เปิดแผน Encord ใช้ ‘คลื่นสมอง’ และสัญญาณชีพ สร้างดาต้าให้หุ่นยนต์เรียนรู้ เมื่อข้อมูลจริงในโลกกายภาพ — ไม่ใช่แค่ข้อความ — คือทรัพยากรที่ขาดแคลนที่สุดของ AI

เซนเซอร์สัญญาณกล้ามเนื้อ (EMG)

พร้อมกันนี้ Encord กำลังทดสอบเซนเซอร์ที่รัดปลายแขนเพื่อตรวจจับสัญญาณไฟฟ้าในกล้ามเนื้อ เนื่องจากวิดีโอมาตรฐานของมือมักบดบังตำแหน่งนิ้วที่ละเอียดอ่อน บริษัทหวังว่าจะสร้างแบบจำลองท่าทางมือแบบ 3 มิติจากสัญญาณ EMG เหล่านี้ ทำให้โมเดลมีความเข้าใจการเคลื่อนไหวที่คล่องแคล่วมากขึ้น

ข้อมูลจากระบบควบคุมระยะไกล (Teleoperation)

ที่ศูนย์วิจัยและพัฒนาในซานเลอันโดร Encord ดำเนินการแขนกลแบบ Leader-Follower ผู้ควบคุมที่เป็นมนุษย์จะควบคุมแขนกลข้างหนึ่งโดยตรง ในขณะที่อีกข้างหนึ่งเลียนแบบการเคลื่อนไหว ทำให้ได้ข้อมูลที่มีความเที่ยงตรงสูงสำหรับงานต่างๆ เช่น เทกาแฟ ซ้อนชิปโป๊กเกอร์ เสียบและถอดสายอีเทอร์เน็ต และการจัดการวัตถุในบ้าน ทุกบริษัทหุ่นยนต์ฮิวแมนนอยด์ต่างขอชุดข้อมูลเฉพาะงานเหล่านี้

วิดีโอมุมมองบุคคลที่หนึ่ง (Egocentric Video)

นักบินสวมกล้องติดศีรษะเพื่อบันทึกสิ่งที่ตนเองเห็น ร่วมกับข้อมูลที่ดึงมาจากโรงงานหลายแห่งทั่วโลก นี่คือแหล่งข้อมูลสังเกตการณ์จากโลกจริงที่สามารถขยายขนาดได้

การเก็บข้อมูลในภาคสนามและห้องแล็บ

Encord ส่งทีมปฏิบัติงานภาคสนามโดยเฉพาะและดำเนินการสภาพแวดล้อมในห้องแล็บที่ปรับแต่งได้ เพื่อเก็บข้อมูลเฉพาะทาง เช่น LiDAR, Point Cloud และสตรีมข้อมูลจากเซนเซอร์หลายตัวแบบซิงโครไนซ์ โปรโตคอลการเก็บข้อมูลถูกออกแบบย้อนกลับจากท่อส่งการฝึกของลูกค้า เพื่อให้ทุกตอน (episode) ถูกจัดประเภท ซิงโครไนซ์ และสอดคล้องกับโมเดลเป้าหมาย บริษัทยังบันทึกรูปแบบความล้มเหลวผ่านวงจรป้อนกลับ: เมื่อโมเดลล้มเหลวในภาคสนาม ความล้มเหลวนั้นจะถูกบันทึกผ่านระบบควบคุมระยะไกลและป้อนกลับสู่นโยบายการเก็บข้อมูล

ความท้าทายทางเทคนิคที่สำคัญ

การพิสูจน์คุณค่าของข้อมูลประสาท

แนวทางของ Zander Labs อนุมานสภาวะทางจิตจากกิจกรรมของสมองในระดับหยาบ — เช่น การวัดปริมาณความพยายามทางความคิดที่นักบินใช้ — มากกว่าการถอดรหัสความคิดที่เฉพาะเจาะจง การทดลองต้องตรวจสอบว่าสัญญาณนี้ช่วยปรับปรุงประสิทธิภาพของโมเดลหุ่นยนต์ได้จริงหรือไม่ เมื่อเทียบกับวิดีโอมาตรฐานและข้อมูลควบคุมระยะไกลเพียงอย่างเดียว หากการปรับปรุงมีเพียงเล็กน้อย ต้นทุนที่เพิ่มขึ้นของการเพิ่ม EEG ในทุกเซสชันการเก็บข้อมูลอาจไม่คุ้มค่า

การซิงโครไนซ์และการติดป้ายกำกับข้อมูลหลายมิติ

Physical AI ต้องการเซนเซอร์ เช่น วิดีโอ ความลึก LiDAR เสียง IMU และตอนนี้รวมถึง EEG/EMG ที่ต้องจัดตำแหน่งเวลาและติดป้ายกำกับร่วมกันอย่างแม่นยำ Encord สร้างการรองรับรูปแบบไฟล์ดั้งเดิม (MCAP, ROSBAG) และการรวมเซนเซอร์ แต่การจัดการความซับซ้อนของการซิงโครไนซ์สตรีมข้อมูล 2D, 3D และสัญญาณชีพยังคงเป็นปัญหาทางวิศวกรรมที่ยาก

ความหลากหลายของข้อมูลและการบันทึกรูปแบบความล้มเหลว

โมเดลต้องการการเปิดรับสภาพแวดล้อม แสงสว่าง ผู้ปฏิบัติงาน และกรณีความล้มเหลวที่หลากหลาย Encord รวมวงจรป้อนกลับจากการใช้งาน แต่ข้อมูลความล้มเหลวถูกมองว่ามีคุณค่าต่ำเกินไป ทั้งที่จำเป็นต่อ Physical AI ที่แข็งแกร่ง หากไม่มีกรณีขอบที่เพียงพอ โมเดลที่ฝึกด้วยข้อมูลที่สมบูรณ์ที่สุดก็จะทำงานได้ไม่ดีในสถานการณ์ทั่วไป

ความท้าทายทางเศรษฐกิจที่สำคัญ

ต้นทุนการสร้างข้อมูลทางกายภาพที่สูงมาก

แตกต่างจาก LLMs ที่ฝึกด้วยข้อความที่สกัดจากอินเทอร์เน็ต Physical AI ต้องการข้อมูลจากโลกจริงที่เป็นกรรมสิทธิ์ ซึ่งสร้างขึ้นโดยฮาร์ดแวร์ราคาแพง ผู้ปฏิบัติงานที่เป็นมนุษย์ และสภาพแวดล้อมที่ควบคุมได้ โมเดลของ Encord แสดงถึงการเปลี่ยนแปลงโดยเจตนาไปสู่การผลิตข้อมูลที่เชี่ยวชาญและมีราคาแพงกว่า — ซึ่งขยายขนาดได้ถูกน้อยกว่าการสกัดข้อมูลจากเว็บ

ความต้องการเงินทุนสูง

Encord ระดมทุนได้รวม 110 ล้านดอลลาร์สหรัฐ รวมถึง Series C มูลค่า 60 ล้านดอลลาร์ในเดือนกุมภาพันธ์ 2026 โดย Wellington Management บริษัทต้องใช้จ่ายอย่างหนักกับสิ่งอำนวยความสะดวก (ห้องแล็บ R&D ในเบย์แอเรีย) ฮาร์ดแวร์หุ่นยนต์ บุคลากรที่ผ่านการฝึกอบรม และโครงสร้างพื้นฐานการติดป้ายกำกับข้อมูล — ทั้งหมดนี้ก่อนที่ลูกค้าส่วนใหญ่จะปรับใช้หุ่นยนต์ในระดับการผลิต

ช่องว่างของการจำลอง (Simulation Gap)

การจำลองสามารถสร้างชุดข้อมูลสังเคราะห์ขนาดใหญ่ได้ในราคาถูก แต่โดยระบบแล้วไม่สามารถจับฟิสิกส์โลกจริง กรณีขอบ และการจัดการที่ละเอียดอ่อนได้ Encord และคนอื่นๆ พนันว่ามีเพียงข้อมูลสาธิตของมนุษย์จริง — ด้วยต้นทุนและความยุ่งยาก — ที่จะเชื่อมช่องว่างระหว่างการจำลองและโลกจริง (Sim-to-Real) ที่จำเป็นสำหรับหุ่นยนต์อเนกประสงค์

ความเสี่ยงด้านจังหวะเวลาของตลาด

Encord คาดการณ์ว่า หุ่นยนต์อัจฉริยะกว่า 400 ล้านตัวจะถูกใช้งานในอีกสี่ปีข้างหน้า ผลักดันอุตสาหกรรม Physical AI ให้เกิน 30,000 ล้านดอลลาร์ต่อปี หากการนำไปใช้งานช้ากว่าที่คาด ความต้องการข้อมูลฝึกฝนแบบกำหนดเองราคาแพงอาจไม่เกิดขึ้นเร็วพอที่จะรักษาระดับการใช้จ่ายด้านโครงสร้างพื้นฐานในปัจจุบัน

สรุป

Encord กำลังบุกเบิกการจับสัญญาณชีพแบบทดลอง (คลื่นสมองและเซนเซอร์กล้ามเนื้อ) ควบคู่ไปกับการควบคุมระยะไกล วิดีโอมุมมองบุคคลที่หนึ่ง และการเก็บข้อมูลทางกายภาพในห้องแล็บ เพื่อแก้ปัญหาการขาดแคลนข้อมูลฝึกฝนจากโลกจริงของอุตสาหกรรม แนวทางนี้ยังไม่ได้รับการพิสูจน์ในระดับใหญ่: การทดลองคลื่นสมองยังอยู่ระหว่างการประเมิน และข้อแลกเปลี่ยนทางเศรษฐกิจหลักคือข้อมูลทางกายภาพมีต้นทุนการผลิตสูงกว่าข้อความบนเว็บมาก ความสำเร็จขึ้นอยู่กับว่ารูปแบบข้อมูลที่สมบูรณ์ยิ่งขึ้นเหล่านี้ช่วยปรับปรุงประสิทธิภาพของโมเดลหุ่นยนต์ได้อย่างมีความหมายหรือไม่ และตลาด Physical AI เติบโตเร็วพอที่จะคุ้มค่ากับการลงทุนล่วงหน้าหรือไม่