7.2
深览指数
科技TechCrunch··AI 生成
脑电波会成为物理AI的下一个突破口吗
文章聚焦物理AI（机器人）训练数据稀缺这一核心瓶颈。作者探访了数据标注公司Encord，其正与神经科学初创Zander Labs合作，测试通过脑电波头戴设备记录操作员在完成任务时的脑部活动，作为机器人训练的一种新数据模态。文章核心观点是：物理AI的训练数据无法像文本数据那样从互联网低成本抓取，必须被“制造”，这改变了整个行业的构建经济学。本文适合关注机器人产业、AI基础设施和前沿数据技术落地的从业者或研究者，提供了对“数据稀缺”问题一个具体、可落地的技术视角。原文 ↗
核心观点
- ▍物理AI（机器人）发展的下一个关键瓶颈不是模型架构，而是真实世界物理训练数据的极度稀缺，这催生了“数据制造”这门新生意。
- ▍与文本数据不同，物理训练数据无法从互联网低成本抓取，必须被“制造”，这从根本上改变了构建物理AI模型的经济性。
- 01初创公司Encord正与Zander Labs合作，测试使用脑电波头戴设备记录操作员在拆解Jenga木塔时的脑部活动，以判断其“意图”、“错误”和“惊讶”等精神状态，作为训练数据的新模态。
- 02当前机器人训练数据主要来自两个来源：操作员佩戴摄像头采集的“第一人称视角”视频，以及远程操控机器人收集的数据。
- 03Encord还在开发一种绑在手臂上的传感器，通过检测肌肉电信号，构建模型对手部位置的3D理解，以弥补视频无法捕捉完整手部动作的缺陷。
- 04Encord的负责人Velmurugan估计，要突破物理AI瓶颈，需要的数据集规模大约相当于YouTube视频库的五倍。
- 05经过密集标注（如“右手拧紧螺栓”）的数据集，其训练特定任务的价值是“未经处理的原始数据”的100倍，但生产成本仅为其20倍。
反方 / 局限
- — 尽管“密集标注”数据的性价比在纸面上看似良好，但其“20倍”的成本仍是真实且高昂的，这构成了规模化应用的核心障碍。
- — 脑电波数据目前仅是试验阶段，其能否真正提升模型性能，还需等待将数据投入客户模型后的评估结果，规模化前景尚不确定。
- — 从操作员上肢肌肉电信号推断手部位置的方法，目前仍是一种“希望”和“探索”，其实际效果和可靠性有待验证。
15 分钟 · 4 卡片 · 7 资料
读原文 →