ARTICLE · 人工智能
千寻智能高阳团队新作|换了新硬件，老数据还有用吗？揭秘机器人学习中的"涌现式迁移"
一语总结千寻智能高阳团队研究发现，机器人硬件升级后，旧数据的有效性存在阈值现象——新硬件能力达到某个临界点后，旧数据才能显著提升性能，提出'涌现式迁移'理论并给出数据采集策略优化方向。
文章报道千寻智能高阳团队最新研究，揭示机器人硬件升级后旧数据利用的规律。通过真实机器人实验发现，旧数据在新硬件能力低于阈值时无效，跨越阈值后收益急剧提升，接近满分时边际效益递减。研究提出了'迁移阈值τ(T)'概念，并从梯度对齐与策略残余不确定性两方面给出理论解释。团队还提出'相位感知数据采集策略'：先通过新硬件数据训练到阈值，再引入旧数据联合训练，在浇花任务中将新数据需求从 8 小时压缩至 1.5 小时。研究解决了具身智能领域硬件迭代与数据复用核心问题。
- 旧数据在新硬件能力低于阈值时无效，跨越阈值后收益暴涨
实验表明，当新硬件数据训练使成功率达到 23.3%时，引入旧数据可使成功率从 23.3%飙升至 86.7%，呈现明显的阈值效应
- 提出'迁移阈值τ(T)'理论解释数据迁移机制
阈值之下新策略无法利用旧数据，之上梯度对齐使数据能量增益，接近满分时边际收益递减
- 验证了相位感知数据采集策略的实用价值
在新任务验证中，该策略使新数据需求从 8 小时压缩至 1.5 小时，成功率提升 40%到 78.3%
千寻智能高阳团队新作|换了新硬件，老数据还有用吗？揭秘机器人学习中的"涌现式迁移"
文章报道千寻智能高阳团队最新研究，揭示机器人硬件升级后旧数据利用的规律。通过真实机器人实验发现，旧数据在新硬件能力低于阈值时无效，跨越阈值后收益急剧提升，接近满分时边际效益递减。研究提出了'迁移阈值τ(T)'概念，并从梯度对齐与策略残余不确定性两方面给出理论解释。团队还提出'相位感知数据采集策略'：先通过新硬件数据训练到阈值，再引入旧数据联合训练，在浇花任务中将新数据需求从 8 小时压缩至 1.5 小时。研究解决了具身智能领域硬件迭代与数据复用核心问题。
文章金句
"老数据的收益从 '没用' 突然变成 '点石成金'
"当新旧数据的梯度方向足够一致时，共同训练才不会互相打架，反而能相互增益