Sensores de Ondas Cerebrais, EMG e Teleoperação: A Aposta da Encord para Alimentar a Próxima Geração de Robôs

Vineeth Velmurugan, chefe de aprendizado de robôs da Encord, descreve isso como a "vanguarda" para resolver o gargalo de dados na robótica . No entanto, o teste está em fase ativa de avaliação: a Encord planeja construir um conjunto de dados inicial, submetê-lo aos modelos robóticos de clientes, avaliar se o desempenho melhora e só então decidir se irá escalar a operação .

Sensores EMG (Sinais Musculares)

Simultaneamente, a Encord está testando sensores presos ao antebraço que detectam sinais elétricos nos músculos. O vídeo padrão das mãos muitas vezes oculta a posição exata dos dedos. A empresa espera reconstruir a pose 3D da mão a partir desses sinais EMG, fornecendo aos modelos uma compreensão mais rica da manipulação de objetos .

Dados de Teleoperação

Em sua instalação de P&D em San Leandro, a Encord opera braços robóticos no formato "líder-seguidor". Um operador humano controla diretamente um braço, enquanto um segundo braço imita o movimento, produzindo dados de alta fidelidade para tarefas como servir café, empilhar fichas de pôquer, conectar e desconectar cabos Ethernet e manipular objetos domésticos . De acordo com a Encord, todas as empresas de robótica humanóide solicitaram esses conjuntos de dados específicos para tarefas .

Vídeo Egocêntrico (Primeira Pessoa)

Os pilotos usam câmeras acopladas à cabeça que capturam o que veem, complementadas por dados extraídos de várias fábricas ao redor do mundo. Isso fornece uma fonte escalável de dados de observação do mundo real .

Coleta em Campo e em Laboratório

A Encord implanta operadores de campo dedicados e opera ambientes de laboratório reconfiguráveis para coletar dados específicos de cada tipo de robô, incluindo fluxos de sensores multimodais sincronizados como LiDAR, nuvens de pontos e vídeo . Os protocolos de coleta são projetados de trás para frente, a partir do pipeline de treinamento do cliente, de modo que cada episódio seja classificado, sincronizado e alinhado ao modelo alvo . A empresa também captura modos de falha por meio de um ciclo de feedback de implantação: quando um modelo falha em campo, a falha é capturada via teleoperação remota e realimentada nas políticas de coleta de dados .

Principais Desafios Técnicos

Como Provar o Valor dos Dados Neurais?

A abordagem da Zander Labs infere estados mentais a partir da atividade cerebral em um nível macro — medindo, por exemplo, quanto esforço cognitivo um piloto está usando —, e não decodificando pensamentos específicos . O teste precisa validar se esse sinal realmente melhora o desempenho do modelo robótico em comparação com os dados padrão de vídeo e teleoperação. Se a melhoria for marginal, o custo de adicionar EEG a cada sessão de coleta de dados pode não se justificar.

Sincronização e Anotação Multimodal

A IA física exige que sensores como vídeo, profundidade, LiDAR, áudio e agora EEG/EMG estejam precisamente alinhados no tempo e anotados em conjunto. A Encord construiu suporte para formatos nativos (MCAP, ROSBAG) e fusão de sensores, mas gerenciar a complexidade de sincronizar fluxos 2D, 3D e de biossinais continua sendo um problema de engenharia difícil .

Diversidade de Dados e Captura de Falhas

Os modelos precisam ser expostos a ambientes variados, diferentes condições de iluminação, diversos operadores e casos de falha. A Encord incorpora um ciclo de feedback de implantação, mas os dados de falha são amplamente considerados subestimados e essenciais para uma IA física robusta . Sem exemplos de borda suficientes, os modelos treinados até com os dados mais ricos terão uma generalização deficiente.

Principais Desafios Econômicos

O Custo Extremo da Criação de Dados Físicos

Diferente dos LLMs, que treinam com texto raspado da internet, a IA física requer dados proprietários do mundo real, gerados por hardware caro, operadores humanos e ambientes controlados. O modelo da Encord representa uma mudança deliberada para uma fabricação de dados mais cara e especializada — que cresce de forma muito menos barata do que a raspagem de dados da web .

Altos Requisitos de Capital

A Encord já levantou US$ 110 milhões no total, incluindo uma Série C de US$ 60 milhões em fevereiro de 2026 liderada pela Wellington Management . A empresa precisa gastar pesadamente em instalações (seu laboratório de P&D na Bay Area), hardware robótico, pessoal treinado (os "pilotos") e infraestrutura de anotação de dados — tudo isso antes que a maioria dos clientes tenha robôs de produção implantados em escala.

A Lacuna da Simulação

A simulação pode gerar grandes conjuntos de dados sintéticos a baixo custo, mas ela falha sistematicamente em capturar a física do mundo real, os casos extremos e a manipulação fina dos objetos. A Encord e outras empresas estão apostando que apenas os dados de demonstração humana real — com seu custo e complexidade — serão capazes de preencher a lacuna entre o simulado e o real (sim-to-real) necessária para uma robótica de uso geral .

Risco de Timing de Mercado

A Encord prevê que mais de 400 milhões de robôs inteligentes entrarão em operação nos próximos quatro anos, impulsionando a indústria de IA física para mais de US$ 30 bilhões anuais . Se a adoção for mais lenta do que o esperado, a demanda por dados de treinamento personalizados e caros pode não se materializar rápido o suficiente para sustentar os gastos atuais com infraestrutura.

Resumo

A Encord está pioneirando a captura experimental de biossinais (ondas cerebrais e sensores musculares) junto com teleoperação, vídeo egocêntrico e coleta de dados físicos em laboratório para enfrentar a escassez da indústria por dados de treinamento do mundo real. A abordagem ainda não foi comprovada em escala: o teste de ondas cerebrais está em avaliação ativa, e a principal troca econômica é que os dados físicos são muito mais caros de produzir do que os dados de texto em escala web. O sucesso depende se essas modalidades de dados mais ricas melhorarão significativamente o desempenho dos modelos robóticos e se o mercado de IA física crescerá rápido o suficiente para justificar o investimento inicial.