脑波数据或成物理AI训练新突破口,多家初创公司押注

在加州圣莱安德罗的一个仓库里, 一场看似普通的叠叠乐游戏正成为物理 AI 前沿的缩影 。一位戴着特殊头显的操作员小心翼翼地抽出木块, 头显不仅记录他的视线, 还捕捉他的脑波——这些信号可能成为下一代机器人训练的关键数据。

📌 数据稀缺成为机器人训练最大瓶颈

与依赖互联网文本的大语言模型不同, 物理 AI 需要真实世界的操作数据来训练机器人完成抓取、堆叠等精细动作 。然而, 这类数据极度匮乏, 且获取成本高昂。Encord 公司机器人学习负责人 Vineeth Velmurugan 指出, 要突破当前瓶颈, 所需的数据集规模可能是 YouTube 视频语料库的五倍——这解释了为何数据生成本身已演变为一门生意。

从已披露信息看, 这一变化更值得关注的, 不只是表面动作本身, 还包括其对后续行业节奏、用户预期和市场竞争的连锁影响。

Encord 最初为计算机视觉应用提供数据标注与模型评估工具, 但随着客户转向端到端机器人学习 , 公司发现必须亲自生产训练数据。Velmurugan 表示:“数据根本不存在。”目前,Encord 在全球多个工厂采集第一人称视角视频, 并在圣莱安德罗设施中试验新模态, 如脑波数据。

🔍 脑波如何帮助机器人学习?

德国神经科学初创公司 Zander Labs 为 Encord 提供了脑波测量头显 。其神经科学家 Lucas Gehrke 解释, 操作员在执行任务时, 脑活动的强度变化可向模型构建者揭示何时需要部署最高计算力的模型。例如, 当人类感到困惑或犯错时, 脑波信号会不同, 这些“错误信号”和“意图信号”能帮助 AI 更精准地理解任务关键点。

💡 数据采集的两种主流路径

• 第一人称视频采集 : 操作员佩戴摄像头, 从自身视角记录操作过程, 辅以多角度机位和其他传感器数据。
• 远程操控机器人 : 通过主从式机械臂, 人类直接操控一台机械臂, 另一台同步复制动作, 从而生成精细操作数据。

📊 行业观察: 脑波数据能否成为突破口?

将脑波引入机器人训练仍处于早期阶段, 但其潜力令人关注 。与传统视频数据相比, 脑波可直接反映人类的认知状态——注意、犹豫、错误——这些信息在纯视觉数据中难以提取。如果试验成功, 脑波标签数据或将帮助模型更高效地学习复杂操作, 减少对海量原始数据的依赖。

🚀 总结

物理 AI 的发展正从模型架构竞赛转向数据争夺战。 脑波数据作为一种全新的模态 , 可能为机器人训练提供前所未有的认知维度。尽管规模化应用尚需时日, 但这一方向已吸引多家初创公司布局。对于人形机器人和仓库自动化领域而言, 谁能率先突破数据瓶颈, 谁就可能占据下一阶段的技术制高点。