Gelombang Otak & Isyarat Otot: Teknik Baharu Encord Atasi Kekurangan Data Latihan Robot

Operator Encord, yang digelar 'pilot', memakai topeng EEG buatan Zander Labs, sebuah syarikat neurosains dari Jerman . Semasa pilot menanggalkan blok menara Jenga dengan berhati-hati, topeng ini menangkap isyarat yang menunjukkan keadaan mental seperti niat, pengesanan kesilapan, dan kejutan. Matlamatnya adalah untuk mencipta set data yang ditandakan dengan gelombang otak, yang boleh membantu model robot memahami bila perlu menggunakan daya pemikiran yang lebih tinggi atau mengesan mod kegagalan .

Vineeth Velmurugan, ketua pembelajaran robot Encord, menyifatkan pendekatan ini sebagai "teknologi paling hadapan" dalam menyelesaikan masalah kekurangan data robotik . Walau bagaimanapun, ujian ini masih dalam peringkat penilaian aktif: Encord akan membina set data awal, mengujinya pada model robot pelanggan, menilai sama ada prestasi bertambah baik, dan hanya selepas itu memutuskan sama ada untuk meningkatkan skala .

Sensor Isyarat Otot (EMG)

Pada masa yang sama, Encord menguji sensor yang dipasang pada lengan bawah untuk mengesan isyarat elektrik dalam otot. Video biasa tangan sering kali menyembunyikan kedudukan jari yang halus. Dengan itu, syarikat ini berharap dapat membina semula posisi tangan 3D daripada isyarat EMG ini, memberikan model pemahaman yang lebih mendalam tentang manipulasi yang memerlukan ketangkasan .

Data Operasi Jauh (Teleoperation)

Di kemudahan R&D San Leandro, Encord mengendalikan lengan robot 'ketua-pengikut' (leader-follower). Seorang operator manusia mengawal lengan pertama secara langsung, manakala lengan kedua meniru pergerakan tersebut. Ini menghasilkan data berkualiti tinggi untuk tugas seperti menuang kopi, menyusun cip poker, mencolok dan mencabut kabel ethernet, serta memanipulasi objek rumah . Menurut Encord, setiap syarikat robot humanoid telah meminta set data khusus untuk tugasan ini .

Video Egosentrik (Pertama)

Pilot memakai kamera di kepala yang merakam apa yang mereka lihat, ditambah dengan data yang diambil dari beberapa kilang di seluruh dunia. Ini menyediakan sumber data pemerhatian dunia sebenar yang berskala .

Pengumpulan di Lapangan dan Makmal

Encord menempatkan operator khusus di lapangan dan mengendalikan persekitaran makmal yang boleh diubah suai untuk mengumpul data khusus untuk bentuk robot tertentu, termasuk LiDAR, titik awan, dan aliran sensor multimodal yang disegerakkan . Protokol pengumpulan data direka secara songsang dari saluran paip latihan pelanggan, memastikan setiap episod diklasifikasikan, disegerakkan, dan diselaraskan dengan model sasaran . Syarikat ini juga menangkap mod kegagalan melalui gelung maklum balas: apabila model gagal di lapangan, kegagalan itu ditangkap melalui operasi jauh dan dimasukkan semula ke dalam dasar pengumpulan data .

Cabaran Teknikal Utama

Membuktikan Nilai Data Saraf

Pendekatan Zander Labs mentafsir keadaan mental daripada aktiviti otak pada tahap yang kasar — contohnya, mengukur jumlah usaha kognitif yang digunakan oleh pilot — dan bukan menterjemah pemikiran spesifik . Ujian ini mesti mengesahkan sama ada isyarat ini benar-benar meningkatkan prestasi model robot berbanding data video dan operasi jauh biasa. Jika peningkatan adalah marginal, kos menambah EEG pada setiap sesi pengumpulan data mungkin tidak berbaloi .

Penyelarasan dan Annotasi Multimodal

Physical AI memerlukan sensor seperti video, kedalaman, LiDAR, audio, IMU, dan kini EEG/EMG untuk diselaraskan dengan tepat dan diannotasi bersama. Encord telah membina sokongan untuk format asli (MCAP, ROSBAG) dan gabungan sensor, tetapi menguruskan kerumitan penyelarasan aliran 2D, 3D, dan isyarat bio masih merupakan masalah kejuruteraan yang sukar .

Kepelbagaian Data dan Penangkapan Mod Kegagalan

Model perlu didedahkan kepada pelbagai persekitaran, pencahayaan, operator, dan kes kegagalan. Encord menggabungkan gelung maklum balas penggunaan, tetapi data kegagalan dianggap kurang dihargai namun amat penting untuk Physical AI yang mantap . Tanpa cukup kes tepi, model yang dilatih dengan data terkaya sekalipun akan gagal membuat generalisasi dengan baik .

Cabaran Ekonomi Utama

Kos Ekstrem Penciptaan Data Fizikal

Tidak seperti LLM yang boleh dilatih menggunakan teks yang dikutip dari internet, Physical AI memerlukan data proprietari dari dunia sebenar yang dihasilkan oleh perkakasan mahal, operator manusia, dan persekitaran terkawal. Model Encord mewakili peralihan yang disengajakan ke arah pembuatan data yang lebih mahal dan khusus — skala ekonominya tidak semurah pengikisan web .

Keperluan Modal Tinggi

Encord telah mengumpul AS$110 juta secara keseluruhan, termasuk Siri C bernilai AS$60 juta pada Februari 2026 yang diketuai oleh Wellington Management . Syarikat ini perlu berbelanja besar untuk kemudahan (makmal R&D di Bay Area), perkakasan robotik, kakitangan terlatih ('pilot'), dan infrastruktur annotasi data — semuanya sebelum kebanyakan pelanggan menggunakan robot pengeluaran secara berskala .

Jurang Simulasi

Simulasi boleh menghasilkan set data sintetik yang besar dengan kos rendah, tetapi ia secara sistematik gagal menangkap fizik dunia sebenar, kes tepi, dan manipulasi yang halus. Encord dan syarikat lain bertaruh bahawa hanya data demonstrasi manusia sebenar — dengan kos dan kekusutannya — akan merapatkan jurang simulasi-ke-realiti (sim-to-real) yang diperlukan untuk robotik tujuan umum .

Risiko Masa Pasaran

Encord menjangkakan bahawa lebih 400 juta robot pintar akan beroperasi dalam tempoh empat tahun akan datang, memacu industri Physical AI melepasi AS$30 bilion setahun . Jika penggunaannya lebih perlahan daripada jangkaan, permintaan untuk data latihan tersuai yang mahal mungkin tidak merealisasikan pendapatan yang mencukupi untuk menampung perbelanjaan infrastruktur semasa .

Kesimpulan

Encord merintis penangkapan isyarat bio eksperimental (gelombang otak dan sensor otot) bersama operasi jauh, video egosentrik, dan pengumpulan data fizikal makmal untuk menangani kekurangan data latihan dunia sebenar dalam industri. Pendekatan ini masih belum terbukti pada skala besar: ujian gelombang otak sedang dalam penilaian aktif, dan pertukaran ekonomi terasnya ialah data fizikal jauh lebih mahal untuk dihasilkan berbanding data teks berskala internet. Kejayaan bergantung pada sama ada modaliti data yang lebih kaya ini dapat meningkatkan prestasi model robot dengan bermakna, dan sama ada pasaran Physical AI berkembang cukup pantas untuk mewajarkan pelaburan awal yang besar .