机器人训练数据的新前沿：脑电会成为物理 AI 的下一把钥匙吗？

导语

大模型可以从互联网文本中获得海量训练材料，但机器人要学会倒咖啡、插网线、拆积木塔，却不能只靠公开视频。TechCrunch 报道称，数据工具公司 Encord 正在加州圣莱安德罗的仓库里探索一种更“贴身”的数据采集方式：让人类训练员在完成真实操作任务时佩戴带摄像头和脑电传感器的头显，把他们看到的画面、动作过程以及大脑活动一起记录下来。

核心要点

• 物理 AI 的瓶颈正在转向数据。 Encord 认为，许多机器人公司缺的不是单纯的数据管理能力，而是可用于训练的真实世界操作数据本身。相比语言模型可抓取互联网文本，机器人训练数据往往需要专门设计场景、雇人执行任务并进行标注。

• 脑电数据仍处于试验阶段。 Encord 与德国神经科技公司 Zander Labs 合作，尝试利用脑电信号推断人的错误、意图、惊讶等状态。目标是先构建带脑电标签的数据集，再交给客户模型评估是否能提升性能，之后才决定是否扩大规模。

• 第一视角视频只是起点。 机器人公司正在使用工人佩戴摄像头采集的“自我中心”视频，也在通过遥操作机械臂收集示范数据。Encord 的仓库里还设置了倒咖啡、堆筹码、插拔服务器网线等任务，以覆盖仓储、家庭和数据中心等潜在应用场景。

• 更密集的标注意味着更高成本。 Encord 会给视频加入“右手拧紧螺栓”之类的物理动作描述，帮助基于大语言模型的机器人系统理解发生了什么。公司认为高质量、密集标注的数据对特定任务价值更高，但生产成本也显著高于普通第一视角视频。

意义与影响

这篇报道揭示了具身智能与生成式 AI 的关键差异：物理世界数据不能像网页文本那样低成本抓取，而要被“制造”出来。多机位视频、脑电、肌电、遥操作轨迹和人工标注共同构成了新的数据供应链，也催生出专门的数据生产业务。

不过，脑电是否真能成为机器人训练的突破口仍未被证明。它目前更像是一种前沿探索：如果能帮助模型识别人在任务中的犹豫、错误或高认知负荷时刻，就可能改善训练样本的质量；如果效果有限，行业仍会回到更可规模化的视频、遥操作和动作标注上。无论结果如何，物理 AI 的竞争正在从“谁有更大的模型”扩展到“谁能更系统地生产真实世界经验”。

来源：TechCrunch AI