脑电波：物理AI的下一把钥匙

脑电波技术革新机器人训练方式

在加利福尼亚州圣利德罗市的一个仓库里，一场关于物理AI前沿的实验正在进行，犹如一场精心搭建的叠木游戏。这个仓库属于Encord公司，一家专注于构建数据工具以训练AI模型的企业。安德鲁·塞哈是公司的”飞行员”——他们这样称呼机器人训练师，他正小心翼翼地从摇摇欲坠的木塔中抽出木块，同时佩戴着一台配有摄像头的头戴设备，记录他所看到的一切。

这种头戴设备并不罕见，它是收集机器人训练数据的常用工具。但与众不同的是，这款设备还配备了能够测量脑电波的传感器，在塞哈仔细拆卸木塔的过程中，实时捕捉他的脑部活动。这项实验由Encord与德国神经科学初创公司Zander Labs合作进行，后者专注于通过测量脑部活动来推断错误、意图和惊讶等心理状态，从而为模型训练创建更有价值的数据集。

脑电波数据的价值

Zander Labs的神经科学家卢卡斯·格尔克监督这项工作，他表示：”在特定任务过程中，任何时刻的脑部活动量，对于需要决定何时部署高资源模型的模型构建者来说，提供了重要线索。”

Encord机器人学习部门负责人维尼思·韦尔穆鲁甘称，这是解决机器人数据瓶颈问题的”前沿领域”。作为一名OpenAI机器人实验室和仓库自动化公司Berkshire Grey的资深人士，韦尔穆鲁甘加入Encord的目的是建立公司的内部数据创建团队。

物理AI的数据困境

Encord最初成立是为了帮助构建机器视觉应用的公司标注数据和评估模型。随着客户——韦尔穆鲁甘表示他们与许多领先的机器人公司合作，但他无权透露具体名称——开始将端到端学习应用于机器人操作任务，高管们意识到他们将不得不自己生产训练数据，而不仅仅是管理现有数据。

“所需的数据根本不存在，”韦尔穆鲁甘坦言。生成式AI能为机器人带来的变革潜力与聊天机器人相比同样令人期待，但同样面临着数据瓶颈的挑战。自动驾驶汽车公司自行收集物理世界数据，但这难以规模化。通过视频进行训练是可行的，但缺乏真实世界数据的保真度。韦尔穆鲁甘估计，需要比YouTube视频库大5倍的数据集才能实现突破，这一规模有助于解释为什么数据生成本身已经变成了一项业务，而不仅仅是一个研究问题。

满足自我中心数据需求

构建机器人大脑的公司现在转向两个主要数据来源：由佩戴摄像头的工人收集的”自我中心”视频，通常配有额外的摄像头角度和其他指标；以及远程操作机器人收集的数据。Encord同时采用这两种方法，从全球多个工厂收集自我中心数据，并利用其在圣利德罗的设施试验新模态，如脑电波，或围绕特定技能收集微调数据集。

当参观者到达时，”飞行员”们正在使用主从装置——一对机械臂，一个由人类操作员直接控制，另一个模仿其动作——创建关于倒咖啡入杯（非常容易洒出）和堆叠扑克筹码等任务的数据。韦尔穆鲁甘表示：”每个人形机器人公司都向我们索要这些数据。”

存储架上摆放着假花花瓶、书籍、塑料蔬菜、猫砂盆和铲子、电线袋和捆，这些都是训练家庭任务操作器的库存材料。在一个工作站，另一位飞行员索菲亚·因凡特操控机械臂插拔服务器背面的以太网线——数据中心运营商渴望这类工作能够自动化，前提是机器人能以所需精度操作它们。亲自操作后，我能理解为何这仍然难以实现：钳子远不如人类手指灵活，缺乏我们手臂所拥有的自由度。