Ondas Cerebrales y Brazos Robóticos: La Estrategia para Alimentar de Datos a la IA Física

La IA Física —los sistemas que permiten a los robots agarrar, caminar, conducir y manipular— se enfrenta a un cuello de botella que ningún modelo arquitectónico por sí solo puede resolver: una grave escasez de datos de entrenamiento del mundo real. A diferencia de los grandes modelos de lenguaje (LLMs), que se pueden entrenar con billones de palabras extraídas de internet, los robots necesitan datos físicos de alta fidelidad procedentes del mundo real. Esos datos son caros de producir, difíciles de etiquetar y escasos.

Encord, una empresa que originalmente construía herramientas de datos para equipos de IA, está ahora intentando resolver esta escasez convirtiéndose en una fabricante de datos. En un almacén en San Leandro, California, la compañía está combinando la captura experimental de bioseñales —ondas cerebrales y señales musculares— con teleoperación a gran escala, vídeo en primera persona y recolección en laboratorio para producir el tipo de conjuntos de datos multimodales que las empresas de robótica no pueden crear fácilmente por sí mismas . Así es como funciona y dónde residen los desafíos.

Cómo Recolecta Encord los Datos de Entrenamiento

Sensores de Ondas Cerebrales (EEG)

Los operadores de Encord, llamados "pilotos", usan cascos fabricados por la startup alemana de neurociencia Zander Labs que miden la actividad cerebral mientras realizan tareas físicas . Mientras un piloto desmonta con cuidado una torre de Jenga, el casco captura señales que indican estados mentales como la intención, la detección de errores y la sorpresa. El objetivo es crear un conjunto de datos etiquetados con ondas cerebrales que pueda ayudar a los modelos robóticos a entender cuándo deben desplegar un razonamiento de mayor esfuerzo o detectar modos de fallo .

Vineeth Velmurugan, jefe de aprendizaje robótico de Encord, describe esto como la "vanguardia" para resolver el cuello de botella de los datos en robótica . Sin embargo, la prueba se encuentra actualmente en evaluación activa: Encord planea construir un conjunto de datos inicial, ejecutarlo a través de los modelos robóticos de sus clientes, evaluar si el rendimiento mejora, y solo entonces decidir si escalarlo .

Sensores de Señales Musculares (EMG)

Encord está probando simultáneamente sensores colocados en el antebrazo que detectan señales eléctricas en los músculos. El vídeo estándar de las manos a menudo ocluye las posiciones finas de los dedos, por lo que la empresa espera reconstruir la pose de la mano en 3D a partir de estas señales EMG, proporcionando a los modelos una comprensión más rica de la manipulación diestra .

Datos de Teleoperación

En sus instalaciones de I+D en San Leandro, Encord opera brazos robóticos "líder-seguidor". Un operador humano controla directamente un brazo mientras un segundo brazo imita el movimiento, produciendo datos de alta fidelidad para tareas como servir café, apilar fichas de póker, conectar y desconectar cables ethernet y manipular objetos del hogar . Según Encord, todas las empresas de robótica humanoide han solicitado estos conjuntos de datos específicos para tareas .

Vídeo en Primera Persona (Egocéntrico)

Los pilotos usan cámaras montadas en la cabeza que capturan lo que ven, complementadas con datos obtenidos de varias fábricas alrededor del mundo. Esto proporciona una fuente escalable de datos de observación del mundo real .

Recolección en Campo y en Laboratorio

Encord desplaza operadores dedicados al campo y opera entornos de laboratorio reconfigurables para recopilar datos específicos de cada "encarnación" (embodiment), incluyendo flujos de sensores multimodales sincronizados como LiDAR, nubes de puntos y otros . Los protocolos de recolección se diseñan al revés, partiendo del pipeline de entrenamiento del cliente, de modo que cada episodio se clasifique, sincronice y alinee con el modelo objetivo . La empresa también captura modos de fallo a través de un bucle de retroalimentación de despliegue: cuando un modelo falla en el campo, el fallo se captura mediante teleoperación remota y se realimenta en las políticas de recolección de datos .

Principales Desafíos Técnicos

Demostrar el Valor de los Datos Neuronales

El enfoque de Zander Labs infiere estados mentales a partir de la actividad cerebral a un nivel general —midiendo, por ejemplo, cuánto esfuerzo cognitivo está utilizando un piloto— en lugar de descodificar pensamientos específicos . La prueba debe validar si esta señal realmente mejora el rendimiento del modelo robótico en comparación con el uso exclusivo de datos estándar de vídeo y teleoperación. Si la mejora es marginal, es posible que el coste de añadir EEG a cada sesión de recolección de datos no esté justificado.

Sincronización y Anotación Multimodal

La IA Física requiere que sensores como vídeo, profundidad, LiDAR, audio, IMU y ahora EEG/EMG estén alineados con precisión en el tiempo y anotados conjuntamente. Encord ha creado soporte para formatos nativos (MCAP, ROSBAG) y fusión de sensores, pero gestionar la complejidad de sincronizar flujos de datos 2D, 3D y de bioseñales sigue siendo un duro problema de ingeniería .

Diversidad de Datos y Captura de Modos de Fallo

Los modelos necesitan exposición a entornos, iluminación, operadores y casos de fallo variados. Encord incorpora un bucle de retroalimentación de despliegue, pero los datos de fallo se consideran ampliamente infravalorados, aunque esenciales para una IA Física robusta . Sin suficientes casos extremos, los modelos entrenados incluso con los datos más ricos generalizarán mal.

Principales Desafíos Económicos

Coste Extremo de la Creación de Datos Físicos

A diferencia de los LLMs, que se entrenan con texto extraído de internet, la IA Física requiere datos propietarios del mundo real generados por hardware caro, operadores humanos y entornos controlados. El modelo de Encord representa un giro deliberado hacia una fabricación de datos más cara y especializada; se escala de forma menos económica que el web scraping .

Altos Requisitos de Capital

Encord ha recaudado 110 millones de dólares en total, incluyendo una ronda Serie C de 60 millones de dólares en febrero de 2026 liderada por Wellington Management . La empresa debe gastar fuertemente en instalaciones (su laboratorio de I+D en el Área de la Bahía), hardware robótico, personal capacitado ("pilotos") e infraestructura de anotación de datos... todo ello antes de que la mayoría de los clientes hayan desplegado robots de producción a escala.

La Brecha de la Simulación

La simulación puede generar grandes conjuntos de datos sintéticos a bajo coste, pero sistemáticamente falla al capturar la física del mundo real, los casos extremos y la manipulación de grano fino. Encord y otros apuestan a que solo los datos de demostración humana real —con su coste y su "desorden"— tenderán el puente necesario entre la simulación y la realidad (sim-to-real) para una robótica de propósito general .

Riesgo de Momento de Mercado

Encord anticipa que más de 400 millones de robots inteligentes entrarán en funcionamiento en los próximos cuatro años, lo que impulsaría a la industria de la IA Física por encima de los 30 mil millones de dólares anuales . Si la adopción es más lenta de lo esperado, es posible que la demanda de costosos datos de entrenamiento personalizados no se materialice con la suficiente rapidez para sostener el gasto actual en infraestructura.

Conclusión

Encord está innovando con la captura experimental de bioseñales (ondas cerebrales y sensores musculares) junto con teleoperación, vídeo egocéntrico y recolección de datos físicos en laboratorio para abordar la escasez de datos de entrenamiento del mundo real en la industria. El enfoque aún no está probado a escala: la prueba de ondas cerebrales está en evaluación activa, y la disyuntiva económica fundamental es que los datos físicos son mucho más caros de producir que los datos textuales a escala web. El éxito depende de si estas modalidades de datos más ricas mejoran significativamente el rendimiento de los modelos robóticos y de si el mercado de la IA Física crece lo suficientemente rápido como para justificar la inversión inicial.