物理 AI 训练数据争夺战：为什么机器人需要"戴上脑波帽"
在加州圣莱安德罗的一间仓库里，一群特殊的"训练师"正戴着装备精密传感器的头环，小心翼翼地从叠叠乐积木塔上抽取木块——这不是游戏，而是一种前沿的机器人训练方式。
这些"训练师"被统称为 pilot，是数据标注公司 Encord 对其机器人训练操作员的称呼。他们在执行任务时，头环上的摄像头会追踪手部动作轨迹，更关键的是，设备还能采集脑波数据。负责监督这项工作的神经科学家 Lucas Gehrke 来自德国初创 Zander Labs，他指出：人在执行动作时的脑电活动——尤其是与错误、意图、惊讶等心理状态相关的信号——能够为模型训练提供极为稀缺的高价值标注数据。
Encord 正在押注一个日益明确的行业判断：人形机器人和仓储自动化的下一个真正瓶颈，不是模型架构本身，而是真实物理训练数据的严重匮乏。 该公司 CEO 认为，他们的工作本质是"制造"原本不存在的数据，而非单纯管理现有数据。
从"有多少"到"怎么造"：数据生成已成核心战场
Encord 最初的业务是为计算机视觉应用提供数据标注和模型评测工具。随着客户——据透露其中不乏头部机器人企业，但具体名称受保密协议约束——将端到端学习引入机械臂操控任务，公司意识到必须自己"生产"训练数据，而不只是管理它。Velmurugan 直言："这些数据根本不存在。" 生成式 AI 能为机器人带来与聊天机器人同等的变革，这一愿景始终面临同一堵蔷：LLM 建立在整个互联网文本之上，而要为神经网络找到等量的物理操控原始数据，难度截然不同。自动驾驶公司靠自建车队采集数据，但规模难以扩展；视频训练可行，却缺乏真实世界数据的高保真度。Velmurugan 估算，突破这一瓶颈可能需要约相当于 YouTube 视频总量五倍规模的数据集——这也解释了为什么数据生成本身已从研究课题变成了一门真正的生意。
两种主流采集路径：人体摄像与远程操控
目前，机器人"大脑"的训练数据主要来自两条路线： 第一路：自我中心视角（Egocentric）视频 由佩戴摄像头的工人采集，通常辅以多机位和其他传感器数据。Encord 在全球多个工厂设有采集点。
第二路：远程操控数据 通过"主从臂"装置——操作员直接控制一只机械臂，另一只模仿臂同步复现动作——来生成精准的动作数据。TechCrunch 在现场看到，pilot 正在采集倒咖啡（液体晃动明显）和叠筹码等任务数据。Velmurugan 表示："每家人形机器人公司都向我们提出过这类数据需求。" 仓库中，货架上陈列着假花假草、书籍、塑料蔬菜、猫砂盆及铲子、电线束等看似杂乱的物品——这些正是用于训练机械臂完成家务任务的模拟库存。
新型数据模态：肌肉电与脑电的组合拳
除传统视频采集外，Encord 还在探索更前沿的感知方案： 肌肉电传感：将传感器绑在前臂，检测肌肉电信号。常规手部视频往往无法完整捕捉全手运动轨迹，Encord 希望借助手臂传感器构建手部三维运动图谱，为模型提供更完整的手部位置理解。
脑电标注：这是当前最"前沿"的尝试。人在执行任务时的脑电活动可反映"何时需要动用最高算力模型"。Velmurugan 将其形容为解决机器人数据瓶颈的"刀锋前沿"。
成本真相：高密度标注的价值账
Encord 的数据集采用物理描述进行标注——例如"Right hand tightens bolt"（右手拧紧螺栓）——以帮助基于 LLM 的模型理解视频中正在发生什么。Velmurugan 估计，这种高密度标注对特定任务训练的价值约是普通自我中心数据的 100 倍，而成本仅高出 20 倍，账面上是合算的。
但"仅高 20 倍"背后仍是真金白银。互联网文本的采集几乎零成本，而物理训练数据必须被"制造"出来，而非简单"收集"。这种差异从根本上改变了物理 AI 模型的构建经济学。Encord 的优势在于其独特视角——同时服务多家机器人企业，能够在单一客户意识到之前，识别出哪些数据技术正在整个行业范围内获得吸引力。这也是他们向客户推销的核心价值主张。
Ceja 曾在一家垃圾管理公司工作，期间对技术的兴趣让他负责维护一台机器人分拣 Trash Sorter。如今他在 Encord 负责机器人训练任务，日常工作就是解决各类"新鲜问题"——用他自己的话说："每天都有新挑战！"
从垃圾处理到 AI 训练
Ceja 此前供职于 Scale AI（另一家 AI 数据标注公司），随后加入 Encord。Infante 同样来自 Scale，两人现在都是 Encord 设施中十数名 pilot 的一员，共同构建神经网络的基础数据层。
机器人训练：日复一日的新挑战
当被问及工作时，Ceja 指了指面前的叠叠乐积木塔——这是他们日常训练任务的一部分。塔倒塌了，他说自己很享受这份"每天都有新挑战"的工作节奏。
评论