Роль data-preneur: предпринимателя на данных

Источник: https://x.com/noborderhuman/status/2072691593291944073

Автор: Mahid

Physical AI создаст миллиардеров.

Лаборатории моделей, компании по разработке гуманоидов, производители сенсоров и операторы роботизированных флотов — многие из них станут миллиардными бизнесами и создадут множество миллиардеров.

Но это не вся история.

Эта волна также создаст множество миллионеров. Не потому, что они построили робота или обучили frontier-модель, а потому что они будут управлять операциями с данными, лежащими под всем этим.

Они будут владеть доступом к реальной физической работе. Они будут держать устройства сбора данных загруженными. Они будут превращать хаотичные локальные задачи в готовые для покупателей обучающие данные.

Такой человек — data-preneur: предприниматель на данных.

Момент Baymax

Проще всего представить конечное состояние через сцену с Baymax из «Города героев»: роботу нужен навык, он скачивает его — и внезапно может делать то, чего раньше не умел.

В Physical AI всё будет не настолько чисто. Роботы не станут магически компетентными от одного файла. Но направление верное.

ASPIRE от NVIDIA GEAR делает эту метафору менее мультяшной и более практичной. Это не скачивание волшебного файла, а агентный цикл: система инспектирует прогоны робота, читает мультимодальные трассы, чинит программы code-as-policy, проверяет исправление и сохраняет полезный патч в растущую библиотеку навыков. Это ближе к реальному будущему: навыки накапливаются, но только после того, как кто-то проделал работу по поиску ошибки, сбору сигнала и доказательству исправления.

Робот в доме, на фабрике, складе, в больнице или шахте столкнётся с задачей, которую не умеет выполнять. Оператор не захочет ждать шесть месяцев, пока лаборатория соберёт новые данные, обучит новую политику и отладит её с нуля. Ему понадобится пакет навыка: примеры, данные задачи, потоки, grounding действий, случаи отказов, eval-наборы и, возможно, путь дообучения под этот класс роботов.

У каждого такого пакета навыка есть цепочка поставки.

Кто-то должен был сначала записать, как человек выполняет эту работу. Кто-то должен был достаточно хорошо понимать задачу, чтобы записать полезные части, а не только красивые. Кто-то должен был упаковать данные так, чтобы лаборатория моделей, робототехническая компания или агентный покупатель могли ими реально воспользоваться.

Этот кто-то — data-preneur.

Что такое data-preneur на практике

Data-preneur — это оператор, который превращает физический доступ в бизнес на данных.

Вы управляете небольшой складской командой. Руководите цехом швейной фабрики. Владеете ресторанной кухней. Координируете ремонтные мастерские, клининговые бригады, фермы, упаковочные линии или участки лёгкой сборки. Каждый день реальные люди выполняют физическую работу в средах, которые беспорядочны, локальны, повторяемы, вариативны и плохо симулируются.

Это и есть актив.

Data-preneur не просто записывает несколько видео и надеется, что кто-то их купит. Серьёзная версия больше похожа на небольшую компанию по операциям с данными:

• 10–15 физических локаций, где уже происходит полезная работа;
• устройства сбора данных, развёрнутые по этим локациям;
• операторы, обученные собирать чистые демонстрации;
• расписание, которое держит устройства загруженными, а не лежащими в коробках;
• воронка покупателей, которая подсказывает, какие задачи, ракурсы, модальности, права и форматы стоит собирать.

Вот главный сдвиг мышления: бизнес — не «у меня есть камера». Бизнес — «я умею поддерживать работающий сбор полезных физических данных».

В июне 2026 года Instawork запустила Instacore — носимую систему для захвата реальных движений человека, чтобы обучать роботов в масштабе. Их апрельский пост «Human Advantage in the Robotics Revolution» прямо называет узкое место: ограничивает не только железо или вычисления, а данные реальной человеческой работы.

Data-preneur — не мысленный эксперимент. Инфраструктура вокруг этой роли уже появляется.

Иллюзия Gumroad

Одна из полезных аналогий — Gumroad.

Gumroad упростил сторону предложения. Если у вас был цифровой продукт, вам не нужно было строить витрину, платёжный стек, систему исполнения заказов или маркетплейс-компанию. Вы могли превратить знание, софт, файл, курс или шаблон в ссылку.

Именно эта часть переносится на данные для Physical AI.

Data-preneur нужен такой же сжатый supply-side. Ему не должно быть нужно с нуля строить стек захвата, workflow прав, схему метаданных, формат доставки, пакет для покупателя и платёжные рельсы, прежде чем проверить, ценны ли его данные. Ему нужен простой способ превращать полезную физическую работу в продукт.

Но есть ловушка: это похоже на Gumroad, но пока не является Gumroad.

Gumroad сработал, потому что спрос уже был широким. Интернет был базой покупателей. В данных для Physical AI спрос пока сконцентрирован. Если посчитать серьёзных активных покупателей качественных физических данных для обучения роботов — организации, которые реально могут платить, имеют закупки и разворачиваются в достаточном масштабе, чтобы им было нужно то, что вы строите, — получится примерно десять.

Не от десяти до пятидесяти. Не сотни. Десять.

Сторона предложения тоже ранняя. Ещё нет миллионов хорошо инструментированных data-preneurs. Есть операторы с доступом, камерами, фабриками, кухнями, ремонтными боксами, локальными связями и причиной держать устройства загруженными. Сейчас задача — сделать первый supply-side достаточно простым для старта.

Здесь полезна аналогия с золотой лихорадкой, но только если пользоваться ею аккуратно. Во время Калифорнийской золотой лихорадки долговечные бизнесы строили многие из тех, кто продавал джинсы, кирки, лопаты и логистику операторам, гнавшимся за очевидным призом. В Physical AI очевидный приз — лаборатория моделей или компания гуманоидов. Более тихий бизнес — тот, который помогает операторам превращать физический доступ в готовые для покупателей данные.

Поэтому маркетплейс не решается притворством, что спрос уже ликвиден. Он решается поэтапно: сначала сделать упаковку полезной физической работы для data-preneur такой же простой, как Gumroad, а затем сделать эти данные читаемыми агентами на стороне покупателя.

Рынок покупателей будет опосредован агентами

Есть одна причина, почему проблема buyer-side не останется такой маленькой, как выглядит сейчас.

Сегодня серьёзных человеческих покупателей очень мало. Но эти покупатели не будут вечно вручную проверять каждый возможный физический датасет. Исследователь в лаборатории всё больше становится менеджером агентов: coding agents, evaluation agents, simulation agents, data-generation agents.

Работа NVIDIA ENPIRE — важный сигнал. ENPIRE превращает улучшение роботной политики в цикл, с которым может работать агент: сбросить сцену, запустить политику, проверить результат, изучить логи и видео, пересмотреть политику и попробовать снова. Суть не только в том, что агенты могут писать код. Суть в том, что агенты могут действовать внутри физического feedback loop.

ASPIRE — парный сигнал внутри NVIDIA GEAR. ENPIRE показывает, как агенты улучшают политики реальных роботов через исполнение и обратную связь. ASPIRE работает на уровне навыков: пишет и улучшает code-as-policy программы по результатам исполнения, записывает мультимодальные трассы, диагностирует отказы, проверяет исправления и сохраняет рабочие решения в переиспользуемую библиотеку навыков. Это ещё не полностью автономный ученик реального мира: NVIDIA прямо называет ограничениями детекцию успеха, безопасные сбросы, мониторинг безопасности, калибровку и API примитивов. Но направление понятно: покупатель не просто ищет видео. Покупатель строит циклы, где агенты тестируют, чинят, валидируют и переиспользуют навыки.

Для data-preneurs это важно, потому что будущий покупатель может быть не человеком, листающим маркетплейс. Это может быть исследовательский агент, который ищет task data под класс роботов, спецификацию данных, action space и evaluation loop.

Так что проблема маркетплейса не исчезает. Она меняет форму.

Ваши данные должны легко подключаться агентами. Понятные метки задач. Чистые sample-клипы. Метаданные камер. Происхождение. Права. Заметки о среде. Случаи отказов. Небольшой eval-pack. Формат доставки, который training pipeline реально может потребить.

Если сделать данные разборчивыми для агентов, рынок с десятью человеческими покупателями может вести себя намного крупнее. Каждый покупатель сможет запускать множество параллельных поисков, тестов и интеграций. Там и открывается возможность.

Начинайте с доступа, а не с оборудования

Неправильный первый шаг — купить гору железа и назвать это data-компанией.

Правильный первый шаг — спросить: к какой физической работе у меня есть доступ, которую лаборатория не сможет легко воспроизвести?

Рамен-лавка с движением подготовки, отточенным за тридцать лет. Небольшая кожевенная мастерская, где каждую деталь обрабатывают иначе. Автомастерская, где весь день меняют тормоза и проводят осмотры. Швейная фабрика, где режут, складывают, шьют, проверяют и упаковывают. Склад, где вариативность объектов настолько раздражающая, что роботы всё ещё ошибаются.

Ваше преимущество не в том, что вы можете купить камеру. Камеру может купить кто угодно.

Ваше преимущество в том, что вы близко к работе.

Вы знаете, кто делает её хорошо. Вы знаете, когда она ломается. Вы знаете, какие задачи повторяются. Вы знаете, что считается чистой демонстрацией. Вы знаете, какие переменные среды действительно важны: освещение, поверхности, вариативность объектов, темп, привычки работников, постановка задачи, восстановление после ошибок.

Именно это локальное знание превращает сырое видео в полезные данные.

Начните с определения трёх-пяти физических задач в одной среде. Задач с понятными критериями успеха. Задач, которые часто повторяются. Задач, где человеческий навык виден. Запишите их тем, что уже есть: телефоном, action-камерой, дешёвым креплением.

Затем соберите sample-pack, который покупатель — или агент покупателя — сможет реально оценить.

Agent-readable валидация — настоящая работа

Старый совет звучал бы так: поговорите с покупателями до сбора данных.

Это всё ещё верно по направлению, но неполно.

В Physical AI покупатель превращается в агентный evaluation loop. Исследователь может определить задачу, бюджет, класс робота и deployment need, но первичная валидация всё чаще будет происходить через агентов, которые инспектируют образцы, запускают evals, сравнивают случаи отказов и решают, стоит ли направлять датасет в training workflow.

Поэтому работа data-preneur — не только попасть на встречи с покупателями.

Работа — сделать данные валидируемыми агентом.

Полезный sample-pack должен включать:

• определение задачи;
• потоки данных;
• assumptions по embodiment;
• заметки о среде;
• критерии успеха;
• примеры отказов;
• права и provenance;
• метаданные;
• небольшой eval-path;
• формат доставки, который training pipeline реально может потребить.

Вопрос больше не только в том, «нравится ли это человеческому покупателю?»

Вопрос в том, может ли агент быстро проверить, улучшают ли эти данные обучение для задачи, класса роботов или условий deployment.

Это новый validation loop.

Права и provenance по-прежнему важны. Кто владеет записями? Что покупатель может с ними делать? Дают ли работники согласие? Можно ли данные переиспользовать? Можно ли их перепродавать? На эти вопросы нужно отвечать до производства данных, а не после.

Контракты на данные скоропортящиеся

Data-preneur не должен предполагать, что каждый датасет станет вечным роялти-потоком.

Ценность физических данных максимальна, когда они расширяют training distribution покупателя: новая задача, новая среда, новое распределение объектов, новый failure mode, новая конфигурация камер или workflow, который покупатель не может легко получить.

Как только эта территория закрыта, те же данные дешевеют.

Правило простое: ценные данные делают одну из двух вещей. Они либо расширяют training distribution покупателя, либо усиливают learning signal внутри части distribution, которую покупатель уже покрывает.

Первый путь — новизна: более новая задача, среда, вариативность объектов, failure mode.

Второй путь — лучший сигнал: более чистая геометрия, синхронизированные виды, более богатые модальности, более понятное состояние задачи, более сильные примеры отказов, более строгий provenance или лучшая оценка ground truth.

Здесь начинается hillclimb. Первый путь — расширение distribution: вы идёте туда, где training set покупателя ещё не был. Второй путь — улучшение сигнала: вы идёте туда, где покрытие уже есть, но приносите более качественные доказательства. Если навык уже существует в публичной библиотеке роботных навыков, интернет-видео, симуляции или внутреннем датасете покупателя, ещё одна generic-запись той же задачи будет недостаточно полезной. Идентичное покрытие, с идентичной точностью, из взаимозаменяемого источника — commodity. Data-preneur должен найти то, чего всё ещё не хватает: задачу, среду, вариативность объектов, viewpoint, contact signal, recovery trace или ground truth.

Больше той же задачи, в той же комнате, с теми же объектами, с того же угла обычно не удовлетворяет ни одному условию. Такая партия насыщается. Она не сильно сдвинет модель, и покупатель не заплатит за неё дважды.

Есть и контрактная реальность: покупатели будут хотеть эксклюзивность вокруг пары task-environment. Если лаборатория платит за конкретный workflow в конкретном фабричном контексте, она не захочет, чтобы те же данные продавались каждому конкуренту. Значит, data-preneur не сможет строить бизнес на бесконечной перепродаже одного узкого датасета. Конкурентное преимущество — научиться постоянно расширяться: больше разнообразия task-environment, лучшие capture devices, более богатые модальности, более чистая синхронизация и более сильная оценка ground truth. Вкус покупателя становится навыком: понимать, какие task-env пары стоит делать эксклюзивными, какие расширять и где находится следующий ценный срез training distribution покупателя.

Настоящий бизнес — оставаться рядом с тем, чего training distribution покупателя всё ещё не покрывает.

Реальный путь апгрейда — utilization

Железо важно, но не так, как обычно думают.

Наивная версия: лучше устройства захвата — лучше бизнес.

Серьёзная версия: лучше сигнал, выше utilization, точнее buyer fit.

Телефон может запустить цикл. Он доказывает категорию задачи, угол захвата и потребность покупателя.

Но серьёзный апгрейд — не просто больше устройств. Это лучший захват физического состояния.

Stereo-first capture важен, когда продуктом является геометрия: не только фронтальный вид с головы, но левый и правый head perspectives, если задаче нужен пространственный контекст. Wrist views важны, когда манипуляция зависит от того, что видит рука. Body views важны, когда поза, баланс, reach или координированное движение меняют результат. Со временем следующим преимуществом становится контакт: сигналы уровня touch, force, pressure, slip и recovery data, которые обычное видео не объяснит. Вопрос в том, каких из этих сигналов покупателю всё ещё не хватает, потому что именно это делает захват ценным.

Но настоящий операторский вопрос не «какое устройство лучшее?»

Настоящий вопрос: как держать нужные устройства работающими на нужных площадках, собирающими нужные задачи для нужных покупателей?

Здесь data-preneur начинает выглядеть не как content creator, а как fleet operator. Устройства нужно заряжать, крепить, ротировать, проверять, чистить, отправлять, планировать и аудировать. Работникам нужны инструкции по сбору. Площадкам нужны простые операционные routines. Покупателям нужны стабильные deliverables.

Трудная часть — не владеть устройствами.

Трудная часть — держать устройства продуктивными.

Почему sample efficiency становится логикой цены

Sample efficiency объясняет, почему хорошие данные ценны.

Sample в этом контексте — пригодная демонстрация: человек выполняет задачу, а сенсорного контекста достаточно, чтобы модель могла учиться.

Efficiency — сколько обучения модель получает из каждой демонстрации.

Данные sample-efficient, когда меньше демонстраций дают такое же или лучшее улучшение модели.

Покупатель на самом деле покупает не часы видео. Он покупает меньше бесполезных примеров, меньше проваленных training runs и меньше недель, потраченных на выяснение, что датасет не переносится в deployment.

Если модели нужно 10 000 слабых демонстраций, чтобы выучить задачу, но только 1 000 сильных демонстраций из лучшего capture setup, второй датасет не просто меньше. Он операционно ценнее. Он экономит время сбора, время обучения, время evaluation и внимание исследователей.

Поэтому data-preneur не может думать только в часах записи. Он должен думать в learning value per demonstration и о том, где в training distribution покупателя всё ещё есть gaps.

Направление видно по работам о robot learning за июнь 2026 года. Geometric Entropy делает точнее тезис о diversity: более разнообразные демонстрации помогают, пока не создают ambiguity стратегии, а полезный уровень diversity меняется в зависимости от мастерства задачи, объёма данных и priors модели. Ambient Diffusion Policy точнее показывает вопрос data mixture: большие гетерогенные датасеты содержат полезный сигнал, но learner должен отделять полезную структуру от вредного mismatch.

Работа NVIDIA по world-action models добавляет недостающий слой: action grounding. Полезные данные — это не только то, что модель видит. Это связь между perception и action: что изменилось, что это вызвало и какое действие должно быть следующим.

Cosmos 3 делает путь к deployment более конкретным. NVIDIA описывает Cosmos 3 как world foundation model с native action generation: он может генерировать action data вроде углов суставов, положений gripper и trajectory points. Для этой статьи важна fine-tuning surface. Downstream robot system всё равно должен адаптироваться под embodiment, конфигурацию камер, workspace и категорию задачи.

Поэтому human embodiment data важны. Они дают world/action model grounding до или во время этой адаптации. Они показывают, как задача выглядит в реальном мире: как руки подходят к объектам, как контакт меняет состояние, как выглядит восстановление после ошибки, какие ограничения накладывает workspace и какие потоки действительно объясняют действие.

Ваш rig, ваша среда и категория задачи — не просто choices записи. Это product specification для downstream action model.

Data-preneur получает деньги, когда может производить данные, которые упрощают learning problem покупателя: более чистые демонстрации, лучшая геометрия, более богатые модальности, более плотная синхронизация, больше вариативности, более сильные failure examples, лучшая оценка ground truth или категория задач, которую покупатель не может получить внутри.

Фабрики и малый бизнес — настоящая возможность

Индивидуальные data-preneurs могут построить реальные бизнесы. Но более крупная возможность — у фабрик и малых бизнесов, где каждый день уже происходит большой объём физической активности.

Швейная фабрика уже выполняет сотни операций резки, складывания, шитья, инспекции и упаковки за смену.

Food prep operation уже выполняет тысячи движений сортировки, нарезки, взвешивания и упаковки.

Небольшая автомастерская постоянно делает замену тормозов, фильтров, инспекции и последовательности работы с инструментами.

Раньше всё это не существовало как данные.

Теперь может существовать.

Владелец фабрики, который мыслит как data-preneur, не просто управляет операцией. Он инструментирует операцию. Он превращает повседневную работу в поверхность сбора данных.

Это не значит превращать весь бизнес в исследовательскую лабораторию. Это значит выбрать важные задачи, разместить capture devices так, чтобы они не мешали работе, обучить людей routine сбора и продавать полезные данные лабораториям, которые пытаются научить машины тем же физическим навыкам.

Фабрике не нужно нанимать команду machine learning.

Ей нужно понять, как её операция выглядит с точки зрения данных, найти одного-двух покупателей, которым нужна эта категория данных, и встроить capture в существующий workflow.

Data sovereignty и преимущество автоматизации

Есть более долгосрочный угол, о котором большинство владельцев фабрик пока не думают.

Данные, которые вы производите о собственных операциях, становятся конкурентным активом, когда приходит автоматизация.

Представьте две швейные фабрики.

Фабрика A годами собирает качественные демонстрации своих конкретных workflows резки, шитья, инспекции и упаковки.

Фабрика B этого не делает.

Когда доступная роботизированная автоматизация станет доступна для этой категории работы, Фабрика A получит огромное преимущество. Она сможет быстрее дообучить автоматизацию под свои материалы, стандарты качества, паттерны движений и edge cases, чем конкурент, начинающий с нуля.

Data sovereignty означает владение данными о том, что происходит на вашем производстве.

Это значит не позволять операционному знанию существовать только в руках работников и vendor demos.

Это значит строить институциональную запись физической работы, которую можно продать, использовать внутри или использовать позже для переговоров с поставщиками автоматизации на лучших условиях.

Бизнесы, которые считают capture данных расходом, думают об этом неправильно.

Это инфраструктура.

Почему локальные data-preneurs важны для long tail

Крупные роботные лаборатории сначала решат распространённые задачи в стандартизированных средах.

Коробки. Полки. Базовая навигация. Обычная манипуляция. Чистые, частые, high-ROI задачи.

Long tail — всё остальное.

Рамен-лавка, где подготовка включает специфическое движение кисти. Общественный сад, где посадка меняется в зависимости от культуры и почвы. Ремонтник, который видел каждый странный failure mode старой техники в районе. Малый производитель, чей процесс слишком нишевый, чтобы центральная лаборатория им заинтересовалась.

Никто не отправит исследовательскую operator team документировать всё это.

Но локальный data-preneur может.

1X World Model Lab в июне 2026 года показала, как выглядит полный embodied AI data stack: web-scale media, human videos, simulation data, remotely operated robot data и on-policy data, собранные самим роботом в реальных средах.

Последняя категория — в поле, покрывая long tail реальных use cases — ровно то место, где распределённые операторы важны. Крупные лаборатории не могут быть везде. Data-preneur, работающий в конкретной среде с конкретным набором задач, может собрать данные, до которых централизованная команда не доберётся.

В этом и есть окно.

Это другой тип gig economy

Оригинальная gig economy обменивала ваше время на деньги.

Возите людей в Uber — получаете оплату за поездку. Доставляете DoorDash — получаете оплату за доставку. Вы ничем не владеете. Ничего не строите. Ваш актив — ваши часы, и когда вы прекращаете работать, доход прекращается.

Модель data-preneur другая.

Вы можете владеть железом. Вы можете владеть данными или договариваться о правах на них. Вы можете строить каталог демонстраций с реальной рыночной ценностью. Вы можете управлять несколькими площадками. Вы можете держать устройства загруженными. Вы можете учиться тому, что действительно хотят покупатели, и всё лучше производить это.

Если сделать правильно, это ближе к созданию небольшого бизнеса на пересечении медиа, логистики и field operations, чем к gig-driving.

Устройства — ваши.

Записи — ваши.

Provenance — ваш.

Вы продаёте не просто труд. Вы строите актив.

Заметка от OpenRobot

Для тех, кто серьёзно строит в этой области, разрыв между сырым видео и готовыми для покупателя данными обучения роботов реален.

Метаданные, task labels, event markers, QA, provenance tracking, документация прав, формат доставки, управление устройствами, расписание площадок и utilization — всё это становится операционным overhead, если решать вручную.

Alpha — это операционное знание. Это доступ к пути: начните с устройств, которые у вас уже есть, научитесь собирать физические данные, которыми покупатели реально могут пользоваться, поймите, как выглядит здоровая utilization устройств, и докажите, что операция работает, прежде чем серьёзно тратиться на железо.

Когда операция хорошо масштабируется — полезные задачи, спрос покупателей, устройства, которые нужно держать продуктивными на разных площадках, — тогда профессионализируйте стек. Здесь появляется OpenRobot.

OpenRobot помогает data-preneurs превращать промышленный доступ в готовые для покупателей данные Physical AI через калиброванные rigs, field operations, QA, metadata, provenance и delivery.

Путь — не «купить железо и стать data-компанией».

Путь — сначала доступ и навык. Докажите, что операция работает. Затем обновляйте устройства и инфраструктуру под нагрузку.

Инфраструктура — инструмент, а не стратегия.

Стратегия — всё выше: доступ, buyer validation, полезные задачи, права, provenance и utilization.

Волна Physical AI придёт независимо от того, готовы вы к ней или нет.

Люди, которые владеют физическими средами, где происходит вся эта активность — фабричными цехами, кухнями, мастерскими, ремонтными боксами, фермами, складами, — должны получить место за столом, когда эта волна накроет рынок.

Роль data-preneur — это и есть такое место.

Оно не даётся автоматически. Нужны buyer validation, операционная дисциплина и честное мышление о правах и рисках.

Но доступ уже есть.

Он ждёт, пока его превратят в операцию.

Источники, на которые я опираюсь

• Disney Kids: Robot Learns Karate! | Big Hero 6, 18 июня 2024
• Instawork: Instacore wearable robotics data system, 9 июня 2026
• Instawork: Human Advantage in the Robotics Revolution, 22 апреля 2026
• Generalist AI: Accelerating the Next Phase of Physical AI, 4 июня 2026
• NVIDIA: Pretrained to Imagine, Fine-Tuned to Act — The Rise of World-Action Models, 25 июня 2026
• NVIDIA: Cosmos 3 Physical AI Open World Foundation Model, 2 июня 2026
• 1X: World Model Lab, 4 июня 2026
• NVIDIA ASPIRE: Agentic /Skills Discovery for Robotics
• NVIDIA ENPIRE: Agentic Robot Policy Self-Improvement in the Real World
• Dwarkesh Patel: The Sample Efficiency Black Hole, 19 июня 2026
• Geometric Entropy: When Trajectory Diversity Helps and Hurts in Imitation Learning, 18 июня 2026
• Ambient Diffusion Policy: Imitation Learning from Suboptimal Data in Robotics, 10 июня 2026