داخل مختبر Encord: كيف تستخدم الشركة موجات الدماغ والإشارات العضلية لحل أزمة بيانات الروبوتات؟

يواجه الذكاء الاصطناعي الفيزيائي (Physical AI) — أي الأنظمة التي تمكن الروبوتات من الإمساك والمشي والقيادة والتلاعب — عنق زجاجة لا يمكن لأي بنية نموذجية مبهرجة حله: نقص حاد في بيانات التدريب من العالم الحقيقي. على عكس نماذج اللغة الكبيرة (LLMs) التي يمكن تدريبها على تريليونات الكلمات المستخرجة من الإنترنت، تحتاج الروبوتات إلى بيانات فيزيائية عالية الدقة ومكلفة الإنتاج ويصعب شرحها وندرتها.

هنا يأتي دور Encord، الشركة التي بدأت كمنصة أدوات بيانات لفرق الذكاء الاصطناعي، وتحولت الآن لتصبح مُصنِّع بيانات. في مستودع بمدينة سان ليندرو، كاليفورنيا، تجمع الشركة بين التقاط الإشارات الحيوية التجريبية (موجات الدماغ والإشارات العضلية) مع التحكم عن بُعد واسع النطاق والفيديو من منظور الشخص الأول والجمع المخبري لإنتاج مجموعات بيانات متعددة الوسائط لا تستطيع شركات الروبوتات إنشاؤها بسهولة بنفسها.

كيف تجمع Encord بيانات التدريب؟

أجهزة استشعار موجات الدماغ (EEG)

يرتدي مشغلو Encord، الذين يطلق عليهم "الطيارون"، خوذات من شركة Zander Labs الألمانية الناشئة في مجال علم الأعصاب، تقيس نشاط الدماغ أثناء أدائهم للمهام الفيزيائية . عندما يقوم أحد الطيارين بتفكيك برج Jenga بعناية، تلتقط الخوذة إشارات تشير إلى حالات عقلية مثل النية والنية والخطأ والمفاجأة. الهدف هو إنشاء مجموعة بيانات موسومة بموجات الدماغ يمكن أن تساعد النماذج الروبوتية في فهم متى تحتاج إلى بذل جهد استدلالي أكبر أو اكتشاف أنماط الفشل .
يصف فينيث فيلموروجان، رئيس تعلم الروبوتات في Encord، هذا بأنه "الحدود الأكثر تطوراً" لحل اختناق بيانات الروبوتات . ومع ذلك، لا تزال التجربة قيد التقييم: تخطط Encord لبناء مجموعة بيانات أولية، وتشغيلها من خلال النماذج الروبوتية للعملاء، وتقييم ما إذا كان الأداء قد تحسن، وعندها فقط تقرر ما إذا كانت ستوسع نطاق المشروع .

أجهزة استشعار الإشارات العضلية (EMG)

تختبر Encord أيضاً أجهزة استشعار تُربط على الساعد تكتشف الإشارات الكهربائية في العضلات. غالباً ما يحجب الفيديو العادي لليدين مواضع الأصابع الدقيقة، لذلك تأمل الشركة في إعادة بناء وضعية اليد ثلاثية الأبعاد من هذه الإشارات، مما يمنح النماذج فهماً أكثر ثراءً للتلاعب الماهر .

بيانات التحكم عن بُعد (Teleoperation)

في منشأتها للبحث والتطوير في سان ليندرو، تدير Encord أذرعاً روبوتية من نوع "القائد-التابع". يتحكم مشغل بشري مباشرة في ذراع واحدة بينما تحاكي ذراع ثانية الحركة، مما ينتج بيانات عالية الدقة لمهام مثل صب القهوة وتكديس رقائق البوكر وتوصيل وفصل كابلات الإيثرنت والتلاعب بالأشياء المنزلية . وفقاً لـ Encord، طلبت كل شركة روبوتات بشرية مجموعات البيانات الخاصة بهذه المهام .

الفيديو من منظور الشخص الأول (Egocentric)

يرتدي الطيارون كاميرات على الرأس تلتقط ما يرونه، معززة ببيانات مستمدة من عدة مصانع حول العالم. يوفر هذا مصدراً قابلاً للتطوير لبيانات المراقبة من العالم الحقيقي .

الجمع الميداني والمخبري

تنشر Encord مشغلين ميدانيين مخصصين وتدير بيئات معملية قابلة لإعادة التكوين لجمع بيانات خاصة بالأجسام (embodiment-specific)، بما في ذلك LiDAR وسحابة النقاط وتدفقات أجهزة الاستشعار متعددة الوسائط المتزامنة . صُممت بروتوكولات الجمع بشكل عكسي من خط أنابيب تدريب العميل، بحيث يتم تصنيف كل حلقة ومزامنتها ومواءمتها مع النموذج المستهدف . تلتقط الشركة أيضاً أنماط الفشل من خلال حلقة التغذية الراجعة للنشر: عندما يفشل نموذج في الميدان، يتم التقاط الفشل عبر التحكم عن بُعد وإعادة تغذيته في سياسات جمع البيانات .

التحديات التقنية الرئيسية

إثبات قيمة البيانات العصبية

يستنتج نهج Zander Labs الحالات العقلية من نشاط الدماغ على مستوى تقريبي — على سبيل المثال، قياس مقدار الجهد المعرفي الذي يستخدمه الطيار — بدلاً من فك تشفير أفكار محددة . يجب أن تتحقق التجربة مما إذا كانت هذه الإشارة تعمل بالفعل على تحسين أداء النموذج الروبوتي مقارنة ببيانات الفيديو والتحكم عن بُعد القياسية وحدها. إذا كان التحسن طفيفاً، فقد لا تكون تكلفة إضافة EEG إلى كل جلسة جمع بيانات مبررة.

المزامنة والتعليق متعدد الوسائط

يتطلب الذكاء الاصطناعي الفيزيائي محاذاة زمنية دقيقة وتعليقاً مشتركاً لأجهزة الاستشعار مثل الفيديو والعمق و LiDAR والصوت ووحدة القياس بالقصور الذاتي (IMU) والآن EEG / EMG. بنت Encord دعماً للتنسيقات الأصلية (MCAP، ROSBAG) ودمج أجهزة الاستشعار، لكن إدارة تعقيد مزامنة تدفقات ثنائية وثلاثية الأبعاد والإشارات الحيوية لا تزال مشكلة هندسية صعبة .

تنوع البيانات والتقاط أنماط الفشل

تحتاج النماذج إلى التعرض لبيئات وإضاءة ومشغلين وحالات فشل متنوعة. تتضمن Encord حلقة تغذية راجعة للنشر، لكن يُنظر إلى بيانات الفشل على نطاق واسع على أنها غير مقدرة بأهميتها رغم كونها ضرورية لذكاء اصطناعي فيزيائي قوي . بدون حالات حافة كافية، ستعمم النماذج المدربة على أغنى البيانات بشكل سيئ.

التحديات الاقتصادية الرئيسية

التكلفة الباهظة لإنشاء البيانات الفيزيائية

على عكس نماذج اللغة الكبيرة التي تتدرب على النصوص المستخرجة من الإنترنت، يتطلب الذكاء الاصطناعي الفيزيائي بيانات خاصة من العالم الحقيقي يتم توليدها بواسطة أجهزة باهظة الثمن ومشغلين بشريين وبيئات خاضعة للرقابة. يمثل نموذج Encord تحولاً متعمداً نحو تصنيع بيانات أكثر تكلفة وتخصصاً — فهو لا يتوسع بشكل رخيص مثل استخراج البيانات من الويب .

متطلبات رأس المال العالية

جمعت Encord إجمالي 110 ملايين دولار، بما في ذلك جولة تمويل من الفئة C بقيمة 60 مليون دولار في فبراير 2026 بقيادة Wellington Management . يجب على الشركة إنفاق الكثير على المرافق (مختبرها للبحث والتطوير في منطقة الخليج)، والأجهزة الروبوتية، والموظفين المدربين ("الطيارين")، والبنية التحتية لتعليق البيانات — كل ذلك قبل أن ينشر معظم العملاء روبوتات إنتاج على نطاق واسع.

فجوة المحاكاة

يمكن للمحاكاة توليد مجموعات بيانات اصطناعية كبيرة بتكلفة زهيدة، لكنها تفشل بشكل منهجي في التقاط الفيزياء الواقعية والحالات الحادة والتلاعب الدقيق. تراهن Encord وغيرها على أن بيانات العرض البشري الحقيقي فقط — بتكلفتها وفوضويةها — هي التي ستسد الفجوة بين المحاكاة والواقع اللازمة للروبوتات العامة .

مخاطر توقيت السوق

تتوقع Encord أن أكثر من 400 مليون روبوت ذكي سيدخل الخدمة في السنوات الأربع القادمة، مما يدفع صناعة الذكاء الاصطناعي الفيزيائي لتتجاوز 30 مليار دولار سنوياً . إذا كان التبني أبطأ من المتوقع، فقد لا يتحقق الطلب على بيانات التدريب المخصصة باهظة الثمن بالسرعة الكافية لاستدامة الإنفاق الحالي على البنية التحتية.

الخلاصة

تقوم Encord بريادة التقاط الإشارات الحيوية التجريبية (موجات الدماغ وأجهزة استشعار العضلات) إلى جانب التحكم عن بُعد والفيديو من منظور الشخص الأول والجمع المادي المخبري لمعالجة النقص في بيانات التدريب من العالم الحقيقي في الصناعة. لا يزال النهج غير مثبت على نطاق واسع: تجربة موجات الدماغ قيد التقييم النشط، والمقايضة الاقتصادية الأساسية هي أن البيانات الفيزيائية أغلى بكثير في إنتاجها من البيانات النصية على نطاق الويب. يعتمد النجاح على ما إذا كانت وسائط البيانات الأكثر ثراءً هذه تعمل على تحسين أداء النموذج الروبوتي بشكل جوهري وما إذا كان سوق الذكاء الاصطناعي الفيزيائي ينمو بالسرعة الكافية لتبرير الاستثمار المسبق.