Мозговые волны как топливо для роботов: как в Калифорнии учат физический ИИ читать мысли оператора

Стартап Encord нашёл неожиданный источник данных для физического ИИ: обучение роботов здесь ведут, считывая мозговые волны людей-операторов. На экспериментальном складе в городе Сан-Леандро (Калифорния) пилот-тренер играет в дженгу в гарнитуре, которая одновременно фиксирует, что он видит и что происходит у него в голове. Об этом 26 июля 2026 года рассказал журналист TechCrunch Тим Фернхольц, побывавший на «фабрике данных». И самое интересное тут не про роботов, а про то, что мозговая активность оператора превращается в новый, крайне чувствительный тип персональных данных, к этому вопросу мы вернёмся в конце, потому что владельца у таких данных пока, по сути, нет.

Сцена, с которой начинается репортаж, выглядит почти буднично: тренер по имени Эндрю Сеха аккуратно вытягивает бруски из шаткой башни дженги. На нём: нательная камера от первого лица и датчики мозговой активности. Пока он играет, система записывает не только картинку, но и то, в какой момент мозг регистрирует ошибку, намерение или удивление. Эти метки потом лягут в обучающий датасет для роботов.

Узкое место физического ИИ: уже не модели, а данные

Главный тезис Encord звучит контринтуитивно: чтобы гуманоиды и складские роботы наконец поумнели, менять архитектуру нейросетей больше не нужно. Для развития физического ИИ не хватает другого, реальных данных о физических действиях. Их в интернете почти нет.

Разница с языковыми моделями тут принципиальная. GPT и подобные системы обучали на тексте практически всего интернета, сырья было в избытке. А для физической манипуляции, вроде «возьми кружку и не разлей», такого корпуса просто не существует. «Этих данных просто не существует», формулируют в компании. Собирать их автономными роботами можно, но это плохо масштабируется. Учить робота по видео тоже получается вот только точности реальных данных такой способ не даёт.

Масштаб проблемы отрезвляет. По оценке Encord, для настоящего прорыва нужен датасет примерно в пять раз больше всего видеокорпуса YouTube. Такого массива под физические действия сегодня нет ни у кого, поэтому его приходится не размечать, а производить с нуля. Именно так разметка данных из вспомогательной задачи превратилась в отдельный бизнес.

Направление robot learning в Encord ведёт Винит Вельмуруган: ветеран робо-лаборатории OpenAI и складского автоматизатора Berkshire Grey. Спрос на такие данные для ИИ он описывает коротко: «Каждая компания, выпускающая гуманоидов, просила у нас эти наборы».

Два привычных канала данных для обучения роботов, и один совсем новый

Основных источников данных у Encord два. Первый: эгоцентрическое видео: работники с нательными камерами снимают выполнение задач от первого лица, к этому добавляют дополнительные ракурсы и метрики. Такие данные компания собирает сразу с нескольких фабрик по миру. Второй: телеуправляемые роботы: человек управляет манипулятором, робот повторяет.

Отдельно стоит установка leader-follower: парные роборуки, где одну ведёт человек, а вторая копирует движения. На ней отрабатывают неожиданно сложные для машины вещи: например, разлив кофе из чайника по кружкам (жидкость сильно плещется и ведёт себя непредсказуемо) или укладку покерных фишек. Для бытовых сценариев на складе держат целый реквизит, искусственные цветы в вазах, книги, пластиковые овощи, лотки и совки для кошачьего туалета, связки проводов.

Площадка в Сан-Леандро заточена как раз под новые модальности и узкие датасеты для дообучения. И вот тут в кадр входит нейрогарнитура: тот самый новый источник данных для физического ИИ.

Мозговые волны в деле: что Zander Labs вычитывает из мозга оператора

Гарнитуру делает немецкий нейростартап Zander Labs. По активности мозга этот нейроинтерфейс пытается выводить ментальные состояния оператора, ту самую ошибку, намерение и удивление, и превращать их в дополнительный слой разметки. Идея опирается на давно описанный в нейронауке эффект: мозг характерно реагирует на собственную ошибку. Если этот сигнал поймать, можно автоматически помечать в записи моменты, где что-то пошло не так, без ручного разбора.

Есть и второй, более практичный смысл. Нейробиолог Zander Лукас Герке объясняет, что объём мозговой активности в конкретный момент задачи подсказывает разработчикам, когда роботу стоит подключать самые «тяжёлые» и дорогие в вычислениях модели. Проще говоря: где человеку легко: там и машине можно работать «на автопилоте», а где мозг оператора напрягается, там нужен тяжёлый расчёт. Это способ экономить вычисления, не теряя качества.

Пока это именно пилот. Задача: собрать первый датасет с «мозговыми» тегами, прогнать его через модели клиентов и проверить, реально ли метки улучшают обучение роботов, прежде чем масштабировать. Никаких гарантий, что сработает, нет: есть гипотеза и первый эксперимент.

Кофе, покерные фишки и ethernet-кабели

Самый показательный кейс: про дата-центры. Пилот София Инфанте роборуками втыкает и вынимает ethernet-кабели из серверов. Операторы ЦОД давно мечтают это автоматизировать: перекоммутация, рутинная и массовая операция. Но нужна точность, которой у роботов пока нет.

Причина: в «железе». Захваты-пинцеты сегодняшних манипуляторов заметно менее ловкие, чем человеческие пальцы, и лишены привычных нам степеней свободы. Отсюда и весь ажиотаж вокруг данных: чтобы неуклюжий захват хотя бы приблизился к человеческой аккуратности, ему нужны тысячи и тысячи примеров того, как это делает человек.

Поэтому Encord экспериментирует и с ещё одной модальностью, датчиками на предплечье, которые считывают электрические сигналы мышц (ЭМГ), синхронно с видео работы человеческих рук. Мозг, мышцы, камера: три параллельных канала об одном и том же движении.

Чей это мозг: неудобный вопрос о нейроданных

Вот обещанное в начале. Как только мозговые волны и мышечные сигналы становятся обучающим сырьём, они превращаются в персональные данные нового класса, гораздо более интимные, чем история браузера или геолокация. И правовой статус у них размытый: непонятно, кому принадлежит запись состояний вашего мозга во время работы, как долго её хранят, можно ли её продать вместе с датасетом и как оператор может её отозвать.

На наш взгляд, именно здесь, а не в ловкости роборук, кроется главный сюжет ближайших лет. Текст и фото мы уже привыкли защищать VPN и настройками приватности. А для биосигналов таких инструментов и норм пока попросту нет, регулирование за нейроинтерфейсами не поспевает.

Если вам важно, кто и что собирает о вас в сети уже сегодня, приватный доступ и защиту трафика можно настроить через Sigma, с нейроданными так просто пока не выйдет.

Источники

TechCrunch, репортаж Тима Фернхольца о «фабрике данных» Encord и эксперименте с нейрогарнитурой Zander Labs