脑波进入机器人训练数据竞赛
TechCrunch AI··作者 Tim Fernholz
关键信息
Encord 表示，它的计划是先构建一份脑波标注数据集，把它用于客户的机器人模型测试，再决定是否扩展。除了脑波数据外，该公司还使用第一视角摄像数据和远程遥操作数据，而旧金山湾区 San Leandro 的仓库则被用来实验新模态和特定任务的微调数据集。
资讯摘要
TechCrunch 将 Encord 在加利福尼亚州 San Leandro 的仓库描述为物理 AI 数据采集的前线试验场。在那里，一名名叫 Andrew Ceja 的公司“pilot”正在小心地从一个摇摇欲坠的积木塔中抽出木块，同时戴着一顶带摄像头的头显，而这顶头显还会测量他的脑波。Encord 原本主要帮助机器人公司做数据标注和模型评估，但现在它试图去“制造”机器人开发者所说尚不存在的训练数据。文中提到，这款脑波头显来自德国神经科学创业公司 Zander Labs，该公司希望从脑活动中推断错误、意图和惊讶等心理状态。Encord 表示，这次合作目前仍是试运行，它想先弄清楚脑波标注数据是否真的能提升客户模型表现，再决定是否扩大投入。
Zander Labs 的神经科学家 Lukas Gehrke 认为，任务过程中脑活动的强弱可以帮助模型开发者判断何时需要启用更高开销的模型。Encord 机器人学习负责人 Vineeth Velmurugan 认为，机器人数据短缺才是真正的“前沿难题”，因为所需规模的数据根本不存在。文章指出，像自动驾驶公司那样采集真实世界数据虽然有效，但很难规模化，而仅靠视频训练又缺乏真实世界数据的保真度。Encord 同时在使用工厂中采集的第一视角视频和远程操控机器人数据，并借助 San Leandro 场地测试新的数据模态和用于微调的特定任务数据集。TechCrunch 还写到，现场的操作员通过 leader-follower 机械臂系统来生成诸如倒咖啡和叠筹码等任务演示，仓库货架上则摆放着假花、书本、塑料蔬菜、猫砂盆和勺子等用于训练机器人抓取与操作的道具。
资讯正文
物理 AI 的前沿，是加利福尼亚州圣莱安德罗一家仓库里的一盘 Jenga 游戏。
这座仓库属于 Encord，这家公司开发用于训练 AI 模型的数据工具。Andrew Ceja 是一名 pilot——也就是公司对其机器人训练员的称呼——他戴着一副带摄像头的头戴设备，正小心翼翼地从摇摇欲坠的塔中抽出木块，摄像头会追踪他所看到的一切。仅仅如此，在收集机器人训练数据时已经相当常见了，但这副头戴设备还配有传感器，能在他仔细拆解木块塔时测量他的脑电波。
Encord 是少数几家但数量正在增长的初创公司之一，它们押注：人形机器人和仓储机器人面临的下一个真正约束，不会是模型架构，而是现实世界物理训练数据的极度稀缺。Encord 不只是帮助机器人公司管理它们已有的数据，而是在围绕“制造”它们所没有的数据建立一门生意。
Ceja 佩戴的脑电波头戴设备由德国神经科学初创公司 Zander Labs 制造。该公司押注，测量大脑活动——以推断错误、意图和惊讶等心理状态——可以生成更有用的数据集来训练模型。Encord 与 Zander 的合作目前还是试运行；Encord 表示，目标是先构建一个带有脑电波标注的初始数据集，将其输入客户的机器人模型，并评估它是否真的能提升性能，然后再决定是否扩大规模。
监督这项工作的 Zander 神经科学家 Lukas Gehrke 说，在某项任务进行的任何时刻所使用的大脑活动量，都能为模型构建者提供线索，帮助他们判断何时需要部署最高成本、最高精度的模型。
Encord 机器人学习主管 Vineeth Velmurugan 表示，这正是解决机器人数据瓶颈努力中的“最前沿”。Velmurugan 曾在 OpenAI 的机器人实验室和仓储自动化公司 Berkshire Grey 任职，他加入 Encord 后负责建立公司的内部数据创建团队。
Encord 成立的初衷，是帮助构建机器视觉应用的公司标注数据并评估模型。随着他们的客户——Velmurugan 说他们与许多领先的机器人公司合作，但他无权点名——开始将端到端学习应用于机器人操控任务，管理层意识到，他们必须自己生产训练数据，而不能仅仅管理已有数据。“数据根本不存在，”Velmurugan 说。
生成式 AI 能为机器人做出它为聊天机器人所做的事情，这一押注不断撞上同一堵墙。自动驾驶公司会自己收集现实世界数据，但这很难扩大规模。利用视频进行训练可以奏效，但它缺乏真实世界数据的保真度。Velmurugan 说，要突破这一瓶颈，所需的数据集规模大概要达到 YouTube 视频语料库的五倍左右——这一规模也解释了为什么数据生成本身已经成为一门生意，而不只是一个研究问题。
为你的自我中心数据需求提供支持
如今，打造机器人“大脑”的公司主要转向两大数据来源：“自我中心”视频——由佩戴摄像头的工人采集，通常还会辅以其他摄像角度和指标；以及由远程操控机器人产生的数据。Encord 两者都做：它从全球多家工厂收集自我中心数据，同时利用其位于 San Leandro 的设施来试验新的数据模态，比如脑电波，或围绕特定技能收集数据集以进行微调。
TechCrunch 走访时，试点人员正在使用 leader-follower 装置——成对的机械臂，一只由人类操作员直接控制，另一只则模仿其动作——来生成有关把咖啡从壶里倒进杯子里（很容易洒出来）以及堆叠扑克牌筹码等任务的数据。Velmurugan 说：“每一家类人形机器人公司都向我们要过这些数据。”
储物货架上放着插在花瓶里的假花、书本、塑料蔬菜、猫砂盆和铲子、成捆成袋的电线——这些都是训练机械臂完成家务任务的常见“行当货”。
在其中一个工位上，另一名试点人员 Sofia Infante 正操控机械臂，将以太网线缆插入和拔出服务器背面——这正是数据中心运营商希望能被自动化的工作，只是前提是机器人能够以所需的精度完成操作。亲自试了一把控制台后，我明白了为什么这件事仍然遥不可及：钳状夹爪远不如人类手指灵巧，而且缺乏我们习以为常的手臂自由度。
Encord 正在开发的另一种新数据模态，是用一套绑在前臂上的传感器来检测肌肉中的电信号。人手操作物体的视频通常无法完整拍到整只手，但 Velmurugan 希望基于手臂传感器，构建手部在任何时刻所处位置的三维描绘，从而让模型获得更稳健的理解。
Encord 的数据集会附带对每段视频内容的物理描述注释——例如“右手拧紧螺栓”——以帮助基于 LLM 的模型理解正在发生什么。Velmurugan 估计，这类高密度标注对于训练特定任务的价值是“杂乱的自我中心数据”的 100 倍，而生产成本只高 20 倍，从纸面上看，这笔账很划算。
但“高 20 倍”依然意味着真金白银，而这正是问题所在：从互联网上抓取文本，就像 LLM 制造商通过 Stack Overflow 以及整个网络来训练模型那样，前沿实验室几乎不花什么钱。生成物理训练数据则不然，这也是物理 AI 不能简单类比 LLM 的边界。这类数据必须被制造出来，而不只是被收集起来，这改变了构建这些模型的经济学。
Velmurugan 说，进展正在发生——凭借 Encord 对整个行业项目的可见性，他能够看到初创公司和前沿实验室都在摸索什么有效、什么无效，以改进物理 AI 模型。站在许多机器人公司之间、同时俯瞰多个项目的这个位置，也是 Encord 诉求的一部分。它能够比任何单一客户更早看出，哪些数据技术正在整个行业里获得 traction。
这将让 Encord 设施里的十来名飞行员忙个不停。Infante 和 Ceja 都是这支正在壮大的劳动力队伍中的一员，他们负责为神经网络开发基础构件；在加入 Encord 之前，他们曾在另一家 AI 数据标注公司 Scale 工作。
Ceja 以前在一家废物管理公司工作，在那里，他对技术的兴趣让他负责确保一台机器人垃圾分拣机能够正常运转。如今，随着这座积木塔轰然倒塌，他说自己很享受为机器人解决训练任务的挑战——“每天都有新鲜事！”
来源与参考
收录于 2026-07-28