在加利福尼亚州圣利安德罗一个仓库里，一场看似普通的叠叠乐游戏，正在为物理AI的下一个突破提供线索。

一名身穿数据采集装备的工人正小心翼翼地从积木塔上取下木块，头上戴着一顶内置摄像头的头盔，记录他看到的每一帧画面。但真正特别的是：头盔还配备了传感器，同步测量他操作时的脑电波。

这是数据标注和模型评估公司Encord正在进行的实验——与德国神经科学初创公司Zander Labs合作，探索用脑电波数据训练机器人模型。

▍为什么需要脑电波？机器人训练的数据瓶颈

物理AI面临的核心挑战不是算法，而是真实世界训练数据的极度匮乏。自动驾驶公司可以靠车队采集数据，但规模化部署依然昂贵。Velmurugan估算，要突破现有瓶颈，需要的数据集规模大约是YouTube视频库的五倍。

于是，数据生成本身正在成为一门产业。脑电波测量是人类操作员在执行任务时的神经活动信号，这些数据理论上可以告诉模型：在特定任务的某个瞬间，操作员是否感到困惑或紧张？哪个步骤最需要"集中注意力"？这为模型构建者提供了线索，帮助他们判断何时应该投入更多计算资源。

▍三种"非常规"数据模式

Encord正在同时测试三种新型数据采集模式：

1. 脑电波：通过Zander Labs头戴设备捕捉操作员在执行精密任务时的神经活动，研究是否能让模型在"需要更努力思考"的环节自动调整策略。

2. 肌肉电信号：绑在前臂的传感器检测肌肉活动信号，构建手部3D模型，弥补视频无法完整捕捉手部动作的缺陷。

3. 密集文本标注：每个动作片段都被详细标注为"右手拧紧螺栓"等精确描述，帮助多模态模型理解视频内容。

▍数据成本的新逻辑

密集标注的成本是"无用自我数据"的20倍，但Velmurugan认为它的价值是后者的100倍。这揭示了物理AI与LLM的根本差异——文本数据几乎零成本从互联网抓取，而物理训练数据必须人为制造，从根本上改变了构建模型的经济账。

▍"数据制造商"的崛起

Encord同时在采集远程操控数据（操作员用主从机械臂完成倒咖啡、插线缆等任务）和第一人称视频（全球多个工厂的工人佩戴摄像头记录操作过程）。公司正在搭建一套"数据飞轮"：从全球客户那里看到什么数据技术正在全行业验证有效，再用这些发现来指导自己的数据生产，比任何单一客户都更早抓住行业方向。

当物理AI的"大脑"需要海量真实世界数据来进化，而互联网上找不到现成答案时，脑电波头盔、肌肉传感器和密集标注正在成为"数据制造商"的新工具箱。而这场叠叠乐游戏，或许正是下一代机器人训练方式的缩影。