脑波数据成为物理AI训练新突破口

在加州圣莱安德罗的一个仓库里，一场别开生面的“积木塔”游戏正在上演。这不是普通的游戏，而是物理AI领域的前沿实验。操作员Andrew Ceja小心翼翼地从一个摇摇欲坠的积木塔中抽出木块，他佩戴的头戴设备不仅记录他所看到的画面，还通过内置传感器实时测量他的脑电波。

这个实验由数据工具公司Encord主导，其合作伙伴是德国神经科学初创公司Zander Labs。Encord的核心业务是为AI模型训练提供数据标注和管理工具，但这次他们尝试的是一种全新的数据采集方式：通过脑波数据来训练机器人模型。Zander Labs的脑波头戴设备可以捕捉操作员在执行任务时的心理状态，如意图、错误感知和惊讶等，这些信息被认为能生成比传统数据更有价值的训练数据集。

“这可能是解决机器人数据瓶颈的‘最前沿’尝试，”Encord的机器人学习负责人Vineeth Velmurugan表示。他曾任职于OpenAI的机器人实验室和仓储自动化公司Berkshire Grey，现在加入Encord负责构建内部数据创建团队。Velmurugan指出，当前物理AI领域的真正瓶颈不是模型架构，而是真实世界训练数据的极度匮乏。“数据根本不存在，”他强调。

生成式AI在聊天机器人领域的成功，让业界期望同样的方法也能应用于机器人。然而，大型语言模型可以基于互联网上浩如烟海的文本数据训练，而教导神经网络进行物理操作所需的原始数据却难以获取。自动驾驶公司通过自采数据解决，但这种方式难以规模化；从视频中训练虽然可行，但缺乏真实世界数据的保真度。Velmurugan估计，要突破物理AI的瓶颈，需要的数据集规模大约是YouTube视频库的五倍——这一量级解释了为何许多尝试最终失败。

Encord最初是为计算机视觉应用公司提供数据标注和模型评估工具。随着客户——Velmurugan称他们与多家领先机器人公司合作，但无权公开其名称——开始将端到端学习应用于机器人操作任务，Encord意识到必须自己生产训练数据，而不仅仅是管理数据。于是，他们转向了脑波数据这一新方向。

Zander Labs的神经科学家Lucas Gehrke负责监督这项工作。他表示，操作员在执行任务时脑活动的强度变化，为模型构建者提供了重要线索，帮助他们判断何时需要部署最高效的模型。例如，当操作员在抽木块时表现出高度专注或意外反应，这些脑波信号可以标记出任务中的关键节点，从而让机器人模型更精准地学习如何应对类似情境。

目前，Encord与Zander Labs的合作仍处于试验阶段。Encord的目标是构建一个初步的脑波标记数据集，将其应用于客户机器人模型，评估其是否能真正提升性能，之后再决定是否扩大规模。这一探索代表了物理AI领域为解决数据稀缺问题而进行的“最前沿”尝试。如果成功，脑波数据或将成为连接人类直觉与机器执行力的关键桥梁，为人形机器人和仓储机器人带来新的突破。

Velmurugan强调，物理AI的未来不在于模型架构的进一步优化，而在于如何获取足够真实、足够丰富的训练数据。脑波数据的引入，或许正是打开这扇门的钥匙。