Bagaimana Encord Menggunakan Sensor Gelombang Otak, EMG, dan Teleoperasi untuk Membangun Data Pelatihan bagi AI Fisik

Sensor EMG (Sinyal Otot)

Encord secara bersamaan menguji sensor yang dipasang di lengan bawah yang mendeteksi sinyal listrik di otot. Video standar tangan sering kali menghalangi posisi jari yang detail, sehingga perusahaan berharap dapat merekonstruksi pose tangan 3D dari sinyal EMG ini, memberikan model pemahaman yang lebih kaya tentang manipulasi yang cekatan .

Data Teleoperasi

Di fasilitas R&D San Leandro-nya, Encord mengoperasikan lengan robot pemimpin-pengikut. Seorang operator manusia secara langsung mengendalikan satu lengan sementara lengan kedua meniru gerakan tersebut, menghasilkan data berkualitas tinggi untuk tugas-tugas seperti menuangkan kopi, menumpuk chip poker, mencolokkan dan mencabut kabel ethernet, dan memanipulasi benda rumah tangga . Menurut Encord, setiap perusahaan robotika humanoid telah meminta kumpulan data spesifik tugas ini .

Video Egosentris (Orang Pertama)

Pilot mengenakan kamera yang dipasang di kepala yang merekam apa yang mereka lihat, dilengkapi dengan data yang diambil dari beberapa pabrik di seluruh dunia. Ini menyediakan sumber data observasi dunia nyata yang berskala .

Koleksi Lapangan dan Berbasis Lab

Encord mengerahkan operator lapangan khusus dan mengoperasikan lingkungan lab yang dapat dikonfigurasi ulang untuk mengumpulkan data spesifik perwujudan, termasuk LiDAR, point cloud, dan aliran sensor multimodal yang disinkronkan . Protokol pengumpulan dirancang mundur dari jalur pelatihan pelanggan, sehingga setiap episode diklasifikasikan, disinkronkan, dan diselaraskan dengan model target . Perusahaan juga menangkap mode kegagalan melalui lingkaran umpan balik penerapan: ketika model gagal di lapangan, kegagalan ditangkap melalui teleoperasi jarak jauh dan dimasukkan kembali ke dalam kebijakan pengumpulan data .

Tantangan Teknis Utama

Membuktikan Nilai Data Neural

Pendekatan Zander Labs menyimpulkan kondisi mental dari aktivitas otak pada tingkat kasar — misalnya, mengukur seberapa banyak upaya kognitif yang digunakan pilot — daripada menerjemahkan pikiran spesifik . Uji coba harus memvalidasi apakah sinyal ini benar-benar meningkatkan kinerja model robotika dibandingkan dengan data video dan teleoperasi standar saja. Jika peningkatannya kecil, biaya penambahan EEG ke setiap sesi pengumpulan data mungkin tidak sebanding.

Sinkronisasi dan Anotasi Multimodal

AI Fisik membutuhkan sensor seperti video, depth, LiDAR, audio, IMU, dan sekarang EEG/EMG untuk disejajarkan waktunya secara tepat dan diberi anotasi bersama. Encord telah membangun dukungan untuk format asli (MCAP, ROSBAG) dan fusi sensor, tetapi mengelola kompleksitas sinkronisasi aliran 2D, 3D, dan biosignal tetap menjadi masalah rekayasa yang sulit .

Keragaman Data dan Penangkapan Mode Kegagalan

Model perlu terpapar pada lingkungan, pencahayaan, operator, dan kasus kegagalan yang bervariasi. Encord menggabungkan lingkaran umpan balik penerapan, tetapi data kegagalan secara luas dianggap kurang dihargai namun penting untuk AI fisik yang kokoh . Tanpa cukup kasus tepi, model yang dilatih dengan data terkaya sekalipun akan memiliki generalisasi yang buruk.

Tantangan Ekonomi Utama

Biaya Ekstrim Pembuatan Data Fisik

Berbeda dengan LLM yang dilatih dengan teks yang diambil dari internet, AI fisik membutuhkan data dunia nyata eksklusif yang dihasilkan oleh perangkat keras yang mahal, operator manusia, dan lingkungan yang terkontrol. Model Encord mewakili pergeseran yang disengaja menuju manufaktur data yang lebih mahal dan terspesialisasi — ini berskala lebih murah daripada pengambilan data web .

Kebutuhan Modal Tinggi

Encord telah mengumpulkan total $110 juta, termasuk Seri C senilai $60 juta pada Februari 2026 yang dipimpin oleh Wellington Management . Perusahaan harus mengeluarkan banyak uang untuk fasilitas (lab R&D Bay Area-nya), perangkat keras robotika, personel terlatih ("pilot"), dan infrastruktur anotasi data — semuanya sebelum sebagian besar pelanggan menerapkan robot produksi dalam skala besar.

Kesenjangan Simulasi

Simulasi dapat menghasilkan kumpulan data sintetis besar dengan murah, tetapi secara sistematis gagal menangkap fisika dunia nyata, kasus tepi, dan manipulasi terperinci. Encord dan yang lainnya bertaruh bahwa hanya data demonstrasi manusia nyata — dengan biaya dan kekacauannya — yang akan menjembatani kesenjangan sim-ke-nyata yang diperlukan untuk robotika tujuan umum .

Risiko Waktu Pasar

Encord mengantisipasi bahwa lebih dari 400 juta robot cerdas akan online dalam empat tahun ke depan, mendorong industri AI fisik melewati $30 miliar per tahun . Jika adopsi lebih lambat dari yang diharapkan, permintaan untuk data pelatihan khusus yang mahal mungkin tidak terwujud cukup cepat untuk menopang pengeluaran infrastruktur saat ini.

Intinya

Encord mempelopori penangkapan sinyal bio eksperimental (gelombang otak dan sensor otot) bersama dengan teleoperasi, video egosentris, dan pengumpulan data fisik berbasis lab untuk mengatasi kekurangan data pelatihan dunia nyata di industri. Pendekatan ini masih belum terbukti dalam skala besar: uji coba gelombang otak masih dalam evaluasi aktif, dan trade-off ekonomi intinya adalah bahwa data fisik jauh lebih mahal untuk diproduksi daripada data teks skala web. Keberhasilan tergantung pada apakah modalitas data yang lebih kaya ini secara berarti meningkatkan kinerja model robotika dan apakah pasar AI fisik tumbuh cukup cepat untuk membenarkan investasi awal.