在机器人学习领域工作了超过10年，从我在帝国理工的博士学位到伯克利，再到建立戴森机器人学习实验室，我一直面临一个困扰我的问题： 我为什么必须一次又一次地重建相同的基础设施？ 我不断看到的模式是： • 新的机器人团队成立 • 花费6个月建立数据收集管道 • 再花3个月调试同步问题 • 最终开始收集特定任务的数据 • 意识到他们的基础设施选择限制了他们的灵活性 • 重新开始 这就是机器人学习的全部要点：机器人学习从根本上是数据驱动的。无论你是在采摘草莓还是组装电子产品，核心基础设施的需求是相同的。这实际上就是我十多年前对数据驱动机器人技术如此感兴趣的原因。 你总是需要： • 不同频率之间的多传感器数据同步 • 适用于未来算法的灵活存储 • 理解数据的可视化工具 • 实验不同时间分辨率的能力 • 捕获你可能稍后需要的所有内容的强大日志记录 机器人技术中对人工智能的趋势正在增长，机器人需要处理和分析大量传感器数据，以管理真实环境中的变异性和不可预测性。 但每个团队都是从头开始构建这些基础设施。想象一下，如果每个网页开发人员在编写第一行应用程序代码之前都必须构建自己的数据库、网络服务器和部署管道，那将会是什么样子。 这就是我创立Neuracore的原因。 我们提供通用工具，让每个机器人团队无需花费数月时间在基础设施上，而是可以在几天内从“我有一个机器人”转变为“我正在交付智能机器人行为”，而不是几个月。 机器人技术的真正创新不会来自每个人重建相同的管道。它将来自那些能够完全专注于使他们的应用程序独特的团队。 机器人学习不应该被基础设施所限制。它应该被创造力所限制。 在你解决想要解决的实际机器人问题之前，你花了多长时间来构建基础设施？