脑电波是物理AI的下一个突破口吗？

# 脑波会成为物理AI的下一个突破口吗？| TechCrunch 来源：https://techcrunch.com/2026/07/26/are-brain-waves-the-next-unlock-for-physical-ai/ 物理AI的前沿阵地，是加州圣莱安德罗一座仓库里的叠叠乐游戏。 这座仓库属于Encord（https://encord.com/），一家为训练AI模型提供数据工具的公司。Andrew Ceja是一名"飞行员"——公司对其机器人培训师的称呼——他正小心翼翼地从一个摇摇欲坠的塔中抽出木块，同时佩戴着一个带有摄像头的头戴设备，记录他看到的画面。单就收集机器人训练数据而言，这已经相当常见；但这个头戴设备还配备了传感器，在他仔细拆解积木塔时，测量他的脑波。 Encord是少数（但数量在增长）押注人形机器人和仓库机器人下一个真正瓶颈不是模型架构，而是现实世界物理训练数据极度匮乏的初创公司之一。Encord不仅帮助机器人公司管理已有的数据，更围绕制造它们所缺乏的数据来建立业务。 Ceja佩戴的脑波头戴设备由Zander Labs（https://www.zanderlabs.com/）制造，这是一家德国神经科学初创公司，押注通过测量大脑活动——推断错误、意图和惊讶等心理状态——可以创建更有用的数据集来训练模型。Encord与Zander的合作目前处于试验阶段；Encord表示，目标是先建立一个初步的脑波标记数据集，将其输入客户机器人模型，评估它是否真的能提升性能，然后再决定是否扩大规模。 监督这项工作的Zander神经科学家Lucas Gehrke表示，在给定任务中任一点使用的大脑活动量，为试图确定何时需要部署最高强度模型的构建者提供了线索。 Encord机器人学习主管Vineeth Velmurugan表示，这是解决机器人数据瓶颈的"最前沿"。作为OpenAI机器人实验室和仓库自动化公司Berkshire Grey的资深人士，Velmurugan加入Encord负责组建公司内部的数据创建团队。 Encord创立的初衷是帮助构建机器视觉应用的公司标注数据和评估模型。随着他们的客户——Velmurugan表示他们与许多领先的机器人公司合作，但无权透露名称——开始将端到端学习应用于机器人操作任务，高管们意识到他们必须自己生产训练数据，而不仅仅是管理数据。"这些数据根本不存在，"Velmurugan说。 认为生成式AI能为机器人带来与聊天机器人相同突破的押注，不断撞上这同一堵墙。大型语言模型建立在整个互联网的文本之上，甚至更多。为神经网络找到教授物理操作的相同原材料则颇具挑战：自动驾驶公司自己收集数据，但很难规模化。从视频中训练可以工作，但缺乏真实世界数据的保真度。Velmurugan表示，需要大约相当于YouTube视频语料库五倍大小的数据集才能取得突破——这个规模也解释了为何数据生成本身已成为一项业务，而不仅仅是研究问题。 ## 满足你的自我中心数据需求 构建机器人大脑的公司现在转向两个主要来源：由佩戴摄像头的工人收集的"自我中心"视频（通常辅以其他摄像头角度和指标），以及通过远程操作从机器人（https://techcrunch.com/2026/06/17/collecting-robot-training-data-is-dirty-unglamorous-work-some-ai-labs-are-already-paying-xdof-to-do-it/）收集的数据。Encord两者都做，从全球多个工厂获取自我中心数据，并利用其圣莱安德罗设施试验新的数据模态，如脑波，或针对微调收集特定技能的数据集。 当TechCrunch到访时，"飞行员"们正在使用主从操作装置——成对的机械臂，其中一只由人类操作员直接控制，另一只模仿其动作——来创建诸如从咖啡壶倒水到杯子里（非常容易溅出）和堆叠扑克筹码等任务的数据。"每个人形机器人公司都向我们索要这些数据片段，"Velmurugan说。 存储架上放着装有假花的花瓶纸箱、书籍、塑料蔬菜、猫砂盆和铲子、成袋成捆的电线——这些都是训练家用任务操作器的常用物品。 在其中一个工位，另一位"飞行员"Sofia Infante操作机械臂，从服务器背面插拔以太网线——数据中心操作员非常希望自动化的工作，前提是机器人能以所需的精度进行操作。亲自上手操作后，我明白了为什么这仍然遥不可及：钳子远不如人类手指灵巧，并且缺乏我们在手臂中习以为常的自由度。 Encord正在开发的另一种新数据模态使用一组绑在前臂上的传感器来检测肌肉电信号。拍摄人类手部操作物体的视频通常无法捕捉到整个手部，但Velmurugan希望基于手臂传感器构建一个手部任意时刻位置的3D图像，为模型创建更鲁棒的理解。 Encord的数据集附带物理描述性标注，如"右手拧紧螺栓"，以帮助基于LLM的模型理解正在发生的事情。Velmurugan估计，对于训练特定任务，这种密集标注的价值是"粗糙自我中心数据"的100倍，而生产它的成本仅高出20倍——理论上这是一笔不错的交易。 但"高出20倍"仍然是一笔实实在在的开支，这就是症结所在：从互联网上抓取文本——就像LLM制造商通过从Stack Overflow和整个网络拉取数据来构建模型那样——对前沿实验室来说几乎没有任何成本。生成物理训练数据则不然，这正是物理AI与LLM比较的局限性所在。这类数据必须被"制造"，而不仅仅是收集，这改变了构建这些模型的经济性。 Velmurugan表示，进展正在取得——凭借Encord对整个行业项目的洞察力，他能够看到初创公司和前沿实验室都在摸索什么有效、什么无效来提升物理AI模型。这种同时坐落在多家机器人公司之间的有利位置，也是Encord的卖点之一。它能在任何单个客户之前，发现哪些数据技术正在行业中整体获得关注。 这将使Encord设施里十几名"飞行员"保持忙碌。Infante和Ceja都是新兴劳动力的一部分，正在为神经网络构建基础模块；他们之前都在另一家AI数据标注公司Scale工作，之后加入Encord。 Ceja曾在一家废物管理公司工作，在那里他对技术的兴趣使他负责维护一台垃圾分拣机器人。现在，随着叠叠乐塔倒塌，他说他喜欢为机器人解决训练任务的挑战——"每天都有新东西！" *通过我们文章中的链接购买商品，我们可能会获得少量佣金（https://techcrunch.com/techcrunch-affiliate-monetization-standards/）。这不会影响我们的编辑独立性。*