在加州圣利安德罗的一间仓库里，一家名为Encord的数据工具公司正在进行一项前沿实验：让”飞行员”佩戴带有摄像头和脑电波传感器的头显设备，一边玩叠叠乐积木，一边采集大脑活动数据。这枚来自德国神经科学初创公司Zander Labs的脑电头显，能够实时测量操作者在执行精细任务时的脑波信号，试图从中推导出错误、意图和惊讶等心理状态，为机器人模型创造更有价值的训练数据集。
Encord认为，人形机器人和仓储机器人发展的真正瓶颈不是模型架构，而是真实世界物理训练数据的极度匮乏。正如Encord机器人学习负责人Vineeth Velmurugan所言——”这些数据根本不存在”，而突破所需的数据规模大约是YouTube全部视频库容量的五倍。
从人工操作到数据工厂，物理AI的经济学困境
仓库内，飞行员们正使用”主从式”机械臂装置——一只由人类直接操控，另一只模仿其动作——生成倒咖啡、堆扑克筹码等任务训练数据。货架上摆满假花、书籍、塑料蔬菜和猫砂盆，都是训练家用操作机械手的道具。另一工位上，飞行员Sofia Infante正操控机械臂插拔服务器网线——这类数据中心运营商梦寐以求的自动化任务，目前仍因机械爪灵活度不足而遥不可及。
除脑电波外，Encord还在开发新的数据模态：在前臂绑戴传感器组以检测肌肉电信号，据此构建手部三维轨迹，弥补视频中手指被遮挡的信息缺失。每个数据集都配有密集的物理动作标注（如”右手拧紧螺栓”），Velmurugan估算这种高质量标注对特定任务训练的价值是普通数据的 100 倍，而生产成本仅为 20 倍——理论上是一笔划算的交易。
然而关键在于，与LLM厂商从互联网近乎免费抓取文本不同，物理训练数据必须被”制造”而非”收集”，这从根本上改变了模型构建的经济学。Encord凭借横跨多家机器人公司的独特位置，能够先于任何单一客户发现全行业数据技术的趋势走向。在这间仓库里，十几位飞行员日复一日地搭建着物理AI的基石——毕竟，机器人要学会叠积木，首先得有人愿意一遍遍教它。
