一句话看懂：美国数据工具公司Encord正在尝试用脑电波（EEG）信号和肌电（EMG）信号训练机器人模型。这项实验显示，物理AI的真正瓶颈不是模型架构，而是极度缺乏真实世界的操作数据。通过捕捉执行者的意图、错误和预测，希望能让机器人训练效率提升100倍，同时成本只增加20倍。
事件核心：发生了什么
在加州圣莱安德罗的一个仓库里，Encord公司正在进行一项实验：让“飞行员”戴上配备摄像头和脑电图（EEG）传感器的头戴设备，在玩叠叠乐（Jenga）的过程中收集脑活动数据。这款来自德国脑神经初创公司Zander Labs的EEG头戴设备，能实时测量操作员执行精细任务时的脑电波，尝试推断其错误、意图和惊讶等心理状态，从而为机器人模型构建更高质量的训练数据集。
此外，Encord还在开发另一种新型数据模态：在前臂上安装传感器阵列，通过检测肌肉电信号来构建3D手部轨迹。由于视频拍摄中经常存在手指被遮挡的情况，肌电信号可以提供互补信息。每个训练数据集都带有密集的物理动作标注（例如“右手拧紧螺栓”）。Encord的机器人学习负责人Vineeth Velmurugan表示，这种高质量标注数据对特定任务的训练价值是普通数据的100倍，但生产成本只是普通数据的20倍——从商业逻辑上看，这是一笔合算的交易。
为什么重要
物理AI（人形机器人、仓储机器人）目前面临的核心挑战是训练数据极度匮乏。Velmurugan直言：“这些数据根本不存在。”他甚至估算，机器人训练所需的数据量大约是整个YouTube视频库的5倍。传统的远程操作（“主从”）数据采集方式虽然可行，但效率低下，且难以捕捉操作员的真实决策过程。
EEG和EMG信号的引入，相当于为机器人大脑提供了一种“思维标签”——不仅告诉机器人做了什么，还告诉机器人操作员为什么这样做、什么时候犯了错、下一个动作的意图是什么。这条技术路线的核心价值在于：把训练数据从“演示视频”升级为“带有意图和反馈信号的认知训练数据”。如果该方法被证明有效，它可能大幅提升物理世界中的机器人泛化能力，缩短从实验室原型到工业部署的周期。
对用户/开发者/创作者的影响
对机器人开发者：如果你在做人形机器人或机械臂的强化学习训练，现在需要考虑一个新的数据来源——神经信号和肌电信号。这可能会改变你们的数据标注流程和采集工具选型。像Zander Labs这种提供EEG头戴设备的公司，未来可能成为机器人训练基础设施的一部分。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对数据标注/服务行业：这一实验暗示了数据标注的“高价值路线”——从量到质。以往标注行业主要依赖人力标记视频中的物体位置，未来可能转向结合传感器（EEG、EMG、力传感器）的多模态精密标注。这条赛道不仅要求标注员懂图像，还可能要理解脑电波信号的基本含义。
对自动化应用方（如数据中心、仓储、家庭服务）：如果你希望部署机器人来完成插拔网线、倒水、叠扑克牌这类高精度任务，目前机械臂夹爪的灵活性仍然不够。但Encord通过这种方法生成的训练数据，可能在未来12-18个月内直接提升这些应用的可用性。
值得关注的后续
- 成本效益验证：EEG头戴设备和肌电传感器的硬件成本是否真的能被“100倍效果”的收益覆盖？目前公开信息未透露完整成本测算，这需要在更大规模的采集实验中得到验证。
- 脑信号到机器人指令的延迟：脑电波信号的处理和推断存在延迟，这种延迟能否控制在机械臂实际运动控制的毫秒级范围内，将决定该方案是否具备工程可行性。
- 竞争对手是否跟进：目前该领域的主要玩家（如Physical Intelligence、Sanctuary AI、Figure等）是否会在其训练流程中引入类似的人脑信号或生物信号模态，将是判断这一趋势是否走通的关键观察点。
来源：AIbase
