在近日结束的 IEEE/RSJ 智能机器人与系统国际会议（IROS）上，昆士兰大学研究员 Jen Jen Chung 在主旨演讲中提出，海量数据并不等同于高信息量，盲目堆砌数据甚至可能导致系统崩溃与策略失能。她结合自身十余年研究案例指出，决定智能上限的并非数据绝对规模，而是数据的质量与信息密度。
Chung 以博士课题中的无人机自主滑翔为例说明数据价值的非均质性。为让固定翼无人机利用上升热气流获取能量，系统需消耗能量探索未知的状态-动作空间。研究发现，仅需 20 至 27 轮训练即可获得高效滑翔策略；当空速超过临界点后，净能量增益归零，此时在该区域继续采集数据无法改善策略。类似地，在未知代价场最短路径规划中，均匀采样并非最优解，算法应依据测量值能否改变路径估计来导向数据采集。
这一洞察在分布式多机器人系统中更为关键。Chung 指出，数据共享从来不是无代价的，真实通信信道存在带宽受限、信号衰减与高延迟等约束，向所有节点全量广播数据既不切实际，也可能引发网络拥堵。她提出衡量数据共享价值的判断标准：掌握该项信息能否引发行为决策的改变。基于此，团队采用传输最关键信息而非全部数据的策略，在带宽开销与数据保真度之间寻求平衡。
演讲最后，Chung 将问题指向当前热门的端到端策略学习范式。在复杂富接触装配任务中，即便为机械臂输入视觉、力觉与本体感觉等多模态海量数据，部署表现仍可能平庸，甚至在空料盒场景下机械复刻插入动作。其团队提出的策略修复方案通过定向选取修复性样本，在相同示教数据预算下，策略泛化性能提升显著优于盲目扩增数据。
Chung 的演讲为当前机器人学习领域的数据竞赛提供了反思视角。在生成式 AI 推动端到端学习范式迁移的背景下，如何从数据规模导向转向信息密度导向，或将成为通用具身智能研究的重要课题。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
