探秘Encord：用脑电波、肌电信号和遥控操作，为机器人“制造”稀缺的真实世界训练数据

物理AI——那些能让机器人抓取、行走、驾驶和操作的系统——正面临一个任何华丽模型架构都无法解决的瓶颈：严重缺乏真实世界的训练数据。与大语言模型（LLM）不同，后者可以通过从互联网抓取数万亿单词进行训练，而机器人则需要来自真实世界的高保真物理数据。这类数据生产成本高昂、标注困难且极度稀缺。

原本为AI团队提供数据工具的公司Encord，现在正试图通过成为数据“制造商”来解决这一短缺问题。在其位于加利福尼亚州圣莱安德罗的仓库中，该公司正在将实验性的生物信号捕捉（脑电波和肌肉信号）与大规模遥控操作、第一人称视角视频以及基于实验室的采集相结合，以生产机器人公司自身难以轻松创建的多模态数据集。以下是其运作方式及面临的挑战所在。

Encord如何采集训练数据

脑电波（EEG）传感器

Encord的操作员（被称为“飞行员”）佩戴由德国神经科学初创公司Zander Labs制造的头盔，在执行物理任务时测量其大脑活动。例如，当一名“飞行员”小心翼翼地拆解一个叠叠乐（Jenga）塔时，头盔会捕捉指示意图（intent）、错误检测（error detection）和惊讶（surprise）等心理状态的信号。其目标是创建一个带有脑电波标签的数据集，以帮助机器人模型理解何时应投入更高强度的推理或检测故障模式。

Encord机器人学习部门主管Vineeth Velmurugan将此举描述为解决机器人数据瓶颈的“前沿探索”。然而，这一试验目前正处于积极评估阶段：Encord计划先构建一个初始数据集，将其输入客户机器人模型，评估性能是否提升，然后再决定是否扩大规模。

肌电信号（EMG）传感器

Encord同时还在测试绑在操作员前臂上、用于检测肌肉电信号的传感器。由于标准的手部视频往往遮挡了精细的手指位置，该公司希望从这些肌电信号中重建3D手部姿态，从而让模型对手部灵巧操作有更丰富的理解。

遥控操作数据

在圣莱安德罗的研发中心，Encord操作着主从式（leader-follower）机械臂。一名人类操作员直接控制一只机械臂，而另一只机械臂则模仿其动作，从而产生诸如倒咖啡、叠扑克筹码、插拔以太网线以及处理家居物品等高保真数据。据Encord称，每个人形机器人公司都已要求获取这些特定任务的数据集。

第一人称视角视频

“飞行员”们佩戴头戴式摄像头，拍摄其所见景象，同时还补充了来自全球多个工厂的数据。这提供了一个可扩展的真实世界观察数据来源。

现场与基于实验室的采集

Encord部署了专门的现场操作员，并运营可重新配置的实验室环境，以收集特定于具体机器人的数据，包括激光雷达（LiDAR）、点云（point cloud）以及同步的多模态传感器数据流。其采集协议完全逆向设计自客户模型的训练管线，确保每个采集片段都经过分类、时间同步，并精确对齐至目标模型。该公司还通过一个部署反馈循环来捕捉故障模式：当模型在现场失效时，失效情况会通过远程遥控操作被捕获并反馈至数据采集策略中。

关键技术挑战

证明神经数据的价值

Zander Labs的方法是通过粗略层面的脑活动来推断心理状态——例如，测量操作员正在投入多少认知努力——而非解码具体的想法。该试验必须验证，与标准的视频和遥控操作数据相比，这种信号是否真能提升机器人模型的性能。如果提升微不足道，那么为每次数据采集增加EEG传感器的成本可能就不值得了。

多模态数据同步与标注

物理AI需要来自视频、深度、激光雷达、音频、IMU（惯性测量单元）以及现在的EEG/EMG等多种传感器数据实现精确的时间对齐和统一标注。Encord已构建了对原生格式（MCAP、ROSBAG）和传感器融合的支持，但管理2D、3D和生物信号流同步的复杂性仍是一个棘手的工程难题。

数据多样性与故障模式捕获

模型需要接触多样化的环境、光照条件、操作员乃至失败案例。Encord虽已纳入部署反馈循环，但故障数据被广泛认为是实现鲁棒物理AI的关键，却仍被严重低估。如果没有足够的边缘案例，即便在最丰富的数据上训练的模型，其泛化能力也会很差。

关键经济挑战

物理数据创造的极高成本

与LLM不同，物理AI需要专有的、由昂贵硬件、人类操作员和受控环境生成的真实世界数据。Encord的模式代表着一种向更昂贵、更专业的数据制造的有意转变——其规模化成本远不如网络爬虫那样低廉。

高昂的资本需求

Encord已累计融资1.1亿美元，其中包括2026年2月由Wellington Management领投的6000万美元C轮融资。该公司必须在设施（其湾区的研发实验室）、机器人硬件、受过培训的人员（“飞行员”）以及数据标注基础设施上大举投入——而这一切均发生在大多数客户大规模部署量产机器人之前。

模拟与现实之间的鸿沟

模拟技术可以廉价地生成大量合成数据集，但其系统地无法捕捉真实世界的物理特性、边缘情况和精细操作。Encord等公司押注的是，只有真实的人类演示数据——尽管成本高昂且充满“混乱”——才能弥合通用机器人所需的“从模拟到现实”（sim-to-real）鸿沟。

市场时机风险

Encord预计，未来四年内将有超过4亿台智能机器人投入使用，推动物理AI产业年产值突破300亿美元。如果机器人普及的速度低于预期，市场对昂贵的定制训练数据的需求可能无法及时出现，以支撑当前的基础设施投入。

总结

Encord正在通过实验性的生物信号捕捉（脑电波和肌肉传感器）以及遥控操作、第一人称视角视频和基于实验室的物理数据采集，来引领解决行业真实世界训练数据短缺的问题。这一方法在规模上尚未得到验证：脑电波试验正处于积极评估阶段，其核心经济权衡在于，物理数据的生产成本远高于网络级别的文本数据。成功的关键在于，这些更丰富的数据模态能否有意义地提升机器人模型性能，以及物理AI市场的增长速度是否足以证明前期巨额投资的合理性。