Amerykański startup Encord testuje nietypowe źródło danych do trenowania robotów — fale mózgowe swoich operatorów. We współpracy z niemiecką firmą neurotechnologiczną Zander Labs sprawdza, czy sygnały EEG oraz sygnały z mięśni poprawiają jakość zbiorów danych dla physical AI. Program pilotażowy działa w magazynie w San Leandro w Kalifornii, o czym 26 lipca 2026 poinformował TechCrunch.
Najważniejsze w skrócie
- Encord i Zander Labs zbierają zapis fal mózgowych od operatorów w trakcie manipulacji obiektami.
- Czujniki EEG mają wykrywać stany mentalne — moment błędu, intencję i zaskoczenie.
- Frontier physical AI potrzebuje według Encord około pięciokrotności całego korpusu wideo z YouTube.
- Gęsto opisane dane są warte około 100× więcej niż surowe nagranie egocentryczne, ale kosztują około 20× więcej.
- Do zestawu dołączono czujniki na przedramieniu, które rekonstruują pozycję dłoni w 3D.
Problem: danych do trenowania robotów po prostu nie ma
Modele językowe wytrenowano na tekście z internetu, a generatory wideo na miliardach klipów. Dla robotów taki zasób nie istnieje.
Vineeth Velmurugan, szef robot learning w Encord i były pracownik laboratorium robotycznego OpenAI, ujmuje to wprost.
The data simply does not exist.
— Vineeth Velmurugan, Head of Robot Learning, Encord.
Skala potrzeb jest ogromna. Według szacunków Encord przytaczanych przez TechCrunch wytrenowanie frontier physical AI wymaga zbioru danych rzędu pięciokrotności całego korpusu wideo YouTube.
Samo nagranie z kamery to jednak za mało — model musi wiedzieć, co dokładnie robią ręce i dlaczego. To odróżnia robotykę od modeli językowych, które miały gotowy internet jako materiał do nauki.
Jak wygląda pilotaż w San Leandro
W magazynie w San Leandro w Kalifornii operatorzy Encord wykonują pozornie banalne zadania: budują wieżę Jenga, nalewają kawę, układają żetony do pokera oraz podłączają i odłączają kable ethernet.
Każdą czynność rejestruje kilka kamer, w tym kamera egocentryczna?Kamera egocentryczna: Ujęcie z perspektywy pierwszej osoby — z kamery umieszczonej przy głowie operatora, pokazujące to, co on sam widzi., czyli ujęcie z perspektywy operatora.
Do tego dochodzi warstwa neurologiczna. Operatorzy noszą opaskę EEG?EEG: Elektroencefalografia — pomiar aktywności elektrycznej mózgu za pomocą elektrod przyłożonych do skóry głowy. od Zander Labs, a pracę nadzoruje neurolog Lucas Gehrke.
Andrew Ceja, jeden z operatorów wcześniej zatrudnionych w firmie Scale, opisuje pracę krótko.
It's something new every day!
— Andrew Ceja, operator, Encord.
Po co komu fale mózgowe
Pomysł opiera się na tzw. pasywnym interfejsie mózg–komputer?Pasywny interfejs mózg–komputer: Interfejs, który odczytuje stany mózgu w tle, bez świadomego sterowania przez użytkownika..
Zander Labs, twórca platformy SAMANAI i sprzętu EEG, projektuje swoje rozwiązania tak, by działały w tle i odczytywały stany poznawcze bez świadomego wysiłku użytkownika. Chodzi o wychwycenie momentów błędu, intencji i zaskoczenia — sygnałów, których nie widać na samym obrazie.
Taka warstwa opisu ma podnieść wartość danych. Gęsto opisany zapis — z etykietami typu „prawa dłoń dokręca śrubę” łączonymi z rozumieniem językowym — jest według Encord wart około 100× więcej niż surowe nagranie egocentryczne.
Kosztuje jednak około 20× więcej w produkcji. Fale mózgowe mają pomóc modelowi rozpoznać, kiedy uruchomić więcej mocy obliczeniowej i na czym skupić uwagę.
Nie tylko mózg: sygnały z mięśni
Encord dokłada drugą modalność — czujniki EMG?EMG: Elektromiografia — pomiar sygnałów elektrycznych generowanych przez mięśnie podczas pracy. na przedramieniu, które mierzą sygnały elektryczne z mięśni. Na ich podstawie powstaje trójwymiarowy model ułożenia dłoni.
To odpowiedź na ograniczenie samego wideo: kamera rzadko widzi całą dłoń, zwłaszcza gdy palce zasłania chwytany obiekt. Warto zaznaczyć, że to eksperyment, nie gotowa technologia — trwa próba, która ma dopiero rozstrzygnąć, czy dane oznaczone falami mózgowymi realnie poprawiają wyniki modeli.
Dlaczego to ważne?
Brak danych to dziś główne wąskie gardło robotyki. O ile modele językowe mogły uczyć się z gotowego internetu, o tyle physical AI wymaga danych, które ktoś musi dopiero wytworzyć — ruch po ruchu, w świecie fizycznym. To czyni każdą metodę tańszego lub gęstszego opisu danych strategicznie cenną.
Podejście Encord i Zander Labs jest ciekawe, bo przenosi ciężar z ilości na jakość sygnału. Zamiast nagrywać kolejne tysiące godzin wideo, próbuje wydobyć z operatora informację, której kamera nie zarejestruje: intencję i moment pomyłki. Jeśli to zadziała, koszt budowy użytecznych zbiorów danych może spaść, a firmy bez dostępu do gigantycznych flot robotów zyskają alternatywę.
Jest też druga strona. Pasywne odczytywanie stanów mentalnych pracowników rodzi pytania o prywatność i granice monitoringu. Zander Labs deklaruje lokalne przetwarzanie danych, ale samo wprowadzenie EEG do miejsca pracy to precedens, który wykracza poza laboratorium.
Co dalej?
- Encord prowadzi próbę oceniającą, czy dane oznaczone falami mózgowymi poprawiają wyniki modeli — dopiero pozytywny wynik uruchomi skalowanie.
- Kolejnym krokiem jest połączenie modalności: wideo, EEG i sygnałów mięśniowych w jeden zbiór treningowy dla physical AI.
- Otwartą kwestią pozostają regulacje dotyczące danych neurologicznych pracowników, których pilotaż jeszcze nie rozstrzyga.
Źródła
- TechCrunch — Are brain waves the next unlock for physical AI?
- Zander Labs — SAMANAI passive BCI platform
