איך Encord משתמשת בחיישני גלי מוח, EMG ותפעול מרחוק כדי לבנות נתוני אימון לבינה מלאכותית פיזית

בינה מלאכותית פיזית — המערכות שמאפשרות לרובוטים לתפוס, ללכת, לנהוג ולתפעל — נתקלת בצוואר בקבוק שאף ארכיטקטורת מודל נוצצת לא יכולה לפתור: מחסור חמור בנתוני אימון מהעולם האמיתי. בניגוד למודלי שפה גדולים (LLMs), שניתן לאמן על טריליוני מילים שגורפות מהאינטרנט, רובוטים זקוקים לנתונים פיזיים באיכות גבוהה מהעולם האמיתי. נתונים אלה יקרים להפקה, קשים לסימון ונדירים.

Encord, חברה שבמקור בנתה כלי נתונים לצוותי בינה מלאכותית, מנסה כעת לפתור את המחסור הזה על ידי הפיכתה ליצרנית נתונים. במחסן בסן ליאנדרו, קליפורניה, החברה משלבת לכידת אותות ביולוגיים ניסיוניים — גלי מוח ואותות שרירים — עם תפעול מרחוק בקנה מידה גדול, וידאו בגוף ראשון ואיסוף במעבדה, כדי לייצר סוגים של מערכי נתונים רב-ערוציים שחברות רובוטיקה לא יכולות ליצור בעצמן בקלות. הנה איך זה עובד, ומהם האתגרים.

איך Encord אוספת נתוני אימון

חיישני גלי מוח (EEG)

מפעילי Encord, המכונים "טייסים", חובשים קסדות שפותחו על ידי סטארט-אפ הנוירו-מדע הגרמני Zander Labs, המודדות פעילות מוחית בזמן שהם מבצעים משימות פיזיות . כאשר טייס מפרק בזהירות מגדל ג'נגה, הקסדה קולטת אותות המצביעים על מצבים מנטליים כמו כוונה, זיהוי שגיאה והפתעה. המטרה היא ליצור מערך נתונים המתויג בגלי מוח, שיכול לעזור למודלים רובוטיים להבין מתי להפעיל חשיבה מאומצת יותר או לזהות מצבי כשל .

ויניט וולמורוגן, ראש תחום למידת רובוטיקה ב-Encord, מתאר זאת כ"קצה המדמם" של פתרון צוואר הבקבוק של נתוני הרובוטיקה . עם זאת, הניסוי נמצא כעת בהערכה פעילה: Encord מתכננת לבנות מערך נתונים ראשוני, להריץ אותו דרך מודלים רובוטיים של לקוחות, לבדוק אם הביצועים משתפרים, ורק אז להחליט אם להגדיל את הפרויקט .

חיישני EMG (אותות שרירים)

במקביל, Encord בוחנת חיישנים הנקרסים על האמה המזהים אותות חשמליים בשרירים. וידאו סטנדרטי של ידיים לרוב מסתיר מיקומי אצבעות עדינים, ולכן החברה מקווה לשחזר תנוחת יד תלת-ממדית מאותות EMG אלה, ובכך לתת למודלים הבנה עשירה יותר של מניפולציה עדינה .

נתוני תפעול מרחוק

במתקן המחקר והפיתוח שלה בסן ליאנדרו, Encord מפעילה זרועות רובוטיות מסוג "מנהיג-חסיד". מפעיל אנושי שולט ישירות בזרוע אחת בעוד זרוע שנייה מחקה את התנועה, ומייצרת נתונים באיכות גבוהה עבור משימות כמו מזיגת קפה, ערימת צ'יפים של פוקר, חיבור וניתוק כבלי אתרנט ומניפולציה של חפצים ביתיים . לדברי Encord, כל חברת רובוטיקה אנושית ביקשה מערכי נתונים ספציפיים אלה .

וידאו בגוף ראשון

הטייסים עוטים מצלמות ראש הלוכדות את מה שהם רואים, בתוספת נתונים שנאספו ממספר מפעלים ברחבי העולם. זה מספק מקור בר-הרחבה של נתוני תצפית מהעולם האמיתי .

איסוף בשטח ובמעבדה

Encord פורסת מפעילים ייעודיים בשטח ומפעילה סביבות מעבדה גמישות לאיסוף נתונים ספציפיים לאימג' (embodiment), כולל LiDAR, ענני נקודות וזרמי חיישנים רב-ערוציים מסונכרנים . פרוטוקולי האיסוף מתוכננים לאחור מצינור האימון של הלקוח, כך שכל אפיזודה מסווגת, מסונכרנת ומיושרת למודל היעד . החברה גם לוכדת מצבי כשל באמצעות לולאת משוב פריסה: כאשר מודל נכשל בשטח, הכשל נתפס באמצעות תפעול מרחוק ומוזן חזרה למדיניות איסוף הנתונים .

אתגרים טכניים מרכזיים

הוכחת ערכו של נתונים עצביים

הגישה של Zander Labs מסיקה מצבים מנטליים מפעילות מוחית ברמה גסה — מדידת מידת המאמץ הקוגניטיבי שהטייס משתמש, למשל — במקום לפענח מחשבות ספציפיות . הניסוי חייב לאמת אם האות הזה אכן משפר את ביצועי המודל הרובוטי בהשוואה לנתוני וידאו ותפעול מרחוק סטנדרטיים בלבד. אם השיפור שולי, ייתכן שהעלות של הוספת EEG לכל סשן איסוף נתונים לא תהיה מוצדקת.

סינכרון וסימון רב-ערוציים

בינה מלאכותית פיזית דורשת שחיישנים כמו וידאו, עומק, LiDAR, שמע, IMU, וכעת EEG/EMG, יהיו מיושרים בזמן ומסומנים יחד במדויק. Encord בנתה תמיכה בפורמטים מקוריים (MCAP, ROSBAG) ובמיזוג חיישנים, אך ניהול המורכבות של סינכרון זרמים דו-ממדיים, תלת-ממדיים וביולוגיים נותר בעיה הנדסית קשה .

גיוון נתונים ולכידת מצבי כשל

מודלים זקוקים לחשיפה לסביבות מגוונות, תאורה משתנה, מפעילים שונים ומקרי כשל. Encord משלבת לולאת משוב פריסה, אך נתוני כשל נחשבים למוערכים בחסר וחיוניים לבינה מלאכותית פיזית חזקה . ללא מספיק מקרי קצה, מודלים המאומנים על הנתונים העשירים ביותר יתכללו בצורה גרועה.

אתגרים כלכליים מרכזיים

עלות קיצונית של יצירת נתונים פיזיים

בניגוד ל-LLMs, שמתאמנים על טקסט שנגרף מהאינטרנט, בינה מלאכותית פיזית דורשת נתונים קנייניים מהעולם האמיתי, המיוצרים על ידי חומרה יקרה, מפעילים אנושיים וסביבות מבוקרות. המודל של Encord מייצג שינוי מכוון לעבר ייצור יקר ומיוחד יותר של נתונים — הוא מתרחב בזול פחות מגריפת אינטרנט .

דרישות הון גבוהות

Encord גייסה 110 מיליון דולר בסך הכל, כולל סבב C של 60 מיליון דולר בפברואר 2026 בהובלת Wellington Management . החברה חייבת להוציא בכבדות על מתקנים (מעבדת המחקר והפיתוח שלה במפרץ סן פרנסיסקו), חומרה רובוטית, כוח אדם מיומן ("טייסים") ותשתית סימון נתונים — כל זאת לפני שרוב הלקוחות פרסו רובוטים בייצור בקנה מידה.

פער הסימולציה

סימולציה יכולה לייצר מערכי נתונים סינתטיים גדולים בזול, אך היא נכשלת באופן שיטתי בלכידת הפיזיקה האמיתית של העולם, מקרי קצה ומניפולציה עדינה. Encord ואחרות מהמרות שרק נתוני הדגמה אנושיים אמיתיים — עם העלות והבלגן שלהם — יגשרו על הפער בין סימולציה למציאות הדרוש לרובוטיקה לשימוש כללי .

סיכון תזמון השוק

Encord צופה כי למעלה מ-400 מיליון רובוטים חכמים יעלו לרשת בארבע השנים הקרובות, וידחפו את תעשיית הבינה המלאכותית הפיזית מעבר ל-30 מיליארד דולר בשנה . אם האימוץ יהיה איטי מהצפוי, ייתכן שהביקוש לנתוני אימון מותאמים אישית ויקרים לא יתממש מהר מספיק כדי לקיים את הוצאות התשתית הנוכחיות.

בשורה התחתונה

Encord היא חלוצה בלכידת אותות ביולוגיים ניסיוניים (גלי מוח וחיישני שרירים) לצד תפעול מרחוק, וידאו בגוף ראשון ואיסוף נתונים פיזיים במעבדה, כדי להתמודד עם המחסור בתעשייה בנתוני אימון מהעולם האמיתי. הגישה עדיין לא הוכחה בקנה מידה: ניסוי גלי המוח נמצא בהערכה פעילה, והחלפה הכלכלית המרכזית היא שנתונים פיזיים יקרים בהרבה לייצור מנתוני טקסט בקנה מידה אינטרנטי. ההצלחה תלויה בשאלה אם שיטות נתונים עשירות אלו ישפרו באופן משמעותי את ביצועי המודל הרובוטי, והאם שוק הבינה המלאכותית הפיזית יצמח מספיק מהר כדי להצדיק את ההשקעה מראש.