Inside Encords satsning på hjärnvågor och biosignaler för att lösa fysik-AI:s databrist

EMG-sensorer (muskelsignaler)

Encord testar samtidigt sensorer som fästs på underarmen och detekterar elektriska signaler i musklerna. Vanlig video av händer döljer ofta fingrarnas exakta positioner, så företaget hoppas kunna rekonstruera 3D-handposer från dessa EMG-signaler, vilket ger modellerna en rikare förståelse för fingerfärdig manipulation .

Teleoperationsdata

I Encords forsknings- och utvecklingsanläggning i San Leandro använder företaget ledar-följar-robotarmar. En mänsklig operatör styr direkt en arm medan en andra arm härmar rörelsen, vilket producerar högkvalitativ data för uppgifter som att hälla kaffe, stapla pokerchips, koppla in och ur ethernetkablar samt hantera hushållsföremål . Enligt Encord har vartenda företag inom humanoidrobotik efterfrågat dessa uppgiftsspecifika dataset .

Egocentrisk (förstapersons) video

Piloterna bär huvudkameror som fångar vad de ser, kompletterat med data från flera fabriker runt om i världen. Detta ger en skalbar källa till verklig observationsdata .

Fält- och laboratoriebaserad insamling

Encord använder dedikerade fältoperatörer och driver omkonfigurerbara labbmiljöer för att samla in embodimentspecifik data, inklusive LiDAR, punktmoln och synkroniserade multimodala sensorströmmar . Insamlingsprotokollen är utformade baklänges från kundens träningspipeline, så att varje episod är klassificerad, synkroniserad och anpassad till målmodellen . Företaget fångar också felmoder genom en återkopplingsslinga: när en modell misslyckas i fält fångas felet via fjärrteleoperation och matas tillbaka i datainsamlingspolicyerna .

Viktiga tekniska utmaningar

Att bevisa värdet av neural data

Zander Labs metod tolkar mentala tillstånd från hjärnaktivitet på en grov nivå – exempelvis genom att mäta hur mycket kognitiv ansträngning en pilot använder – snarare än att avkoda specifika tankar . Försöket måste validera om denna signal faktiskt förbättrar robotmodellers prestanda jämfört med enbart standardvideo och teleoperationsdata. Om förbättringen är marginell kanske kostnaden för att lägga till EEG i varje datainsamlingssession inte är motiverad.

Multimodal synkronisering och annotering

Fysisk AI kräver att sensorer som video, djup, LiDAR, ljud, IMU och nu EEG/EMG är exakt tidsjusterade och annoterade tillsammans. Encord har byggt stöd för inbyggda format (MCAP, ROSBAG) och sensorfusion, men att hantera komplexiteten i att synkronisera 2D-, 3D- och biosignalströmmar är fortfarande ett svårt ingenjörsproblem .

Datamångfald och fångst av felmoder

Modeller behöver exponering för varierade miljöer, belysning, operatörer och felfall. Encord har en återkopplingsslinga för driftsättning, men feldatadata anses allmänt vara underskattad men avgörande för robust fysisk AI . Utan tillräckligt många gränsfall kommer modeller tränade på även den rikaste datan att generalisera dåligt.

Viktiga ekonomiska utmaningar

Extrem kostnad för att skapa fysisk data

Till skillnad från stora språkmodeller, som tränas på text som skrapats från internet, kräver fysisk AI proprietär, verklig data som genereras av dyr hårdvara, mänskliga operatörer och kontrollerade miljöer. Encords modell innebär en medveten förskjutning mot dyrare, specialiserad datatillverkning – den skalar inte lika billigt som webbskrapning .

Höga kapitalkrav

Encord har samlat in 110 miljoner dollar totalt, inklusive en Series C på 60 miljoner dollar i februari 2026 ledd av Wellington Management . Företaget måste spendera kraftigt på anläggningar (sitt R&D-labb i Bay Area), robothårdvara, utbildad personal (”piloter”) och infrastruktur för dataannotering – allt innan de flesta kunder har produktionsrobotar i skala.

Simuleringsgapet

Simulering kan generera stora syntetiska dataset billigt, men den misslyckas systematiskt med att fånga verklig fysik, gränsfall och finmotorisk manipulation. Encord och andra satsar på att endast verklig mänsklig demonstrationsdata – med dess kostnad och röra – kan överbrygga sim-till-verkligt-gapet som krävs för allmän robotik .

Marknadstidsrisk

Encord förutspår att över 400 miljoner intelligenta robotar kommer att tas i drift under de fyra nästa åren, vilket driver den fysiska AI-industrin förbi 30 miljarder dollar årligen . Om anpassningen går långsammare än väntat kanske efterfrågan på dyr, skräddarsydd träningsdata inte materialiseras tillräckligt snabbt för att bära det nuvarande infrastrukturspendandet.

Slutsats

Encord banar väg för experimentell biosignalfångst (hjärnvågor och muskelsensorer) tillsammans med teleoperation, egocentrisk video och laboratoriebaserad fysisk datainsamling för att möta industrins brist på verklig träningsdata. Metoden är fortfarande obevisad i skala: hjärnvågsförsöket är under aktiv utvärdering, och den centrala ekonomiska avvägningen är att fysisk data är långt dyrare att producera än webbdata i textform. Framgången beror på om dessa rikare datamodaliteter på ett meningsfullt sätt förbättrar robotmodellers prestanda och om marknaden för fysisk AI växer tillräckligt snabbt för att motivera den initiala investeringen.