脑电波：物理AI的下一个突破口？

物理AI的前沿阵地，是加州圣莱安德罗一个仓库里的叠叠乐游戏。 这个仓库被Encord公司占据，这家公司专门构建用于训练AI模型的数据工具。安德鲁·塞哈是公司的“飞行员”（即机器人训练师），他正戴着一顶装有摄像头的头显，小心翼翼地从摇摇欲坠的塔中抽出木块——摄像头会追踪他看到的画面。仅就收集机器人训练数据而言，这已经相当常见，但这款头显还配备了传感器，能在他仔细拆卸木塔时测量他的脑电波。 Encord是越来越多押注人形机器人和仓库机器人下一个真正瓶颈不在模型架构、而在于真实世界物理训练数据极度稀缺的初创公司之一。Encord不仅帮助机器人公司管理它们已有的数据，更围绕制造它们所没有的数据来构建业务。 塞哈戴的脑电波头显由德国神经科学初创公司Zander Labs制造，该公司押注通过测量大脑活动来推断错误、意图、惊讶等心理状态，可以创建更有用的数据集来训练模型。Encord与Zander的合作目前是试运行；Encord表示，目标是先构建一个带有脑电波标签的初始数据集，将其用于客户机器人模型，并评估它是否确实提升了性能，然后再决定是否扩大规模。 负责监督这项工作的Zander神经科学家卢卡斯·格尔克表示，在给定任务中任何时刻所用的大脑活动量，为试图确定何时需要部署最高努力模型的模型构建者提供了线索。 Encord机器人学习主管维尼思·维尔穆鲁甘称，这是解决机器人数据瓶颈的“前沿”。维尔穆鲁甘曾在OpenAI的机器人实验室和仓库自动化公司Berkshire Grey工作过，他加入Encord是为了组建公司内部的数据创建团队。 Encord创立之初是为了帮助构建机器视觉应用的公司进行数据标注和模型评估。随着他们的客户——维尔穆鲁甘表示他们与许多领先的机器人公司合作，但未被授权透露名字——开始将端到端学习应用于机器人操控任务，高管们意识到他们必须自己生产训练数据，而不仅仅是管理数据。“数据根本不存在，”维尔穆鲁甘说。 关于生成式AI能为机器人做些什么、就像它为聊天机器人所做的那样的押注，不断撞上这堵墙。LLM建立在整个互联网文本之上，而找到同样的原材料来教会神经网络物理操控则充满挑战：自动驾驶汽车公司自己收集数据，但很难规模化。从视频中训练可行，但缺乏真实世界数据的保真度。维尔穆鲁甘表示，要取得突破，可能需要一个大约是YouTube视频语料库五倍规模的数据集——这种规模解释了为什么数据生成本身已经成为一门生意而不仅仅是研究问题。 构建机器人大脑的公司现在转向两个主要来源：由佩戴摄像头的工人收集的“第一人称”视频，通常辅以更多摄像头角度和其他指标；以及从远程操控的机器人收集数据。Encord两者都做，从全球多个工厂获取第一人称数据，并利用其圣莱安德罗设施试验新的模态（如脑电波），或收集特定技能的数据集以进行微调。 当TechCrunch访问时，“飞行员”们正在使用“领航-跟随”装置——成对的机械臂，一个由人类操作员直接控制，另一个模仿其动作——来创建关于倒咖啡到杯子里（非常晃荡）和堆叠扑克筹码等任务的数据。“每个人形机器人公司都向我们要过这些数据，”维尔穆鲁甘说。 储物架上放着花瓶里的假花纸箱、书籍、塑料蔬菜、猫砂托盘和铲子、成袋成捆的电线——这些都是训练家用操控器的常用物品。 在其中一个工位上，另一位飞行员索菲亚·因凡特操作机械臂从服务器后面插拔以太网电缆——数据中心操作员非常希望将这类工作自动化，只要机器人能具备所需的精度。亲身体验后，我明白了为什么这仍然遥不可及：钳子的灵活性远不及人类手指，也缺乏我们习以为常的手臂自由度。 Encord正在开发的另一种新数据模态，使用绑在前臂上的一组传感器来检测肌肉中的电信号。拍摄人类手部操作物体的视频通常无法捕捉整只手，但维尔穆鲁甘希望基于手臂传感器构建手部在任何时刻位置的3D描述，从而为模型创建更稳健的理解。 Encord的数据集附有关于每个视频内容的物理描述（如“右手拧紧螺栓”），以帮助基于LLM的模型理解正在发生什么。维尔穆鲁甘估计，对于训练特定任务，这种密集标注的价值是“杂乱的第一人称数据”的100倍，而制作成本只贵20倍，理论上是一笔好交易。 但“贵20倍”仍然是真金白银，这就是问题所在：LLM制造者通过从Stack Overflow和互联网其他部分抓取文本来构建模型，成本几乎为零。而生成物理训练数据并非如此，这正是“物理AI如LLM”比较的局限所在。这类数据必须被制造，而不仅仅是收集，这改变了构建这些模型的经济性。 维尔穆鲁甘表示，进展正在取得——凭借Encord对整个行业项目的视野，他能看到初创公司和前沿实验室都在摸索什么有效、什么无效来改进物理AI模型。这种同时与多家机器人公司打交道的优势，也是Encord的卖点之一。它能在单个客户之前就发现哪些数据技术在整个行业中获得了关注。 这会让Encord设施中的十几位飞行员忙个不停。因凡特和塞哈都属于新兴劳动力，正在为神经网络构建基础模块；他们之前在另一家AI数据标注公司Scale工作，然后加入了Encord。 塞哈曾在一家废物管理公司工作，对技术的兴趣让他负责维护一台机器人垃圾分拣器。现在，随着叠叠乐塔倒塌，他说他喜欢解决机器人训练任务的挑战——“每天都是新东西！”