如果你認為訓練 AI 機器人只需要餵它看 YouTube 影片就夠了，那 Encord 這家公司的創辦人會告訴你：現實世界遠比想像中複雜得多。
在加州聖利安住（San Leandro）一座不起眼的倉庫裡，Encord 的測試人員 Andrew Ceja 正戴著一頂裝有感測器的頭盔，小心翼翼地從疊疊樂（Jenga）塔中抽出木塊。表面上看，這跟一般收集機器人訓練數據的場景沒什麼兩樣——但關鍵差異在於：這頂頭盔能測量他的腦波。
這是 Encord 與德國神經科學新創 Zander Labs 聯手進行的先導實驗，目標只有一個：用大腦活動資料來訓練更強的物理 AI 機器人。
物理 AI 的真正瓶頸：數據稀缺
你可能會問：ChatGPT 不是靠整個網路的文字資料就訓練出來了？為什麼機器人不行？
恰恰相反。大型語言模型（LLM）之所以成功，是因為整個網際網路就是它們的免費訓練教材——Reddit 討論、Stack Overflow 解答、新聞報導、電子書，一切應有盡有。但物理 AI 需要的是截然不同的養分：真實世界的操控與運動數據。
機器人要知道怎麼倒咖啡、怎麼插網路線、怎麼疊撲克牌——這些動作的資料無法從網路上隨手抓來。
Encord 機器人學習主管 Vineeth Velmurugan 估算，若要突破目前的物理 AI 瓶頸，所需的數據集規模大約是 YouTube 影片庫總量的五倍。 這也是為何「數據生成」本身已經從研究問題變成了一個商業賽道。
| 比較項目 | 大型語言模型 (LLM) | 物理 AI 機器人 |
|---|---|---|
| 訓練資料來源 | 整個網際網路文字 | 需自行生成實體操控資料 |
| 資料獲取成本 | 近乎零 | 極高（需硬體、人力、場地） |
| 數據擴充難度 | 低（網路持續產生新內容） | 高（需人工收集與標註） |
| 規模需求 | 數兆 token | 約 YouTube 影片庫 5 倍 |
腦波資料到底能帶來什麼？
當 Ceja 在拆疊疊樂時，Zander Labs 的神經科學家 Lucas Gehrke 在一旁監控他的腦部活動。Gehrke 解釋說，人在執行不同任務階段時，大腦消耗的認知資源是不一樣的——有些動作需要高度專注，有些則相對自動化。
這項資訊對機器人模型建構者來說價值連城：
- 模型調度優化：知道機器人什麼時候需要啟用最高效能的模型，何時可以用低功耗模式，避免不必要的算力浪費。
- 意圖解碼：腦波能反映操作者的「錯誤、意圖、專注、工作負荷量與驚奇」等隱性認知狀態——這些在傳統影片資料中完全看不到。
- 人類直覺注入 AI：透過讀取人類大腦在實體操作中的即時反應，讓 AI 學會人類直覺式的判斷。
還不只腦波——Encord 也在實驗前臂肌肉電訊號感測器。傳統影片往往無法完整捕捉手部的 3D 動作細節，但 Velmurugan 希望透過手臂感測器重建出更精準的手部位置模型，讓機器人學會更細膩的操作。
各種「自我中心數據」之路
Encord 的數據收集策略分為三個層次：
第一層：自我中心影片（Egocentric Video）
工人戴著相機在全球各地工廠拍攝第一人稱視角影片。但 Velmurugan 坦言，未經處理的這類資料只是 「垃圾級的自我數據（junky ego data）」。
第二層：密集標註
他們對每段影片進行密集的物理動作標註，例如「右手鎖緊螺栓」，以協助基於 LLM 的模型理解發生的事情。Velmurugan 估計，這種高密度標註數據的價值是未標註數據的 100 倍，儘管製作成本高出約 20 倍。
第三層：多模態感測融合
將腦波、前臂肌肉電訊號、自我中心影片三者結合，建立更完整的訓練資料庫——這就是 Encord 實驗的核心。
Zander Labs：被動 BCI 的技術基石
Zander Labs 的關鍵技術是被動腦機介面（Passive BCI）。所謂「被動」，意思是使用者在操作時不需刻意發出指令——系統在背景默默監聽大腦活動，自動判讀專注、疲勞、壓力等認知狀態。
這支德國團隊更開發出了 SAMANAI 平台的「零校準」通用分類器。傳統 BCI 系統每次使用都需要針對個人進行繁瑣的校準，而 Zander Labs 透過收集並訓練 4,000 個數據集，實現了即插即用的體驗。
該技術背後的研發經費來自德國聯邦網絡安全創新署的 3,000 萬歐元 NAFAS 專案，合作夥伴包括 Fraunhofer IDMT、維也納大學等頂尖機構。
實驗成果：從疊疊樂到實際應用
目前 Encord 的團隊已經成功完成多項測試：
- 疊疊樂（Jenga）：測試精細操作的認知負載變化
- 倒咖啡：訓練液體操控的動態平衡
- 堆疊撲克牌：訓練精密堆疊與定位
- 插拔網路線：模擬資料中心的線纜管理自動化
在一項包含 1,170 萬次團隊決策的 VR 無人機模擬研究中，使用協作腦機介面（cBCI）的策略維持了 68.3% 的準確度，遠高於傳統投票機制的 42.6%。這顯示腦機介面在防止 AI 錯誤決策方面有巨大潛力。
這對機器人產業意味什麼？
Velmurugan 表示，由於 Encord 同時為多家機器人公司提供服務，他們能比其他任何單一客戶更早看到哪些數據技術在業界獲得成效。
隨著特斯拉、Figure、Boston Dynamics 等人形機器人公司競相解決操控任務，高效率生成高品質訓練數據的能力，可能成為競爭優勢的核心。
而腦波訓練技術，正是這場革命中最前衛的嘗試。
📌 原始來源：TechCrunch - Are brain waves the next unlock for physical AI?（2026年7月26日）