Bên trong chiến lược táo bạo của Encord: Dùng sóng não, EMG và teleoperation để tạo dữ liệu huấn luyện cho robot

Cảm biến tín hiệu cơ bắp (EMG)

Đồng thời, Encord cũng đang thử nghiệm các cảm biến quấn quanh cẳng tay để phát hiện tín hiệu điện trong cơ. Video thông thường về bàn tay thường che khuất các vị trí ngón tay nhỏ, vì vậy công ty hy vọng có thể tái tạo tư thế bàn tay 3D từ các tín hiệu EMG này, cung cấp cho mô hình sự hiểu biết phong phú hơn về các thao tác khéo léo .

Dữ liệu Teleoperation

Tại cơ sở R&D ở San Leandro, Encord vận hành các cánh tay robot chủ-người theo dõi. Một người điều khiển trực tiếp một cánh tay trong khi cánh tay thứ hai bắt chước chuyển động, tạo ra dữ liệu trung thực cao cho các nhiệm vụ như rót cà phê, xếp chip poker, cắm và rút cáp ethernet cũng như thao tác với đồ vật gia dụng . Theo Encord, mọi công ty robot hình người đều đã yêu cầu các bộ dữ liệu theo nhiệm vụ cụ thể này .

Video góc nhìn thứ nhất (Egocentric)

Các "phi công" đeo camera gắn trên đầu để ghi lại những gì họ nhìn thấy, được bổ sung bằng dữ liệu lấy từ một số nhà máy trên toàn cầu. Điều này cung cấp một nguồn dữ liệu quan sát thế giới thực có khả năng mở rộng .

Thu thập tại hiện trường và trong phòng thí nghiệm

Encord triển khai các nhân viên vận hành chuyên trách tại hiện trường và vận hành các môi trường phòng thí nghiệm có thể cấu hình lại để thu thập dữ liệu cụ thể cho từng dạng robot, bao gồm LiDAR, đám mây điểm và các luồng cảm biến đa phương thức đồng bộ hóa . Các quy trình thu thập được thiết kế ngược từ pipeline huấn luyện của khách hàng, đảm bảo mọi tập đều được phân loại, đồng bộ hóa và căn chỉnh với mô hình mục tiêu . Công ty cũng ghi lại các chế độ lỗi thông qua một vòng phản hồi triển khai: khi một mô hình gặp lỗi trên thực địa, lỗi đó sẽ được ghi lại thông qua teleoperation từ xa và đưa trở lại các chính sách thu thập dữ liệu .

Những thách thức kỹ thuật chính

Chứng minh giá trị của dữ liệu thần kinh

Cách tiếp cận của Zander Labs là suy luận trạng thái tinh thần từ hoạt động não bộ ở mức độ thô — ví dụ: đo lượng nỗ lực nhận thức mà một "phi công" đang sử dụng — thay vì giải mã những suy nghĩ cụ thể . Thử nghiệm phải xác nhận liệu tín hiệu này có thực sự cải thiện hiệu suất mô hình robot so với chỉ sử dụng dữ liệu video và teleoperation tiêu chuẩn hay không. Nếu sự cải thiện là không đáng kể, chi phí thêm EEG vào mỗi phiên thu thập dữ liệu có thể không được biện minh.

Đồng bộ hóa và gắn nhãn đa phương thức

AI vật lý yêu cầu các cảm biến như video, độ sâu, LiDAR, âm thanh, IMU, và giờ đây là EEG/EMG phải được căn chỉnh thời gian chính xác và được gắn nhãn cùng nhau. Encord đã xây dựng hỗ trợ cho các định dạng gốc (MCAP, ROSBAG) và hợp nhất cảm biến, nhưng việc quản lý sự phức tạp của việc đồng bộ hóa các luồng 2D, 3D và tín hiệu sinh học vẫn là một vấn đề kỹ thuật khó khăn .

Đa dạng dữ liệu và thu thập chế độ lỗi

Các mô hình cần được tiếp xúc với nhiều môi trường, ánh sáng, người vận hành và các trường hợp lỗi khác nhau. Encord kết hợp vòng phản hồi triển khai, nhưng dữ liệu lỗi được coi là chưa được đánh giá đúng mức dù rất cần thiết cho AI vật lý mạnh mẽ . Nếu không có đủ các trường hợp ngoại lệ, các mô hình được huấn luyện trên dữ liệu phong phú nhất cũng sẽ khái quát hóa kém.

Những thách thức kinh tế chính

Chi phí cực cao cho việc tạo dữ liệu vật lý

Không giống như LLM được huấn luyện trên văn bản thu thập từ internet, AI vật lý yêu cầu dữ liệu độc quyền từ thế giới thực, được tạo ra bởi phần cứng đắt tiền, người vận hành và môi trường được kiểm soát. Mô hình của Encord đại diện cho một sự chuyển hướng có chủ đích sang việc sản xuất dữ liệu chuyên biệt và đắt đỏ hơn — nó mở rộng quy mô không rẻ như việc thu thập dữ liệu từ web .

Yêu cầu vốn cao

Encord đã huy động được tổng cộng 110 triệu USD, bao gồm vòng Series C trị giá 60 triệu USD vào tháng 2 năm 2026 do Wellington Management dẫn đầu . Công ty phải chi mạnh cho các cơ sở vật chất (phòng thí nghiệm R&D ở Vùng Vịnh), phần cứng robot, nhân viên vận hành được đào tạo ("phi công") và cơ sở hạ tầng gắn nhãn dữ liệu — tất cả trước khi hầu hết khách hàng triển khai robot sản xuất ở quy mô lớn.

Khoảng cách mô phỏng

Mô phỏng có thể tạo ra các bộ dữ liệu tổng hợp lớn với chi phí thấp, nhưng nó không thể nắm bắt được vật lý thế giới thực, các trường hợp ngoại lệ và thao tác chi tiết một cách có hệ thống. Encord và những công ty khác đang đặt cược rằng chỉ có dữ liệu trình diễn thực tế của con người — với chi phí và sự phức tạp của nó — mới có thể thu hẹp khoảng cách giữa mô phỏng và thực tế cần thiết cho robot đa năng .

Rủi ro về thời điểm thị trường

Encord dự đoán rằng hơn 400 triệu robot thông minh sẽ đi vào hoạt động trong bốn năm tới, đẩy ngành công nghiệp AI vật lý vượt qua 30 tỷ USD hàng năm . Nếu tốc độ áp dụng chậm hơn dự kiến, nhu cầu về dữ liệu huấn luyện tùy chỉnh đắt tiền có thể không xuất hiện đủ nhanh để duy trì chi tiêu cơ sở hạ tầng hiện tại.

Kết luận

Encord đang tiên phong trong việc thu thập tín hiệu sinh học thử nghiệm (sóng não và cảm biến cơ bắp) cùng với teleoperation, video góc nhìn thứ nhất và thu thập dữ liệu vật lý trong phòng thí nghiệm để giải quyết tình trạng thiếu hụt dữ liệu huấn luyện thế giới thực của ngành. Cách tiếp cận này vẫn chưa được chứng minh ở quy mô lớn: thử nghiệm sóng não đang trong giai đoạn đánh giá tích cực, và sự đánh đổi kinh tế cốt lõi là dữ liệu vật lý đắt hơn nhiều để sản xuất so với dữ liệu văn bản quy mô web. Thành công phụ thuộc vào việc liệu các phương thức dữ liệu phong phú hơn này có cải thiện đáng kể hiệu suất mô hình robot hay không và liệu thị trường AI vật lý có phát triển đủ nhanh để biện minh cho khoản đầu tư ban đầu hay không.