论文称数据多样性而非数量决定机器人零样本泛化

Rafael Felix 与 Flavia Yanase 在 arXiv 论文《Robot Generalization Beyond Volume: The Diversity Path via Zero-Shot Capabilities》（arXiv:2610.29829）中，将物理 AI 的零样本泛化表述为对部署分布的覆盖问题，并提出通过社区贡献多样化数据来提升泛化的方案。这是论文提出的观点，尚非已被验证的结论。 论文指出，当前机器人数据由少数资金充足的团队付费采集，只有数量而缺多样性；论文称同一采集者的更多样本只能缓慢缩小未覆盖区域，而每个新贡献者都能扩展覆盖范围。 方案上，论文提出结合多模态对齐、生成式增强和噪声标签学习的共享动作潜在空间，并建议开发者在标准机器人 Origami 上构建应用，以社区贡献实现数据多样化。论文还给出了可检验的假设与真实机器人零样本评估协议。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。