物理 AI 面临的主要瓶颈，Encord 认为不是芯片，也不是算法，而是训练数据不够。为补这个缺口，这家位于加州的数据工具公司正在测试一套新方法：让机器人训练员戴上 EEG 脑波传感器，在执行任务时把每一次判断、犹豫和出错瞬间转成可用的数据标记。
这项实验发生在加州圣利安卓的一座仓库里。一名被称为“飞行员”的机器人训练员在操作时，需要小心从摇摇欲坠的积木塔中抽出木块。他头上戴着一台装有摄像头的头盔，这类第一人称数据采集设备并不新鲜，但这套设备还额外配有几枚脑波传感器，用来实时记录他的大脑活动。
Encord 过去的客户主要是需要进行图像标注和模型评估的机器视觉公司。现在，这家公司判断，问题不只是“有没有人来标注”，而是很多客户手里根本没有足够的训练数据可标。于是，Encord 开始从数据标注服务延伸到直接“制造”数据。
从标注数据到制造数据
Encord 机器人学习主管 Vineeth Velmurugan 说：“这些数据根本不存在。”他曾在 OpenAI 机器人实验室和仓储自动化公司 Berkshire Grey 任职，对实体世界训练数据的稀缺有直接经验。
Velmurugan 给出的数字很直接：如果要让生成式 AI 在机器人领域复制聊天机器人取得的效果，所需训练数据量大约相当于 YouTube 全部视频库的 5 倍。按他的说法，这也是为什么“生成数据”本身正逐渐变成一门生意，而不只是研究课题。
目前，机器人训练主要依赖两类数据来源：
- 让工人佩戴摄像设备，收集第一人称视角视频；
- 通过远程操作机器人，直接收集动作数据。
Encord 两条线都在做。公司一方面在全球多个工厂采集第一人称数据，另一方面在圣利安卓仓库中操作机器人采集动作数据。
但在 Encord 看来，这两类方法都有同一个盲点：它们只能记录“发生了什么”，却记录不到操作员当时的认知状态。比如，人在什么时候感到困惑，哪个步骤让他犹豫，哪次动作来自直觉而不是计算，这些信息都留不下来。
EEG 想补上的，是人的认知信号
为了解决这个问题，Encord 找到了德国神经科学初创 Zander Labs。后者开发的一套脑波传感头盔，可以通过 EEG 信号推断佩戴者的心理状态，其中包括“错误感知”“执行意图”和“惊讶反应”。
在积木塔实验中，当“飞行员” Andrew Ceja 抽出关键木块、整座塔开始摇晃时，他的大脑会出现一种可测量的“察觉到错误”信号。Zander Labs 神经科学家 Lucas Gehrke 表示，这类脑波活动的强度变化，能帮助模型开发者判断，系统应该在什么时刻调用最高计算量的模型。
按他的解释，AI 不必在整个过程都维持最高算力，而是可以学会只在真正关键的时刻全力计算。
Velmurugan 说：“我们正在摸索的是物理 AI 数据瓶颈最前沿的解法。”
项目仍在试验阶段
Encord 与 Zander Labs 的合作还没有进入大规模部署阶段。目前的目标，是先建立一批带有脑波标记的初始数据集，再把这些数据输入客户的机器人模型中，实际测试脑波数据能否提升模型表现，然后再决定是否扩大规模。
这意味着，这项合作目前仍是一个早期技术押注。输入信息同时提到，脑波传感器的成本、佩戴舒适度，以及信号在嘈杂仓储环境中的稳定性，都是还没有解决的工程问题。
尽管如此，Encord 仍在推进。Velmurugan 透露，公司计划在今年内再招募 10 名“飞行员”，扩大脑波标记数据的采集规模。
物理 AI 缺的，不只是看见世界的数据
如果这条路径最终可行，脑波数据可能会成为机器人训练链条中的新数据维度。它提供的不只是“看到了什么”，还包括人在执行任务时“在想什么”。
在生成式 AI 推动聊天机器人快速进步的同时，物理 AI 仍在为最基础的训练数据发愁。Encord 这项脑波实验还谈不上被验证，但它提出了一个现实问题：当真实世界的数据不够时，训练数据是否可以从人类神经信号中提取。
本文源自 TechCrunch 报道《Are brain waves the next unlock for physical AI?》，经 BlockTempo 编辑分析改写。