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

A inteligência artificial física — os sistemas que permitem que robôs andem, dirijam e manipulem objetos — enfrenta um gargalo que nenhuma arquitetura de modelo futurista consegue resolver: uma escassez severa de dados de treinamento do mundo real. Diferente dos grandes modelos de linguagem (LLMs), que são treinados com trilhões de palavras raspadas da internet, os robôs precisam de dados físicos de alta fidelidade, gerados no mundo real. Esses dados são caríssimos para produzir, difíceis de rotular e extremamente escassos.

A Encord, que originalmente construía ferramentas de dados para equipes de IA, está agora tentando resolver essa crise se transformando em uma fabricante de dados. Em um galpão em San Leandro, na Califórnia, a empresa combina a captura experimental de biossinais — ondas cerebrais e sinais musculares — com teleoperação em larga escala, vídeo egocêntrico (em primeira pessoa) e coleta em laboratório para produzir o tipo de conjunto de dados multimodais que as empresas de robótica não conseguem criar sozinhas. Veja como funciona e onde estão os desafios.

Como a Encord Coleta Dados de Treinamento

Sensores de Ondas Cerebrais (EEG)

Operadores da Encord, chamados de "pilotos", usam capacetes desenvolvidos pela startup alemã de neurociência Zander Labs que medem a atividade cerebral enquanto realizam tarefas físicas . Enquanto um piloto desmonta cuidadosamente uma torre de Jenga, o capacete captura sinais que indicam estados mentais como intenção, detecção de erros e surpresa. O objetivo é criar um conjunto de dados etiquetados com ondas cerebrais que possa ajudar modelos robóticos a entender quando devem empregar um raciocínio mais intenso ou detectar modos de falha .

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.