Hjernesignaler, muskelsignaler og robotarme: Sådan vil Encord skaffe data til den næste generation af fysisk AI
Encord tester EEG hjelme fra den tyske startup Zander Labs, der måler hjerneaktivitet under fysiske opgaver som at skille et Jenga tårn ad. Virksomheden samler også EMG muskelsignaler, teleoperationsdata og egocentrisk video for at skabe mangfoldige datasæt til robotter.
Search & fact-check with cited sources for How is Encord using brain wave sensors and other data collection methods to address the shortageAI-generated illustration of brain wave sensor technology used in robotics training data collection.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: Search & fact-check with cited sources for How is Encord using brain wave sensors and other data collection methods to address the shortage. Article summary: Encord is pioneering experimental biosignal capture (brain waves and muscle sensors) alongside teleoperation, egocentric video, and lab-based physical data collection to address the industry's shortage of real-world trai. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fak
openai.com
Fysisk AI – de systemer, der får robotter til at gribe, gå, køre og manipulere – står over for en flaskehals, som ikke kan løses med en mere avanceret modelarkitektur: en alvorlig mangel på virkelige træningsdata. I modsætning til store sprogmodeller, der kan trænes på billioner af ord fra internettet, har robotter brug for højopløselige, fysiske data fra den virkelige verden. Den slags data er dyre at producere, svære at annotere og i kort supply.
Encord, en virksomhed der oprindeligt byggede data-værktøjer til AI-teams, forsøger nu at løse denne mangel ved selv at blive en datafabrikant. I et lager i San Leandro, Californien, kombinerer de eksperimentelle biosignaler – hjernebølger og muskelsignaler – med storskala teleoperation, egocentrisk video og laboratoriebaseret indsamling for at producere de multimodale datasæt, robotvirksomheder ikke selv kan skabe . Her er hvordan det fungerer, og hvor udfordringerne ligger.
Sådan indsamler Encord træningsdata
EEG-sensorer (hjernebølger)
Encords operatører, kaldet 'piloter', bærer hjelme udviklet af den tyske neurovidenskabsstartup Zander Labs, der måler hjerneaktivitet, mens de udfører fysiske opgaver . Når en pilot forsigtigt fjerner en klods fra et Jenga-tårn, fanger hjelmen signaler, der indikerer mentale tilstande som intention, fejldetektion og overraskelse. Målet er at skabe et datasæt mærket med hjernebølger, der kan hjælpe robotmodeller med at forstå, hvornår de skal bruge mere kognitiv indsats eller opdage fejlmønstre .
Studio Global AI
Search, cite, and publish your own answer
Use this topic as a starting point for a fresh source-backed answer, then compare citations before you share it.
What is the short answer to "Hjernesignaler, muskelsignaler og robotarme: Sådan vil Encord skaffe data til den næste generation af fysisk AI"?
Encord tester EEG hjelme fra den tyske startup Zander Labs, der måler hjerneaktivitet under fysiske opgaver som at skille et Jenga tårn ad.
What are the key points to validate first?
Encord tester EEG hjelme fra den tyske startup Zander Labs, der måler hjerneaktivitet under fysiske opgaver som at skille et Jenga tårn ad. Virksomheden samler også EMG muskelsignaler, teleoperationsdata og egocentrisk video for at skabe mangfoldige datasæt til robotter.
What should I do next in practice?
Encord har rejst 110 millioner dollars samlet (heraf 60 millioner i en serie C runde i februar 2026) til at opbygge sin datapipeline.
Encords chef for robotlæring, Vineeth Velmurugan, beskriver dette som 'bleeding edge' i kampen mod robotteknologiens dataflaskehals . Forsøget er dog stadig i aktiv evaluering: Encord planlægger at bygge et indledende datasæt, køre det gennem kunders robotmodeller, vurdere om ydeevnen forbedres, og først derefter beslutte, om de skal skalere .
EMG-sensorer (muskelsignaler)
Encord tester samtidig sensorer, der spændes fast på underarmen og registrerer elektriske signaler i musklerne. Standardvideo af hænder skjuler ofte fine fingerpositioner, så virksomheden håber at rekonstruere 3D-håndstillinger ud fra EMG-signalerne og dermed give modellerne en rigere forståelse af fingernem manipulation .
Teleoperationsdata
På Encords R&D-facilitet i San Leandro betjener de leder-følger robotarme. En menneskelig operatør styrer direkte den ene arm, mens en anden arm efterligner bevægelserne. Dette producerer højopløselige data til opgaver som at hælde kaffe op, stable pokerchips, tilslutte og frakoble netværkskabler samt håndtere genstande i hjemmet . Ifølge Encord har alle humanoide robotvirksomheder efterspurgt disse opgavespecifikke datasæt .
Egocentrisk (førstepersons) video
Piloter bærer hovedmonterede kameraer, der fanger, hvad de ser, suppleret med data fra flere fabrikker rundt om i verden. Dette giver en skalerbar kilde til virkelige observationsdata .
Indsamling i felten og i laboratoriet
Encord anvender dedikerede feltoperatører og driver omkonfigurerbare laboratoriemiljøer til at indsamle data, der er specifikke for den enkelte robotplatform, herunder LiDAR, punktskyer og synkroniserede multimodale sensorstrømme . Indsamlingsprotokollerne er designet baglæns fra kundens træningspipeline, så hver episode er klassificeret, synkroniseret og tilpasset målsmodellen . Virksomheden indfanger også fejlmønstre via en feedback-loop: når en model fejler i felten, optages fejlen via fjernstyret teleoperation og føres tilbage til dataindsamlingspolitikkerne .
Centrale tekniske udfordringer
At bevise værdien af neurale data
Zander Labs' tilgang rækker ud på et groft niveau – den måler f.eks. hvor meget kognitiv anstrengelse en pilot bruger – snarere end at afkode specifikke tanker . Forsøget skal validere, om dette signal rent faktisk forbedrer robotmodellernes ydeevne sammenlignet med standard video- og teleoperationsdata. Hvis forbedringen er marginal, kan omkostningerne ved at tilføje EEG til hver dataindsamlingssession være uforsvarlige.
Multimodal synkronisering og annotation
Fysisk AI kræver, at sensorer som video, dybde, LiDAR, lyd, IMU og nu EEG/EMG tidsmæssigt synkroniseres og annoteres sammen. Encord har bygget understøttelse af native formater (MCAP, ROSBAG) og sensorfusion, men at håndtere kompleksiteten i at synkronisere 2D-, 3D- og biosignalstrømme er fortsat en svær ingeniørmæssig udfordring .
Datadiversitet og indfangning af fejltilfælde
Modeller har brug for eksponering mod varierede miljøer, belysning, operatører og fejlsituationer. Encord indarbejder en feedback-loop for implementering, men fejldata anses bredt for at være undervurderet, men essentielt for robust fysisk AI . Uden tilstrækkelige grænsetilfælde vil modeller trænet på selv de rigeste data generalisere dårligt.
Centrale økonomiske udfordringer
Ekstreme omkostninger ved fysiske data
I modsætning til sprogmodeller, der trænes på tekst skrabet fra internettet, kræver fysisk AI proprietære, virkelige data genereret af dyrt hardware, menneskelige operatører og kontrollerede miljøer. Encords model repræsenterer et bevidst skift mod en dyrere, mere specialiseret fremstilling af data – den skalerer ikke lige så billigt som webscraping .
Høje kapitalkrav
Encord har rejst 110 millioner dollars i alt, herunder en serie C-runde på 60 millioner dollars i februar 2026 ledet af Wellington Management . Virksomheden må bruge store summer på faciliteter (R&D-laboratoriet i Bay Area), robothardware, uddannet personale ('piloter') og dataannotationsinfrastruktur – alt sammen før de fleste kunder har sat produktionsrobotter i drift i stor skala.
Simulationskløften
Simulering kan generere store syntetiske datasæt billigt, men den formår systematisk ikke at indfange virkelighedens fysik, grænsetilfælde og fingernem manipulation. Encord og andre satser på, at kun virkelige menneskelige demonstrationsdata – med deres omkostninger og uorden – kan bygge bro over kløften mellem simulation og virkelighed, som er nødvendig for general-purpose robotteknologi .
Markedstiming-risiko
Encord forventer, at over 400 millioner intelligente robotter kommer online inden for de næste fire år, hvilket vil skubbe den fysiske AI-industri forbi 30 milliarder dollars årligt . Hvis indførelsen går langsommere end forventet, kan efterspørgslen efter dyr, specialfremstillet træningsdata måske ikke materialisere sig hurtigt nok til at bære de nuværende infrastrukturinvesteringer.
Konklusion
Encord er pioner inden for eksperimentel biosignalfangst (hjernebølger og muskelsensorer) sideløbende med teleoperation, egocentrisk video og laboratoriebaseret fysisk dataindsamling for at imødekomme industriens mangel på virkelige træningsdata. Fremgangsmåden er endnu ikke bevist i stor skala: hjernebølgeforsøget er under aktiv evaluering, og den centrale økonomiske afvejning er, at fysiske data er langt dyrere at producere end web-skala tekstdata. Succes afhænger af, om disse rigere datamodulationer forbedrer robotmodellernes ydeevne markant, og om markedet for fysisk AI vokser hurtigt nok til at retfærdiggøre den store forhåndsinvestering.
