腦波也參一腳——新創Encord如何靠EEG、EMG和遙控操作，為實體AI打造訓練數據

Encord的機器人學習主管Vineeth Velmurugan稱此為解決機器人數據瓶頸的「尖端前沿」 。然而，此試驗目前仍在積極評估階段：Encord計畫先建立一個初步數據集，導入客戶的機器人模型測試，評估效能是否提升，之後才會決定是否擴大規模 。

肌肉訊號（EMG）感測器

Encord同時測試綁在前臂上的感測器，以偵測肌肉中的電訊號。標準的手部影片常會遮擋手指的精細位置，因此該公司希望從EMG訊號重建3D手部姿態，為模型提供更豐富的靈巧操作理解 。

遙控操作數據

在San Leandro的研發設施中，Encord操作主從式機械臂。人類操作員直接控制一隻機械臂，另一隻機械臂則模仿其動作，從而產生諸如倒咖啡、疊撲克牌籌碼、插拔乙太網路線以及處理家用物品等高保真度任務數據 。據Encord表示，所有人形機器人公司都已要求這類特定任務的數據集 。

第一人稱視角（自我中心）影片

飛行員佩戴頭戴式攝影機，記錄其所見景物，並輔以從全球多個工廠收集的數據。這提供了可擴展的真實世界觀測數據來源 。

現場與實驗室數據採集

Encord派遣專職的現場操作員，並運作可重構的實驗室環境，以收集特定於機器人本體的數據，包括LiDAR、點雲以及同步的多模態感測器串流 。其採集協議是從客戶的訓練管線反推設計，確保每個數據片段都已分類、同步並與目標模型對齊 。該公司也透過部署回饋循環來捕捉失敗模式：當模型在現場失敗時，該失敗案例會透過遠端遙控操作被捕捉，並回饋至數據採集策略中 。

關鍵技術挑戰

證明神經數據的價值

Zander Labs的方法是在粗略層級上從大腦活動推斷心理狀態——例如測量飛行員使用了多少認知努力——而不是解碼特定的想法 。這項試驗必須驗證，與僅使用標準影片和遙控操作數據相比，這些訊號是否真的能提升機器人模型的效能。如果改善幅度有限，為每個數據收集環節增加EEG的成本可能就不值得。

多模態同步與標註

實體AI需要影片、深度、LiDAR、音訊、IMU以及現在的EEG/EMG等感測器，進行精確的時間對齊與共同標註。Encord已建構對原生格式（MCAP、ROSBAG）以及感測器融合的支援，但管理2D、3D和生物訊號串流的同步複雜性，仍然是一個艱難的工程問題 。

數據多樣性與失敗模式捕捉

模型需要接觸多樣化的環境、光線、操作員和失敗案例。Encord納入了部署回饋循環，但失敗數據被普遍認為是建立強健實體AI所需卻備受低估的關鍵 。沒有足夠的邊緣案例，即使是在最豐富的數據上訓練出來的模型，其泛化能力也會很差。

關鍵經濟挑戰

物理數據的極高成本

與LLM不同，實體AI需要由昂貴硬體、人類操作員和受控環境產生專有的真實世界數據。Encord的商業模式代表著一種刻意轉向，朝向更昂貴、更專業化的數據製造——其規模化成本遠不如網路爬取低廉 。

高昂的資本需求

Encord已總共募資1.1億美元，其中包括2026年2月由Wellington Management領投的6,000萬美元C輪 。該公司必須在設施（其灣區研發實驗室）、機器人硬體、受訓人員（「飛行員」）以及數據標註基礎設施上大量投資——這一切都在大多數客戶大規模部署生產型機器人之前進行。

模擬與現實的鴻溝（Simulation Gap）

模擬可以廉價地產生大量的合成數據集，但它系統性地無法捕捉真實世界的物理特性、邊緣案例和精細操作。Encord和其他公司押注，只有真實的人類演示數據——儘管成本高昂且過程繁瑣——才能彌合通用機器人所需跨越的模擬到現實鴻溝 。

市場時機風險

Encord預測，在未來四年內，將有超過4億台智慧機器人上線，推動實體AI產業年產值超過300億美元 。如果機器人技術的採用速度慢於預期，對昂貴的客製化訓練數據的需求，可能無法及時實現以支撐當前的基礎設施支出。

結論

Encord正開創性地將實驗性的生物訊號捕捉（腦波與肌肉感測器）與遙控操作、第一人稱視角影片以及實驗室物理數據採集相結合，以解決業界缺乏真實世界訓練數據的問題。此方法在大規模應用上仍未經證實：腦波試驗正在積極評估中，而其核心的經濟取捨在於，物理數據的生產成本遠高於網路規模的文字數據。成功與否，取決於這些更豐富的數據模態能否顯著提升機器人模型的效能，以及實體AI市場的成長速度是否足以證明前期投入的合理性。