Heim
Gehirnwellen-Trainingsroboter: Der nächste Schritt von Physical AI, angetrieben durch menschliche Gehirnsignale

In einem Lagerhaus in San Leandro, Kalifornien, führt Encord, ein Unternehmen für Datenwerkzeuge, ein innovatives Experiment durch: „Piloten“ tragen Headsets mit Kameras und EEG-Sensoren, während sie Jenga spielen, um die Gehirnaktivität aufzuzeichnen. Das Zander Labs EEG-Headset verfolgt Gehirnwellen in Echtzeit während präziser Aufgaben und leitet mentale Zustände wie Fehler oder Überraschung ab, um reichhaltigere Trainingsdatensätze für Robotermodelle zu erstellen.
Encord argumentiert, dass das Haupthindernis für humanoide und Lagerhausroboter nicht die Modellarchitektur, sondern ein schwerwiegender Mangel an realen physischen Trainingsdaten ist. Vineeth Velmurugan, Leiter des Robot-Learnings bei Encord, stellt fest: „Diese Daten existieren einfach nicht“, und schätzt das erforderliche Volumen auf das Fünffache der gesamten YouTube-Bibliothek.
Das wirtschaftliche Dilemma der physischen KI: Von manuellen Operationen zu Datenfabriken
Im Inneren des Lagerhauses verwenden Piloten „Master-Slave“-Roboterarmgeräte – einen, der von Menschen gesteuert wird, und einen anderen, der Bewegungen nachahmt – um Trainingsdaten für Aufgaben wie das Einschenken von Kaffee und das Stapeln von Pokerchips zu generieren. Regale halten falsche Blumen, Bücher, Plastikgemüse und Katzentoiletten als Requisiten für das Training von Haushaltsroboterhänden. An einer anderen Station steuert die Pilotin Sofia Infante einen Roboterarm, um Servernetzwerkkabel ein- und auszustöpseln, eine Automatisierungsaufgabe, die von Rechenzentrum-Betreibern stark nachgefragt wird, aber derzeit durch die Flexibilität der Robotergriffzangen begrenzt ist.
Neben EEG-Signalen entwickelt Encord neue Datenmodalitäten: Das Anbringen von Sensorarrays an den Unterarmen zur Erkennung elektrischer Muskelsignale und die Erstellung von 3D-Handbewegungspfaden, um Lücken zu füllen, wenn Finger in Videos verdeckt sind. Jeder Datensatz enthält dichte physische Aktionsannotationen (z. B. „rechte Hand zieht eine Schraube fest“). Velmurugan schätzt, dass diese hochwertige Annotation für das Training spezifischer Aufgaben 100-mal wertvoller ist als gewöhnliche Daten, wobei die Produktionskosten nur das 20-fache betragen – was sie theoretisch profitabel macht.
Verwandter Artikel
Wie AWS und NVIDIA Agentic und Physical AI vorantreiben
NVIDIA-CEO Jensen Huang (Bildnachweis: Tomohiro Ohsumi/Getty Images)Jensen Huangs NVIDIA und AWS bauen ihre weltweite Partnerschaft aus und stellen 2 Millionen GPUs bereit, um die Unternehmensinfrastr
SenseTime stellt ein 8B-Multimodal-Modell mit geringer Speicherbelastung, nativer 4K-Ausgabe und umfassenden visuellen Bearbeitungsfunktionen vor
SenseTime hat offiziell SenseNova U1.5Lite veröffentlicht, ein neues, schlankes, natives, einheitliches multimodales Großmodell. Mit 8 Milliarden Parametern übertrifft dieses effiziente Modell Alterna
Wichtige KI-Diskussionen, die die Agenda der AI LIVE London prägen
Der Gipfel bringt Führungskräfte aus der ganzen Welt zusammen, um drängende Herausforderungen in verschiedenen Branchen weltweit zu erörtern – von KI-getriebenen Umbrüchen bis hin zu wirtschaftlicher
Empfehlungen zu verwandten Spezialthemen
Kommentare (0)

In einem Lagerhaus in San Leandro, Kalifornien, führt Encord, ein Unternehmen für Datenwerkzeuge, ein innovatives Experiment durch: „Piloten“ tragen Headsets mit Kameras und EEG-Sensoren, während sie Jenga spielen, um die Gehirnaktivität aufzuzeichnen. Das Zander Labs EEG-Headset verfolgt Gehirnwellen in Echtzeit während präziser Aufgaben und leitet mentale Zustände wie Fehler oder Überraschung ab, um reichhaltigere Trainingsdatensätze für Robotermodelle zu erstellen.
Encord argumentiert, dass das Haupthindernis für humanoide und Lagerhausroboter nicht die Modellarchitektur, sondern ein schwerwiegender Mangel an realen physischen Trainingsdaten ist. Vineeth Velmurugan, Leiter des Robot-Learnings bei Encord, stellt fest: „Diese Daten existieren einfach nicht“, und schätzt das erforderliche Volumen auf das Fünffache der gesamten YouTube-Bibliothek.
Das wirtschaftliche Dilemma der physischen KI: Von manuellen Operationen zu Datenfabriken
Im Inneren des Lagerhauses verwenden Piloten „Master-Slave“-Roboterarmgeräte – einen, der von Menschen gesteuert wird, und einen anderen, der Bewegungen nachahmt – um Trainingsdaten für Aufgaben wie das Einschenken von Kaffee und das Stapeln von Pokerchips zu generieren. Regale halten falsche Blumen, Bücher, Plastikgemüse und Katzentoiletten als Requisiten für das Training von Haushaltsroboterhänden. An einer anderen Station steuert die Pilotin Sofia Infante einen Roboterarm, um Servernetzwerkkabel ein- und auszustöpseln, eine Automatisierungsaufgabe, die von Rechenzentrum-Betreibern stark nachgefragt wird, aber derzeit durch die Flexibilität der Robotergriffzangen begrenzt ist.
Neben EEG-Signalen entwickelt Encord neue Datenmodalitäten: Das Anbringen von Sensorarrays an den Unterarmen zur Erkennung elektrischer Muskelsignale und die Erstellung von 3D-Handbewegungspfaden, um Lücken zu füllen, wenn Finger in Videos verdeckt sind. Jeder Datensatz enthält dichte physische Aktionsannotationen (z. B. „rechte Hand zieht eine Schraube fest“). Velmurugan schätzt, dass diese hochwertige Annotation für das Training spezifischer Aufgaben 100-mal wertvoller ist als gewöhnliche Daten, wobei die Produktionskosten nur das 20-fache betragen – was sie theoretisch profitabel macht.
Wie AWS und NVIDIA Agentic und Physical AI vorantreiben
NVIDIA-CEO Jensen Huang (Bildnachweis: Tomohiro Ohsumi/Getty Images)Jensen Huangs NVIDIA und AWS bauen ihre weltweite Partnerschaft aus und stellen 2 Millionen GPUs bereit, um die Unternehmensinfrastr
SenseTime stellt ein 8B-Multimodal-Modell mit geringer Speicherbelastung, nativer 4K-Ausgabe und umfassenden visuellen Bearbeitungsfunktionen vor
SenseTime hat offiziell SenseNova U1.5Lite veröffentlicht, ein neues, schlankes, natives, einheitliches multimodales Großmodell. Mit 8 Milliarden Parametern übertrifft dieses effiziente Modell Alterna
Wichtige KI-Diskussionen, die die Agenda der AI LIVE London prägen
Der Gipfel bringt Führungskräfte aus der ganzen Welt zusammen, um drängende Herausforderungen in verschiedenen Branchen weltweit zu erörtern – von KI-getriebenen Umbrüchen bis hin zu wirtschaftlicher











