受力分布或移动速度的计算。手只是进行调整。
轻微的压力变化就能防止玻璃杯滑落。微小的修正让手腕保持稳定。手指会在对方有意识地思考之前，就先对阻力作出反应。
成千上万的决策被压缩到一次流畅的动作中。
听起来微不足道、也不太重要，但这正是机器人领域最大的挑战之一。人类的身体物理智能包含大量难以通过语言或书面指令表达的隐性知识。我们知道如何适应世界，因为我们的身体会持续读取并回应来自世界的反馈。
但，𝗧𝗲𝗹𝗲𝗼𝗽𝗲𝗿𝗮𝘁𝗶𝗼𝗻创造了一种捕捉这种隐藏智能的方法。
当人类操作者控制机器人时，他们的决策会变成可测量的信号：运动、力量、时序、修正、犹豫，以及对意外变化的响应。操作者也许只是在想“拿起这个物体”，但机器人会记录完成它所需的复杂动作序列。
@InvLambda正在通过其远程操作基础设施，帮助把这种隐性的人类能力转化为结构化的训练数据，从而将人类操作者连接到模拟与真实的机器人环境中。
其价值不止于记录人类做了什么，更在于捕捉当世界不愿意完美配合时，智能如何作出响应。
这些数据可以帮助具身#AI系统学习行动与后果之间的关系，并逐步减少完成类似任务所需的人类干预量。
人类的手已经知道如何解决成千上万的物理问题而无需解释其推理，但 𝗧𝗲𝗹𝗲𝗼𝗽𝗲𝗿𝗮𝘁𝗶𝗼𝗻为机器人提供了一种从答案开始学习的方法。
#InvertedLambdaTheBreach #InvertedLambda #Robotics #Teleoperation #SecondContact #SecondContactTheBreach