Hjernebølger skal trene robotene: Encords dristige grep for å skape data til fysisk AI

EMG-sensorer (muskelsignaler)

Encord tester samtidig sensorer som spennes fast på underarmen og oppdager elektriske signaler i musklene. Standard video av hender skjuler ofte fine fingerbevegelser, så selskapet håper å rekonstruere 3D-håndposisjoner fra disse EMG-signalene, noe som gir modellene en rikere forståelse av fingernem manipulering .

Teleoperasjonsdata

Ved sitt forsknings- og utviklingsanlegg i San Leandro bruker Encord leder-følger robotarmer. En menneskelig operatør styrer direkte den ene armen mens en annen arm etterligner bevegelsen, og produserer høyoppløselige data for oppgaver som å helle kaffe, stable pokersjetonger, plugge inn og ut ethernet-kabler, og håndtere gjenstander i hjemmet . Ifølge Encord har samtlige menneskelignende robotikkselskaper etterspurt disse oppgavespesifikke datasettene .

Førstepersonsvideo (egosentrisk)

Pilotene bruker hodekameraer som fanger opp det de ser, supplert med data fra flere fabrikker rundt om i verden. Dette gir en skalerbar kilde til virkelige observasjonsdata .

Felt- og laboratoriebasert innsamling

Encord setter inn dedikerte feltoperatører og driver omstillbare laboratoriemiljøer for å samle inn kroppsspesifikke data, inkludert LiDAR, punktdata og synkroniserte multimodale sensorstrømmer . Innsamlingsprotokollene er utformet bakover fra kundens treningspipeline, slik at hver eneste episode er klassifisert, synkronisert og tilpasset målmodellen . Selskapet fanger også opp feilmoduser via en tilbakemeldingssløyfe fra utrulling: når en modell svikter i felt, fanges feilen opp via ekstern teleoperasjon og mates tilbake i datainnsamlingspolitikken .

Viktige tekniske utfordringer

Å bevise verdien av nevrale data

Zander Labs' tilnærming utleder mentale tilstander fra hjerneaktivitet på et grovt nivå — for eksempel å måle hvor mye kognitiv innsats en pilot bruker — snarere enn å dekode spesifikke tanker . Testen må validere om dette signalet faktisk forbedrer robotmodellers ytelse sammenlignet med standard video- og teleoperasjonsdata alene. Hvis forbedringen er marginal, kan kostnaden ved å legge til EEG i hver datainnsamlingsøkt være vanskelig å forsvare.

Multimodal synkronisering og annotering

Fysisk AI krever at sensorer som video, dybde, LiDAR, lyd, IMU og nå EEG/EMG er nøyaktig tidsjustert og annotert sammen. Encord har bygget støtte for native formater (MCAP, ROSBAG) og sensorfusjon, men å håndtere kompleksiteten ved å synkronisere 2D-, 3D- og biosignalstrømmer forblir et vanskelig ingeniørproblem .

Datadiversitet og fangst av feilmoduser

Modeller trenger eksponering for varierte miljøer, lysforhold, operatører og feiltilfeller. Encord har integrert en tilbakemeldingssløyfe fra utrulling, men feildata blir allment ansett som undervurdert, men essensielt for robust fysisk AI . Uten nok kantsaker vil modeller trent på selv den rikeste data generalisere dårlig.

Viktige økonomiske utfordringer

Ekstrem kostnad ved fysisk dataproduksjon

I motsetning til LLM-er, som trenes på tekst skrapt fra internett, krever fysisk AI proprietære, virkelige data generert av dyre maskiner, menneskelige operatører og kontrollerte miljøer. Encords modell representerer et bevisst skifte mot dyrere, spesialisert produksjon av data — den skalerer mindre billig enn nettskraping .

Høye kapitalkrav

Encord har hentet inn 110 millioner dollar totalt, inkludert en serie C-runde på 60 millioner dollar i februar 2026 ledet av Wellington Management . Selskapet må bruke store summer på fasiliteter (forsknings- og utviklingslaboratoriet i Bay Area), robotmaskinvare, trent personell («piloter») og dataannotasjonsinfrastruktur — alt før de fleste kunder har satt produksjonsroboter i drift i stor skala.

Simuleringsgapet

Simulering kan generere store syntetiske datasett billig, men det klarer systematisk ikke å fange opp virkelig fysikk, kantsaker og fingernem manipulering. Encord og andre satser på at bare ekte menneskelige demonstrasjonsdata — med sine kostnader og rot — vil bygge bro over simulerings-til-virkelighet-gapet som trengs for generell robotikk .

Markedstimingsrisiko

Encord forventer at over 400 millioner intelligente roboter vil komme på nett i løpet av de neste fire årene, noe som vil presse den fysiske AI-industrien forbi 30 milliarder dollar årlig . Hvis adopsjonen går saktere enn forventet, kan etterspørselen etter dyr, tilpasset treningsdata være for lav til å opprettholde dagens infrastrukturinvesteringer.

Bunnlinjen

Encord er banebrytende innen eksperimentell biosignalfangst (hjernebølger og muskelsensorer) sammen med teleoperasjon, førstepersonsvideo og laboratoriebasert fysisk datainnsamling for å bøte på industriens mangel på virkelige treningsdata. Tilnærmingen er fortsatt ubekreftet i stor skala: hjernebølgetesten er under aktiv evaluering, og den sentrale økonomiske avveiningen er at fysisk data er langt dyrere å produsere enn web-skala tekstdata. Suksess avhenger av om disse rikere datamodalitetene gir en meningsfull forbedring av robotmodellers ytelse, og om det fysiske AI-markedet vokser raskt nok til å forsvare den opprinnelige investeringen.