Um Roboter zu trainieren, liest dieses Startup die Gehirnströme von Lagerarbeitern
Die Grenze der physischen KI ist ein Jenga-Spiel in einem Lagerhaus in San Leandro, Kalifornien.
Ein Arbeiter namens Andrew Ceja zieht vorsichtig Holzklötze aus einem wackeligen Turm. Er trägt einen Lagerarbeiteranzug, aber auch ein Headset mit Elektroden — die Art von EEG-Kappe, die man eher in einem Neurologielabor erwarten würde als in einer Robotik-Einrichtung. Jedes Mal, wenn Cejas Gehirn einen Moment von Fehler, Absicht oder Überraschung signalisiert, wird dieser Datenpunkt protokolliert und in ein Modell eingespeist, das eines Tages einer Roboterhand beibringen soll, dasselbe zu tun.
Dies ist die Spitzenforschung zur Lösung des Robotik-Datenengpasses. Und sie enthüllt eine unbequeme Wahrheit über die KI-Branche: Die Methoden, die für den Bau von Chatbots funktionierten, versagen beim Bau von Robotern.
Die physische Welt kann man nicht scrapen
LLMs wie GPT-5 und Claude Opus 5 wurden mit Billionen von Wörtern aus dem offenen Web trainiert — Reddit-Threads, Wikipedia-Artikel, GitHub-Repositories, PDFs. Das Internet ist im Grunde ein riesiger Trainingsdatensatz für Sprache. Aber ein Äquivalent für die physische Welt gibt es nicht.
"Man kann keinen Jenga-Turm scrapen", wie ein Encord-Ingenieur es formulierte.
Die Wette, dass generative KI für Roboter das tun kann, was sie für Chatbots getan hat, stößt immer wieder auf dieselbe Grenze. Selbstfahrende Auto-Unternehmen sammeln selbst Daten aus der physischen Welt, aber das ist schwer skalierbar. Jedes Robotikunternehmen beginnt im Grunde bei Null und baut seine eigenen kleinen Datensätze auf, eine Demonstration nach der anderen.
Encord wurde gegründet, um Unternehmen beim Annotieren und Bewerten von Machine-Vision-Daten zu helfen. Als ihre Kunden — darunter viele führende Robotikfirmen — in die physische KI vordrangen, erkannte Encord, dass der Engpass nicht die Modellarchitektur war. Es waren die Daten.
Den Geist lesen, um die Maschine zu trainieren
Hier kommt Zander Labs ins Spiel, ein deutsches Neurotechnologie-Startup, das EEG-Hardware entwickelt, die neuronale Signale in Echtzeit lesen kann. Die Erkenntnis des Unternehmens ist einfach: Wenn ein Mensch eine physische Aufgabe ausführt, enthält seine Gehirnaktivität Informationen, die für Kameras und Sensoren unsichtbar sind.
Lucas Gehrke, ein Neurowissenschaftler von Zander Labs, der die Arbeit in Encords Lagerhaus betreut, erklärt, dass die Menge der Gehirnaktivität während einer Aufgabe Hinweise für die Modellentwickler liefert. Wenn das Gehirn eines Arbeiters bei einer bestimmten Bewegung aufleuchtet — etwa beim Anpassen des Griffdrucks auf einem rutschigen Objekt — ist das ein Signal dafür, dass die Bewegung kognitiv anspruchsvoll ist und mehr Trainingsdaten benötigt.
Das EEG-Headset verwandelt diese Intuition in messbare Daten. Anstatt sich auf Kameras zu verlassen, um zu erraten, wann eine Aufgabe schwierig ist, liest das System direkt das Gehirn des Arbeiters.
Vineeth Velmurugan, Leiter des Roboterlernens bei Encord und Veteran des OpenAI-Robotiklabors und von Berkshire Grey, nennt dies die "Spitzenforschung" zur Lösung des Datenproblems. "Wir beobachten nicht nur, was Menschen tun", sagt er. "Wir beobachten, wie hart ihr Gehirn dabei arbeiten muss."
Jenseits der Gehirnwellen
Gehirnwellen sind nur eine von mehreren unkonventionellen Datenmodalitäten, die Encord erforscht. In derselben Einrichtung in San Leandro nutzen Piloten Leader-Follower-Vorrichtungen — gepaarte Roboterarme, einer direkt von einem Menschen gesteuert, der andere, der die Bewegungen nachahmt — um Daten zu Aufgaben wie dem Einstecken von Ethernet-Kabeln in Serverschränke zu erzeugen. Ein weiteres Experiment verwendet Sensoren am Unterarm, um elektrische Signale in den Muskeln zu erfassen, da Videoaufnahmen von menschlichen Händen oft die subtilen Griffanpassungen übersehen.
Das Unternehmen sammelt auch "egozentrische" Videos von Arbeitern, die an mehreren Fabrikstandorten Kameras tragen. Jeder Frame wird mit physischen Beschreibungen annotiert — "rechte Hand zieht Schraube fest" — um LLM-basierten Modellen das Verständnis zu erleichtern.
Das Ausmaß der Herausforderung ist enorm. Velmurugan schätzt, dass Trainingsdaten aus der physischen Welt etwa 20-mal mehr kosten als Textdaten. Das ist zwar eine Verbesserung — früher war es noch schlimmer — aber es bedeutet, dass die Robotikindustrie schwer dafür bezahlt, Daten zu bekommen, die LLM-Entwickler kostenlos erhielten.
Das Jenga-Spiel erzählt eine größere Geschichte
Dass Encord Gehirnwellen-Experimente in einem Lagerhaus mit einem Jenga-Turm durchführt, ist an sich ein Zeichen für den Zustand der Branche. Die Robotik hat in den letzten Jahren spektakuläre Fortschritte gemacht — Humanoide von Boston Dynamics, Figure und Tesla können gehen, laufen und Objekte manipulieren. Aber die Lücke zwischen einem Roboter, der eine Aufgabe im Labor ausführen kann, und einem, der sie zuverlässig in der realen Welt ausführt, bleibt riesig.
Der Datenengpass ist der Grund dafür. Und die Lösungen, die ausprobiert werden — EEG-Headsets, Muskelsensoren, Leader-Follower-Vorrichtungen — sind kreativ, zeigen aber auch, wie früh sich das Feld noch befindet.
In Encords Einrichtung herrscht ein vorsichtiger Optimismus. Die Piloten wie Ceja und Sofia Infante sind Teil einer aufkeimenden Belegschaft, die die Bausteine für neuronale Netze entwickelt. Sie arbeiteten zuvor in Amazon-Lagern. Jetzt trainieren sie die Roboter, die sie eines Tages ersetzen könnten.
Quellen
- Are brain waves the next unlock for physical AI? — TechCrunch
- Encord creates real world datasets to train physical AI — Межа
- Brain waves may be the next frontier for training physical AI — Bitcoin World
- Encord Tests Brain Wave Sensors to Train AI Robots — Whalesbook
- New Step for Physical AI: How Brain Waves Train Robots — Zamin.uz