गहरी सीखने के तेजी से विकास में बड़े पैमाने पर डेटा सेट, मॉडल और गणना की मात्रा महत्वपूर्ण हैं। प्राकृतिक भाषा संसाधन और कंप्यूटर दृष्टि के क्षेत्र में, शोधकर्ताओं ने मॉडल प्रदर्शन और डेटा के आकार के बीच एक पावर लॉ संबंध खोजा है। हालाँकि, रोबोटिक्स क्षेत्र, विशेष रूप से रोबोट नियंत्रण क्षेत्र में, अभी तक इसी तरह के पैमाने पर नियम स्थापित नहीं हुए हैं। तिंगहुआ विश्वविद्यालय की शोध टीम ने हाल ही में एक पेपर प्रकाशित किया है, जो रोबोट अनुकरणीय सीखने में डेटा के पैमाने में नियमों की खोज करता है और एक प्रभावी डेटा संग्रह रणनीति प्रस्तुत करता है, जिससे सिर्फ एक दोपहर में पर्याप्त डेटा एकत्र किया गया।

NVIDIA के शोध दल ने हाल ही में रोबोट नियंत्रण के क्षेत्र में एक महत्वपूर्ण सफलता हासिल की है। उन्होंने जो न्यूरल नेटवर्क सिस्टम HOVER विकसित किया है, वह अत्यधिक संक्षिप्त पैरामीटर्स के साथ मानव-समान रोबोट का कुशलतापूर्वक नियंत्रण करता है, और इसकी प्रदर्शन विशेष रूप से डिज़ाइन किए गए नियंत्रण प्रणालियों को भी पार कर जाती है। यह केवल 150 लाख पैरामीटर वाला HOVER सिस्टम जटिल रोबोट क्रियाओं का नियंत्रण करने में सक्षम है। इसके विपरीत, सामान्य बड़े भाषा मॉडल को अक्सर हजारों अरब पैरामीटर की आवश्यकता होती है। यह आश्चर्यजनक पैरामीटर दक्षता प्रणाली के डिजाइन की ख़ूबसूरती को दर्शाती है। HOVER का प्रशिक्षण NVIDIA के Isaac सिमुलेशन में हुआ।