机器人的第一位老师并不是数据集，而是环境。

一个机器人可以在数百万个示例上进行训练，却仍然会遇到它从未见过的情况。
某个表面比预期更滑，一个物体稍微更重，地面不平，抓握失败，执行过程中途需要纠正一次动作；世界并不遵循完全按脚本编排的顺序。
正是在这里，“具身智能”开始与传统的 #AI. A dataset can show a #robot 区分开来：不是仅仅根据一个物体看起来是什么，或描述一个动作应该如何发生，而是现实环境引入了那些无法提前总是预见的变量。机器人必须对实际发生的情况做出回应。
这就是为什么真实世界的 𝗧𝗲𝗹𝗲𝗼𝗽𝗲𝗿𝗮𝘁𝗶𝗼𝗻 如此宝贵。人类操作员带来了在不确定性中导航并适应那些从未被明确编程的条件的能力。他们的操作让机器人接触到“运动与后果之间”的关系：当抓握过于无力时会发生什么，当轨迹偏差略微错误时会发生什么，或当意外障碍改变任务时会发生什么。
@InvLambda 正在围绕这一“人类在回路中”的层构建，利用远程操控在模拟与物理环境中生成更丰富的交互数据。人类操作员提供自适应的智能；机器人环境提供后果；由此产生的数据将成为开发更强大具身 AI 的基础。
机器人无法仅通过研究以前发生过的事情来学习物理智能，它必须走向真实世界、对其做出回应，并从接下来发生的事情中学习。
#InvertedLambdaTheBreach #InvertedLambda #Robotics #Teleoperation #SecondContact #SecondContactTheBreach