问小创
告诉我你的需求，我帮你从站内挑最合适的 AI 工具。
2026年7月，美国数据工具公司Encord在加州圣利安德罗的仓储实验基地启动前沿测试，通过德国神经科技初创Zander Labs的脑电头显采集人类精细操作时的脑波信号，推导心理状态生成机器人训练数据集。Encord机器人学习负责人Vineeth Velmurugan指出，当前物理AI训练数据缺口已达YouTube视频库总容量的5倍，该实验有望填补这一核心供给空白。
加州圣利安德罗的仓库内，几名佩戴着头戴设备的测试者正坐在桌前小心翼翼地抽取叠叠乐积木——他们的动作、实时脑电波信号，甚至指尖犹豫的微表情，都会被同步转化为结构化数据，成为训练下一代物理AI的核心素材。
很长一段时间里，行业普遍将人形机器人、仓储作业机器人的性能瓶颈归结于模型架构的不足，但Encord团队的调研结论颠覆了这一认知：当前物理AI发展的核心掣肘，是真实世界物理场景训练数据的极度匮乏。
Vineeth Velmurugan给出的测算数据显示，要支撑通用物理AI达到可用级别的性能，所需的训练数据规模约为YouTube全部视频库容量的5倍，而这类包含动作逻辑、环境反馈、决策路径的多维度数据，目前几乎没有规模化的供给渠道。
为了破解数据缺口，Encord选中了德国神经科学初创Zander Labs的脑电采集头显作为核心采集工具。和传统仅记录操作动作的数据集不同，这款设备能够实时捕捉测试者执行精细任务时的脑波信号，从中识别出操作失误、动作意图、突发惊讶等深层心理状态，相当于把人类应对复杂物理场景的决策逻辑也“复刻”到了训练数据中。
目前实验已经进入小批量量产阶段，测试者通过主从式机械臂完成的仓储分拣、精细装配等任务数据，已经被用于数款商用机器人模型的微调。
尽管脑电采集的训练数据已经展现出远超传统数据集的训练效率，但这套方案距离规模化落地仍有不少待解问题。一方面，民用级脑电头显的信号降噪成本仍然偏高，目前单组有效数据的采集成本是传统动作采集方案的3倍以上；另一方面，不同个体的脑电信号特征差异较大，如何建立通用的信号标注标准，也是行业需要共同攻克的难题。
不过多位行业分析师指出，一旦这套数据生产模式跑通，物理AI的迭代速度有望提升3-5倍，人形机器人的商业化落地进程也将大幅提前。
本文基于公开信息分析整理，仅供参考。更多AI工具动态与行业解读，请持续关注本站更新。
滇公网安备 53252802528133号