脑波助力实体AI训练 数据瓶颈或迎突破

背景

随着大模型在语言领域的突破，实体AI（机器人、仓储自动化）的进展受限于真实世界训练数据的稀缺。Encord 作为数据工具公司，已在全球多家工厂部署“自我视角”(egocentric) 视频采集，但仍难以匹配 LLM 通过网络文本几乎免费获取的规模。为此，Encord 与德国神经科学初创 Zander Labs 开启了脑波标注的试点，尝试用操作者的脑电信号捕捉任务执行过程中的错误、意图和惊讶等隐含信息。

脑波数据的实验设计

• 硬件：Zander Labs 研发的头盔内置高精度 EEG 传感器，同时配备前置摄像头记录操作者视角。
• 实验场景：在加州 San Leandro 的仓库内，Encord 的“飞行员”(pilot) Andrew Ceja 佩戴头盔，拆除 Jenga 结构的木块，期间记录脑波。
• 标注流程：实验结束后，团队将视频、脑波以及手部动作传感器数据对齐，生成三模态标注集，供客户的机器人学习模型使用。

"脑波的瞬时强度能为模型提供何时需要高阶推理的线索，" Zander 神经科学家 Lucas Gehrke 在接受采访时指出。

多模态标注与成本分析

Encord 估算，密集标注的价值约为普通“自我视角”视频的 100 倍，而成本仅为后者的 20 倍。虽然相对 LLM 通过网络抓取数据几乎为零成本的模式仍显昂贵，但在实体 AI 场景中，真实的抓取‑标注‑训练闭环本身就是高成本环节。

• 视频+脑波：提供任务执行的视觉信息 + 操作者的认知状态。
• 前臂肌电传感：捕捉手部姿态，补足视觉盲区，实现 3D 手部重建。
• 密集文字标注：如“右手拧紧螺丝”，帮助 LLM‑based 解释器理解动作意图。

行业影响与前景

Encord 负责人与前 OpenAI 机器人实验室成员 Vineeth Velmurugan 表示，若脑波标注能够在真实机器人任务上提升 5%‑10% 的成功率，规模化生产将具备商业意义。当前，行业普遍认为需要约 5 倍于 YouTube 视频规模的物理数据才能突破瓶颈，而脑波等高价值信号有望在同等数据量下实现更高信息密度。

• 竞争格局：除 Encord 外，其他初创也在探索肌电、力觉等生理信号，形成多模态数据竞争。
• 商业模型：Encord 计划先为少数大型机器人公司提供定制化脑波数据集，随后推出可租赁的“数据即服务”(DaaS) 平台。
• 长远展望：一旦脑波标注验证有效，可能推动从“视频‑标签”向“认知‑行为”全链路训练范式转变，加速实体 AI 从实验室走向大规模商用。

小结

从实验室的 Jenga 试验到未来可能的全仓库脑波标注，Encord 与 Zander Labs 的合作展示了实体 AI 数据创新的方向：不再仅依赖摄像头捕捉外部世界，而是通过测量人类的内部认知状态，为机器人模型注入更丰富的学习信号。该路径能否在成本与性能之间找到平衡，将决定下一代物理 AI 能否突破当前的训练数据天花板。