物理 AI 的最大瓶頸不是晶片或演算法，而是訓練資料根本不夠。加州新創 Encord 嘗試讓機器人訓練員戴上 EEG 腦波感測器，用大腦活動標記每一個錯誤瞬間，從人類神經訊號中「製造」機器人最缺乏的高品質訓練資料。 （前情提要：Meta 黑科技：戴頭盔讓 AI 讀你的腦，文字準確率衝上 61%） （背景補充：視網膜晶片讓失明者重見光明，搶先馬斯克在歐洲開賣）
本文目錄
Toggle
在加州聖利安卓的一座倉庫裡，一名被稱為「飛行員」的機器人訓練員正小心翼翼地從搖搖欲墜的積木塔中抽出木塊。他的頭上戴著一臺搭載攝影機的頭盔，這在機器人訓練資料收集領域並不稀奇，但這臺頭盔還多了幾顆腦波感測器，即時記錄他每一次判斷、猶豫和出錯時的大腦活動。
這是資料工具公司 Encord 正在進行的一場實驗。過去，Encord 的客戶是那些需要標註影像、評估模型的機器視覺公司；現在，他們發現了一個更根本的問題：客戶根本沒有足夠的訓練資料可以標註。於是 Encord 決定自己下場「製造」資料。
「這些資料根本不存在。」Encord 機器人學習主管 Vineeth Velmurugan 直言。他曾在 OpenAI 機器人實驗室和倉儲自動化公司 Berkshire Grey 任職，深知實體世界訓練資料的稀缺程度。
Velmuurgan 給出一個驚人數字：要讓生成式 AI 在機器人領域複製聊天機器人的成功，需要的訓練資料量大約是 YouTube 全部影片庫的「五倍」。這解釋了為什麼資料生成本身正在成為一門生意，而不只是一個研究課題。
目前機器人腦訓練主要依賴兩種資料來源：一是讓工人戴上攝影機收集「第一人稱視角」影片，二是遠端操作機器人直接收集動作資料。Encord 兩種都做，在全球多個工廠收集第一人稱資料，並在聖利安卓的倉庫操作機器人。
但這兩種方法有一個共同的盲點：它們只能記錄「發生了什麼」，無法記錄人類操作員在執行任務當下的「認知狀態」，他在何時感到困惑？哪個步驟讓他猶豫？哪個動作是出於直覺而非計算？
Encord 找上的合作夥伴是德國神經科學新創 Zander Labs。這家公司開發的腦波感測頭盔能透過 EEG 訊號，推斷佩戴者的心理狀態，包括「錯誤感知」、「執行意圖」和「驚訝反應」。
在積木塔實驗中，當飛行員 Andrew Ceja 抽出關鍵木塊、整座塔開始晃動的那一刻，他的大腦會產生可量測的「察覺到錯誤」訊號。Zander Labs 神經科學家 Lucas Gehrke 解釋，這些腦波活動的強度變化，可以幫助模型開發者判斷「何時該部署最高運算量的模型」，換言之，AI 可以學會只在真正關鍵的時刻才動用全部算力。
「我們正在摸索的是物理 AI 資料瓶頸最前緣的解法。」Velmuurgan 說。
Encord 與 Zander 的合作目前仍處於試驗階段。目標是先建立一批帶有腦波標記的初始資料集，餵入客戶的機器人模型，實際評估腦波資料能否提升模型表現，再決定是否擴大規模。
換句話說，這是一個典型的「先證明有用再說」的早期技術賭注。腦波感測器本身的成本、佩戴舒適度、以及訊號在嘈雜倉儲環境中的穩定性，都是尚未解決的工程問題。
但 Encord 顯然對方向有信心。Velmuurgan 透露，公司計劃今年內再招募 10 名飛行員，擴大腦波標記資料的收集規模。如果這個路徑走通，腦波資料可能成為機器人訓練鏈中的一個全新資料維度，不只是「看到什麼」，更是「在想什麼」。
在生成式 AI 讓聊天機器人飛速進步的同一時間線上，物理 AI 仍在為最基本的訓練資料發愁。Encord 的腦波實驗或許聽起來像科幻小說，但它指向一個務實的命題：當真實世界的資料不夠用時，也許答案藏在人類的大腦裡。
190.19萬 熱度
4.39萬 熱度
1.31億 熱度
76.22萬 熱度
11.7萬 熱度
機器人訓練瓶頸有解？新創發明戴腦波感測器，要讓 AI 讀懂人類「出錯瞬間」
物理 AI 的最大瓶頸不是晶片或演算法，而是訓練資料根本不夠。加州新創 Encord 嘗試讓機器人訓練員戴上 EEG 腦波感測器，用大腦活動標記每一個錯誤瞬間，從人類神經訊號中「製造」機器人最缺乏的高品質訓練資料。
（前情提要：Meta 黑科技：戴頭盔讓 AI 讀你的腦，文字準確率衝上 61%）
（背景補充：視網膜晶片讓失明者重見光明，搶先馬斯克在歐洲開賣）
本文目錄
Toggle
在加州聖利安卓的一座倉庫裡，一名被稱為「飛行員」的機器人訓練員正小心翼翼地從搖搖欲墜的積木塔中抽出木塊。他的頭上戴著一臺搭載攝影機的頭盔，這在機器人訓練資料收集領域並不稀奇，但這臺頭盔還多了幾顆腦波感測器，即時記錄他每一次判斷、猶豫和出錯時的大腦活動。
這是資料工具公司 Encord 正在進行的一場實驗。過去，Encord 的客戶是那些需要標註影像、評估模型的機器視覺公司；現在，他們發現了一個更根本的問題：客戶根本沒有足夠的訓練資料可以標註。於是 Encord 決定自己下場「製造」資料。
從資料標註商變成資料製造商：物理 AI 的飢荒有多嚴重？
「這些資料根本不存在。」Encord 機器人學習主管 Vineeth Velmurugan 直言。他曾在 OpenAI 機器人實驗室和倉儲自動化公司 Berkshire Grey 任職，深知實體世界訓練資料的稀缺程度。
Velmuurgan 給出一個驚人數字：要讓生成式 AI 在機器人領域複製聊天機器人的成功，需要的訓練資料量大約是 YouTube 全部影片庫的「五倍」。這解釋了為什麼資料生成本身正在成為一門生意，而不只是一個研究課題。
目前機器人腦訓練主要依賴兩種資料來源：一是讓工人戴上攝影機收集「第一人稱視角」影片，二是遠端操作機器人直接收集動作資料。Encord 兩種都做，在全球多個工廠收集第一人稱資料，並在聖利安卓的倉庫操作機器人。
但這兩種方法有一個共同的盲點：它們只能記錄「發生了什麼」，無法記錄人類操作員在執行任務當下的「認知狀態」，他在何時感到困惑？哪個步驟讓他猶豫？哪個動作是出於直覺而非計算？
腦波能告訴 AI 什麼？德國新創 Zander Labs 的 EEG 解碼技術
Encord 找上的合作夥伴是德國神經科學新創 Zander Labs。這家公司開發的腦波感測頭盔能透過 EEG 訊號，推斷佩戴者的心理狀態，包括「錯誤感知」、「執行意圖」和「驚訝反應」。
在積木塔實驗中，當飛行員 Andrew Ceja 抽出關鍵木塊、整座塔開始晃動的那一刻，他的大腦會產生可量測的「察覺到錯誤」訊號。Zander Labs 神經科學家 Lucas Gehrke 解釋，這些腦波活動的強度變化，可以幫助模型開發者判斷「何時該部署最高運算量的模型」，換言之，AI 可以學會只在真正關鍵的時刻才動用全部算力。
「我們正在摸索的是物理 AI 資料瓶頸最前緣的解法。」Velmuurgan 說。
從腦波到訓練資料：一個未經驗證的賭注
Encord 與 Zander 的合作目前仍處於試驗階段。目標是先建立一批帶有腦波標記的初始資料集，餵入客戶的機器人模型，實際評估腦波資料能否提升模型表現，再決定是否擴大規模。
換句話說，這是一個典型的「先證明有用再說」的早期技術賭注。腦波感測器本身的成本、佩戴舒適度、以及訊號在嘈雜倉儲環境中的穩定性，都是尚未解決的工程問題。
但 Encord 顯然對方向有信心。Velmuurgan 透露，公司計劃今年內再招募 10 名飛行員，擴大腦波標記資料的收集規模。如果這個路徑走通，腦波資料可能成為機器人訓練鏈中的一個全新資料維度，不只是「看到什麼」，更是「在想什麼」。
在生成式 AI 讓聊天機器人飛速進步的同一時間線上，物理 AI 仍在為最基本的訓練資料發愁。Encord 的腦波實驗或許聽起來像科幻小說，但它指向一個務實的命題：當真實世界的資料不夠用時，也許答案藏在人類的大腦裡。