Encord 尝试用脑电波数据训练物理 AI 机器人
Encord 联合神经科学公司，用脑电波与肌电信号为机器人训练补充新维度物理数据，押注破解物理 AI 数据瓶颈。
旧金山湾区一家仓库里，一座木质积木塔正在被小心翼翼地拆解。操作者头戴的不仅有记录视野的摄像头，还有测量脑电波的传感器。这不是神经科学实验，而是 Encord 押注「物理 AI 下一站」的方式：用人类大脑活动信号为机器人训练提供新维度数据。
物理 AI 的核心瓶颈：数据匮乏
与 LLM 可以用整个互联网文本作为训练语料不同，教机器人理解物理操作所需的真实世界数据极为稀缺。Encord 机器人学习负责人 Vineeth Velmurugan 拥有 OpenAI 机器人实验室与仓储自动化公司 Berkshire Grey 的从业背景，他估计要让物理操作模型取得突破，所需数据集规模大约相当于 YouTube 视频语料的五倍。自驾公司可以自行采集，但难以规模化；纯视频训练又缺乏真实世界的保真度。供需缺口本身由此演变成一门生意。
脑电波：一种新的数据模态
Encord 正在与德国神经科学初创公司 Zander Labs 合作。飞行员 Andrew Ceja 佩戴的 EEG 头戴设备可测量大脑在执行任务时的活动状态，进而推断「错误」「意图」「惊讶」等心智信号。Zander 神经科学家 Lucas Gehrke 表示，任务过程中脑活动强度变化，能为模型提供何时调用高算力分支的线索。
目前该合作仍处于试验阶段。Encord 的目标是构建首批带脑电标注的数据集，输入客户机器人模型进行评估，再决定是否扩大规模。Velmurugan 将其称为「解决机器人数据瓶颈的最前沿尝试」。
egocentric 视频与肌电信号
除脑电波外，Encord 的日常工作主要围绕两种数据源：
- 佩戴摄像头采集的「第一人称」视频，常配合多机位与其他传感器；
- 远程操控的「主从」机器人手臂（leader-follower rigs），由人类操作员控制主动臂，从动臂同步模仿。
公司还在试验前臂 EMG 肌电传感器，用于在视频中手部被遮挡时重建手部三维姿态。Velmurugan 提到，Encord 的客户包括多家知名机器人公司，但他未被授权透露名单。
标注密度决定数据价值
Encord 的数据集附有物理动作的文字描述，例如「右手拧紧螺栓」，以帮助基于 LLM 的模型理解任务。Velmurugan 估算，这种高密度标注数据在训练特定任务时价值约为「低质第一视角数据」的一百倍，而生产成本约为其二十倍——账面上是划算的。
但「二十倍」也是真金白银。这正是物理 AI 与 LLM 的关键区别：文本可以近乎零成本从网上抓取，而物理训练数据必须「制造」而非「采集」，这从根本上改变了模型构建的经济学。