脑电波教机器人：物理AI的下一个重大飞跃

在加利福尼亚州圣莱安德罗的一个仓库里，一家名为Encord的数据工具公司正在进行一项不寻常的实验。戴着配备摄像头和EEG传感器的头戴设备的“飞行员”正在玩叠叠乐——没错，就是那个堆叠积木的游戏——同时记录他们的大脑活动。EEG头戴设备由德国神经科学初创公司Zander Labs制造，在操作员执行精确任务时实时测量脑电波信号。其理念是推断错误、意图和惊讶等心理状态，为机器人模型创建更丰富的训练数据集。

Encord认为，类人机器人和仓库机器人的真正瓶颈不是模型架构，而是严重缺乏真实世界的物理训练数据。正如Encord机器人学习负责人Vineeth Velmurugan所说：“这些数据根本不存在。”而所需的数据量？大约是YouTube整个视频库的五倍。

物理AI的经济困境

在仓库内，飞行员使用“主从”机器人手臂设备——一个由人类控制，另一个模仿其动作——来生成训练数据，用于倒咖啡和堆叠扑克筹码等任务。架子上摆满了假花、书籍、塑料蔬菜和猫砂盆，这些都是训练家用机器人手的道具。在另一个工作站，飞行员Sofia Infante控制一个机器人手臂插拔服务器网络电缆——这是数据中心运营商迫切想要的自动化任务，但机器人夹爪仍然无法可靠地完成。

超越脑电波：新的数据模态

除了EEG信号，Encord还在开发其他数据收集方法。附着在前臂上的传感器阵列检测肌肉电信号，帮助构建3D手部轨迹。这弥补了视频画面中手指被遮挡时缺失的信息。每个数据集都带有密集的物理动作注释——例如“右手拧紧螺栓”。Velmurugan估计，这种高质量注释对于特定任务训练的价值是普通数据的100倍，而生产成本仅高出20倍。理论上，这是一笔划算的交易。

关键点

• 数据稀缺：机器人的真实世界物理训练数据极其有限，需求量估计为YouTube视频库的五倍。
• 脑电波训练：EEG头戴设备在任务期间捕捉操作员的心理状态，为机器人学习提供更丰富的背景信息。
• 多模态方法：结合EEG、肌肉传感器和密集注释，创建高价值数据集。
• 经济可行性：高质量注释的生产成本高出20倍，但对于特定任务的价值高出100倍。