Robotar ska lära sig av hjärnvågor – techbolaget Encord läser av mänskliga reaktioner och avsikter för att lösa robotikens dataproblem

Dataproblemet som håller robotiken tillbaka

Stora språkmodeller fick sin intelligens genom att svälja hela internet. Miljarder meningar, artiklar och konversationer gav modellerna en djup förståelse för mänskligt språk och resonemang. Men när robotar ska lära sig hantera den fysiska världen — plocka upp ett skört ägg, stapla lådor, navigera ett rörigt lager — finns det ingen motsvarande datakälla att ösa ur.

Det är kärnproblemet som Vineeth Velmurugan, chef för maskininlärning på Encord och tidigare anställd vid OpenAIs robotlabb, beskriver för TechCrunch med en nästan brutal ärlighet: "Datan existerar helt enkelt inte."

Velmurugan uppskattar att det krävs ett datamaterial ungefär fem gånger större än YouTubes samlade videoarkiv för att nå ett verkligt genombrott inom fysisk AI. Det är en häpnadsväckande skala — och den förklarar varför generering av träningsdata i sig blivit en hel affärsverksamhet.

Hjärnan som dataleverantör

Encords svar på utmaningen är lika fascinerande som det är oortodoxt. I ett lager i San Leandro, Kalifornien, plockar mänskliga instruktörer — bolagets egna term är träningspilot — försiktigt ut klossar ur ett Jenga-torn. Men det som skiljer denna övning från ett vanligt hobbyspel är det headset de bär, byggt av det tyska neurovetenskapsbolaget Zander Labs.

Headsetat registrerar hjärnaktivitet i realtid och hjälper till att härleda mentala tillstånd som misstag, avsikt och förvåning. Tanken är elegant: om en robot inte bara ser vad en människa gör utan också kan ta del av varför och när det kändes osäkert, blir träningsdatan exponentiellt rikare. Det är skillnaden mellan att visa en nybörjare ett recept och att faktiskt förklara när degen känns fel.

Detta representerar en ny generation av insamlingsmetodik. Traditionellt har bolag i branschen förlitat sig på två huvudsakliga spår: telestyrning, där en människa fjärrstyr en robot och all rörelsedata sparas, samt syntetisk data genererad i simuleringsmiljöer. Båda metoderna har sina begränsningar — telestyrning är kostsamt och tidskrävande, syntetisk data riskerar att skapa modeller som fungerar utmärkt i datorn men fumlar i verkligheten.

Hjärnvågsmätning öppnar ett tredje spår: att berika befintlig rörelsedata med kognitiv kontext.

En bransch som söker sitt genombrott

Det vore lätt att avfärda detta som ett udda experiment. Men det vore ett misstag. Robotikbranschen befinner sig i ett tillstånd som påminner starkt om hur NLP-fältet såg ut strax innan transformatorarkitekturen förändrade allt — en sektor med enorm potential, tydlig efterfrågan och ett välidentifierat tekniskt hinder som ännu inte knäckts.

Bolag som Figure, Physical Intelligence och Apptronik har samlat in miljardbelopp i kapital och rekryterat topptalang från hela AI-sektorn. Ändå är den gemensamma nämnaren för dem alla samma utmaning: hur skapar du tillräckligt med högkvalitativ träningsdata för att robotar ska generalisera bortom de situationer de tränat på?

Encords hjärnvågsexperiment är ett svar på den frågan — ett ambitiöst och kreativt sådant. Och kanske är det just den typen av tvärdisciplinär nytänkning, där neurovetenskap möter maskininlärning möter logistikautomation, som sektorn behöver just nu.

Det stora genombrottet för fysiska robotar i allmän tjänst kanske inte kommer från en enda stor modell eller ett enskilt hårdvarusprång. Det kanske kommer från att vi äntligen löser dataproblemet — en Jenga-kloss i taget.