ロボット学習の「データ飢饉」を救う：脳波・筋電・遠隔操作……データそのものを“製造”するスタートアップEncordの賭け

物理AI（Physical AI）——ロボットが物をつかみ、歩き、運転し、操作するためのシステム——は、どんなに華々しいモデルアーキテクチャでも解決できない重大なボトルネックに直面している。それは、実世界のトレーニングデータの深刻な不足だ。大規模言語モデル（LLM）がインターネットから収集した数兆語のテキストで訓練できるのに対し、ロボットには現実世界からの高忠実度な物理データが必要不可欠。だが、そのデータは生成コストが高く、アノテーション（注釈付与）も難しく、圧倒的に不足している。

元々はAIチーム向けのデータツールを提供していた生成 AI スタートアップ Encord（エンコード）は、この問題を解決するために、自らデータの 「製造業者」 になる道を選んだ。カリフォルニア州サン・レアンドロの倉庫で、脳波や筋電といった実験的な生体信号の取得と、大規模な遠隔操作、一人称視点カメラ映像、実験室での収集を組み合わせ、ロボティクス企業が自前では簡単に作れないマルチモーダルデータセットを生み出している。その全貌と課題を見ていこう。

どうやってトレーニングデータを集めているのか

脳波（EEG）センサー

Encordの「パイロット」と呼ばれるオペレーターは、ドイツのニューロサイエンススタートアップ Zander Labs が開発したヘッドセットを装着し、物理的なタスクを遂行する際の脳活動を計測する。パイロットが慎重にジェンガの塔からブロックを抜き取る間、ヘッドセットは「意図」「エラー検出」「驚き」といった精神的状態を示す信号を捉える。目標は、ロボットモデルが「いつ高負荷な推論を働かせるべきか」や「故障モード」を理解するための、脳波タグ付きデータセットを作り上げることだ。

Encordのロボット学習責任者である Vineeth Velmurugan は、これを「ロボティクスのデータボトルネックを解くための最先端」と表現する。ただし、このトライアルはまだ評価段階にある。Encordはまず初期データセットを構築し、それを顧客のロボットモデルに投入して性能が向上するかを検証。その結果によってスケールするかどうかを判断する方針だ。

筋電（EMG）センサー

同時に、前腕に装着して筋肉の電気信号を検出するセンサーもテスト中。手のビデオ映像だけでは指先の細かい位置が隠れてしまうことが多いため、EMG信号から3Dの手のポーズを再構築し、器用なマニピュレーション（物体操作）の理解を深めたい考えだ。

遠隔操作データ

サン・レアンドロの研究開発施設では、リーダー・フォロワー方式のロボットアームを運用。人間のオペレーターが一方のアームを直接操作し、もう一方のアームがその動きを模倣することで、コーヒーを注ぐ、ポーカーチップを積む、LANケーブルを抜き差しする、家庭用品を操作するといったタスクの高忠実度データを生成している。Encordによれば、すべてのヒューマノイドロボティクス企業が、こうしたタスク固有のデータセットを要求しているという。

一人称視点（エゴセントリック）ビデオ

パイロットはヘッドマウントカメラを装着し、自分の視界をそのまま記録。さらに世界中の複数の工場から収集したデータも補完的に活用し、実世界観測データのスケーラブルなソースとしている。

フィールド＆ラボ収集

Encordは専任のフィールドオペレーターを配置し、再構成可能なラボ環境を運用。LiDAR、ポイントクラウド、同期されたマルチモーダルセンサーストリームなど、特定のロボット形態に特化したデータを収集する。収集プロトコルは顧客のトレーニングパイプラインから逆算して設計されており、すべてのエピソードが分類、同期、そして対象モデルに合わせて調整される。また、デプロイメントフィードバックループを通じて、モデルが現場で失敗した場合は、その失敗を遠隔操作で捉え直し、データ収集ポリシーにフィードバックしている。

主要な技術的課題

神経データの価値の証明

Zander Labsの手法は、脳活動から精神状態を粗いレベルで推測する——例えば、パイロットがどれだけの認知努力を使っているかを測る——ものであり、特定の思考を解読するものではない。そのため、この信号が標準的なビデオや遠隔操作データと比べて、実際にロボットモデルの性能を向上させるかどうかを実証する必要がある。もし改善効果がわずかであれば、すべてのデータ収集セッションにEEGを追加するコストに見合わない可能性がある。

マルチモーダル同期とアノテーション

物理AIには、ビデオ、深度、LiDAR、音声、IMU（慣性計測ユニット）、そして今回のEEG/EMGといったセンサーを、正確に時間同期し、統合的にアノテーションすることが求められる。EncordはMCAPやROSBAGといったネイティブフォーマットへの対応とセンサー融合を進めているが、2D、3D、生体信号ストリームを同期させる複雑さは、依然として難しいエンジニアリング問題である。

データの多様性と失敗モードの捕捉

モデルは、多様な環境、照明条件、オペレーター、そして様々な失敗ケースに触れる必要がある。Encordはデプロイメントフィードバックループを組み込んでいるが、障害データはロバストな物理AIにとって不可欠でありながら、まだ過小評価されているのが現状だ。十分なエッジケースがなければ、どんなに豊富なデータで訓練されたモデルも、汎化性能は低いままとなる。

主要な経済的課題

物理データ生成の極端なコスト

LLMがインターネットから収集したテキストで訓練できるのに対し、物理AIは高価なハードウェア、人間のオペレーター、管理された環境によって生成される、独自の実世界データを必要とする。Encordのモデルは、意図的に「より高価で、より専門的なデータの製造」へとシフトしたものであり、ウェブスクレイピングのような安価なスケーリングは不可能だ。

高い資本要件

Encordは、2026年2月にWellington ManagementがリードしたシリーズCで6000万ドルを含む、累計1億1000万ドルを調達している。同社は、施設（ベイエリアの研究開発ラボ）、ロボットハードウェア、訓練された人員（「パイロット」）、データアノテーションインフラに多額の投資を行う必要がある。これらは、ほとんどの顧客がまだ本番ロボットを大規模に展開していない段階で必要な支出だ。

シミュレーションとのギャップ

シミュレーションは大規模な合成データセットを安価に生成できるが、現実世界の物理現象、エッジケース、細かいマニピュレーションを体系的に捉えきれない。Encordを含む多くの企業は、コストと複雑さを伴っても、実際の人間によるデモンストレーションデータだけが、汎用ロボティクスに必要なシミュレーションから現実へのギャップ（Sim-to-Real） を埋められると賭けている。

市場タイミングのリスク

Encordは、向こう4年間で4億台以上のインテリジェントロボットが市場に投入され、物理AI産業は年間300億ドルを超えると予測している。だが、普及のペースが想定より遅ければ、高価なカスタムトレーニングデータへの需要が、現在のインフラ投資を持続できるほど早く顕在化しない可能性がある。

結論

Encordは、脳波や筋電といった実験的な生体信号の取得と、遠隔操作、一人称視点ビデオ、ラボベースの物理データ収集を組み合わせることで、業界全体が直面する実世界トレーニングデータ不足の解決に挑んでいる。しかし、このアプローチはまだ大規模に実証されてはいない。脳波トライアルは現在評価段階であり、中核となる経済的トレードオフは「物理データはウェブスケールのテキストデータよりもはるかに高コストである」という点に集約される。成功の鍵は、これらのよりリッチなデータモダリティがロボットモデルの性能を有意に向上させるかどうか、そして物理AI市場が先行投資を正当化するほど十分な速さで成長するかどうかにかかっている。