戴腦電波帽拆Jenga？初創Encord靠「造數據」突破機械人訓練樽頸

不過要留意，呢個試驗仲喺評估階段：Encord 打算先整一個有腦電波標註嘅數據集，交俾客戶嘅機械人模型去行，睇下表現有冇改善，先至決定會唔會量產。

肌電（EMG）感應器

同時間，Encord 仲試緊喺前臂綁感應器，捕捉肌肉嘅電信號。因為普通鏡頭成日會遮住手指嘅精確位置，佢哋希望靠呢啲 EMG 信號還原到 3D 手部姿勢，等模型可以更準確理解人類點樣做細微動作。

遙控操作數據

喺 San Leandro 嘅研發中心，Encord 設置咗「主從式」機械臂——一個人操控一支機械臂，另一支臂就跟住郁。咁樣就可以整到好高質素嘅數據，用嚟訓練斟咖啡、疊籌碼、插拔網線、執屋呢類日常任務。 Encord 話，基本上所有做人形機械人嘅公司都問佢哋要呢類任務專門嘅數據。

第一身（第一視角）鏡頭

「機師」會戴住頭上嘅鏡頭，記錄佢哋見到嘅嘢。再加上從全球幾個工廠收集返嚟嘅數據，形成一個可以擴展嘅真實世界觀察數據來源。

現場同實驗室收集

Encord 會派專人喺現場操作，亦喺 lab 入面搭可重組嘅環境收集數據，包括 LiDAR、點雲同經過同步嘅多模態感應器數據流。 佢哋嘅收集流程係由客戶訓練 pipeline「倒轉」設計嘅，確保每一段數據都分類好、同步好同對齊好目標模型。

主要技術挑戰

神經數據到底有冇用？

Zander Labs 嘅做法係從腦電波推斷大致嘅心理狀態——例如量度操作員用緊幾多認知精力——而唔係解讀具體唸緊乜。 佢哋要證明呢啲信號真係可以令機械人模型表現好過齋靠鏡頭同遙控數據。如果提升得唔明顯，咁為每個數據收集 session 加 EEG 就唔划算。

多模態同步同標註

Physical AI 需要用好多種感應器：鏡頭、深度、LiDAR、聲音、IMU 而家再加 EEG/EMG。呢啲數據要精確對齊時間一齊標註。Encord 已經支援 MCAP、ROSBAG 呢類原生格式同感應器融合，但要同步 2D、3D 同生物信號仍然係極大嘅工程問題。

資料多樣性同失敗案例收集

模型需要睇到唔同環境、燈光、操作手法同失敗案例。Encord 有個 deployment feedback loop：模型喺現場出錯嗰陣，會經遙控操作 capture 個失敗過程，再 feed 返入數據收集流程。 業界普遍認為失敗數據被低估咗，但呢類數據對於 robust 嘅 Physical AI 係不可或缺。

主要經濟挑戰

物理數據製造成本極高

LLM 可以靠上網 scrape 文字嚟訓練，但 Physical AI 需要用昂貴嘅硬件、人手同受控環境去產生專有嘅實體數據。Encord 呢個模式係刻意走向更貴、更專門化嘅數據製造——成本遠高過網上 scrape 數據。

資本要求巨大

Encord 至今已融資 1.1 億美元，包括 2026 年 2 月由 Wellington Management 領投嘅 6000 萬美元 C 輪。 佢哋要喺灣區設研發 lab、買機械人硬件、請受訓「機師」、建標註基建——呢啲全部都係大筆開支，而大部分客戶仲未大規模部署量產機械人。

模擬嘅局限

模擬可以平價產生大量合成數據，但好難完美複製真實世界嘅物理、邊緣案例同精細操作。Encord 同其他公司賭緊，只有真實嘅人類示範數據——就算成本高又混亂——先可以跨越「模擬到現實」嘅鴻溝，達成通用機械人嘅目標。

市場時機風險

Encord 預測 未來四年會超過 4 億部智能機械人投入運作，將 Physical AI 產業推至每年 300 億美元。 但如果機械人普及速度慢過預期，對昂貴定制訓練數據嘅需求就可能唔夠快實現，支撐唔到而家咁大嘅基建開支。

總結

Encord 正處於一個大膽嘅實驗階段：利用腦電波同肌肉感應呢類生物信號，配合遙控操作、第一身鏡頭同 lab 環境收集真實數據，試圖解決機械人行業最逼切嘅數據短缺問題。呢個做法仲未喺大規模上證明可行——腦電波試驗仍在評估中，而核心嘅經濟權衡就係：實體數據遠比文字數據貴得多。最後成唔成功，取決於呢啲更豐富嘅數據模態能否顯著提升機械人模型表現，以及 Physical AI 市場嘅增長速度夠唔夠快去支撐咁大嘅前期投資。