AIの進歩は、不要なデータが過剰であるため遅れています――それらは多すぎます。

主要な結論：ChatGPT から「実際の」ロボットへ移行するには、大量のデータセットだけでなく、質が高く関連性のある情報が必要です。

フォーチュンは、AI 業界が物理的知能と周囲の世界モデルという新しい時代の入り口に立っていることを強調しています。こうしたシステムは実際の空間でナビゲートできるべきです：道路上で行動し、洗濯物を畳んだり、複雑な外科手術を支援したりするなど。そのためには「ロード可能」なデータだけではなく、豊かで多面的な情報セットが必要です。

データ品質の重要性
1. 過剰と無駄

AI の熱狂の中で、多くのスタートアップ（Scale AI、Surge AI、Mercor）ができました。彼らは可能な限り多くのデータを集めようとします。その結果、学習に寄与しない大量の「空ファイル」が蓄積されます。研究者がそれらをフィルタリングできなければ、物理的 AI の潜在力は未活用のままです。

2. 多次元課題の複雑さ

複雑な世界を理解するにはさらに多くのデータが必要ですが、それらは極めて入手困難です。そのためエンジニアはモデリングに頼ります：実際のシナリオを仮想的に再構築し、ロボットや自律走行車向けの学習例を生成します。

3. 低品質セットのリスク

質の悪いデータは予測不能な結果を招く可能性があります。例として、OpenAI のビデオアプリ Sora のサポート停止が挙げられます：モデルは物理的挙動に対応できず、リアルな予測を妨げました。

問題解決策
- クリーンアップツール

機械学習の専門家は、自動で余分なデータを削除し、分析・正規化・修正する技術が必要です。これにより「ノイズ」から貴重な情報を抽出できます。

- 品質へのフォーカス

現在制約要因は質の高いデータ不足です。この点を最初に理解し、収集と処理に投資を開始する企業が、本当に機能する AI システムのリーダーになるでしょう。

したがって、テキストモデルから実世界で行動できるロボットへ移行するには、学習データ品質への体系的アプローチなしでは不可能です。フォーチュンは、この要因こそが将来の物理知能を決定づけると強調しています