A IA habilidosa está colocando suas cartas na mesa (pelo menos parcialmente). Os dados de teleoperação carecem de diversidade e são limitados por uma escala de tempo 1:1 para operador humano. Para resolver isso, Skild pré-treinou seu modelo usando dados de vídeo em escala de internet (já amplamente disponíveis na forma de imagens em primeira pessoa "egocêntricas" de câmeras na cabeça para milhões de vídeos instrucionais no YouTube).

Ao aproveitar essa vasta "inteligência biológica" em vídeos humanos, o modelo pode realizar um conjunto diversificado de tarefas com menos de uma hora de dados específicos de robôs.

Essa abordagem quebra o gargalo de dados robóticos para desbloquear a escala do modelo de fundação. O modelo também resiste à interferência adversarial – o tipo de robustez geralmente vista na locomoção.