Article: The frontier of physical AI hits a massive bottleneck: we lack high-fidelity, real-world training data. Large Language Models grew by scraping the internet’s text; robotics needs a far costlier approach.

The Data Scarcity Problem in Robotics

For humanoid and warehouse robots to match human dexterity, they need a data scale that simply isn’t there. Vineeth Velmurugan, Encord’s head of robot learning and a veteran of OpenAI’s robot lab, says breakthrough requires a dataset about five times the size of YouTube’s entire video corpus.

Text is abundant and free to scrape. Physical data must be manufactured. Training from video alone often misses the fidelity needed for complex manipulation. The industry has therefore shifted from tweaking model architecture to solving the much harder problem of manufacturing high-quality, annotated physical data.

Beyond Video: Using Brain Waves and Muscle Signals

Startups like Encord are testing new data modalities to give robots deeper context. In a pilot with German neuroscience startup Zander Labs, Encord equips operators with brain-wave headsets. By measuring neural activity, researchers hope to infer intent, error and surprise.

Lucas Gehrke, a neuroscientist at Zander, says tracking brain activity lets model builders know exactly when a robot should fire its most powerful computational models for a tough task.

Encord also explores:

  • Electromyography (EMG): Sensors strapped to the forearm capture electrical signals in muscles, creating a 3-D map of hand movements that head-mounted cameras often miss.
  • Leader-Follower Rigs: Paired robotic arms where one mimics a human operator, capturing precise actions such as pouring liquids or stacking poker chips.
  • Dense Annotation: Labels like “right hand tightens bolt.” Velmurugan estimates this dense annotation is 100 × more valuable than raw ego video for training specific tasks.

The Economic Reality of Physical AI

Moving from digital-first AI to physical AI flips the economics of machine learning. LLM labs built models at near-zero marginal cost by pulling from the web. Producing robot training data demands hardware, human operators and painstaking annotation. Encord aims to make high-quality data 20 × more cost-effective than its delivered value, yet even that translates into multi-million-dollar projects for large robot fleets.

Companies that generate massive, richly annotated datasets first will dominate autonomous manipulation—from plugging in Ethernet cables to picking and packing items. Those that cling to video-only pipelines risk falling behind as competitors harvest richer signals from the human body and brain.

Key Takeaways

  • Data Manufacturing vs. Collection: Physical AI requires the expensive, manual manufacturing of high-fidelity datasets, unlike LLMs that scrape existing internet data.
  • Neurological Modalities: Adding brain waves and EMG lets robots grasp human intent, error and 3-D hand movements more effectively than video alone.
  • The Scale Challenge: Robotics models need a dataset far larger than the entire YouTube archive; data generation is now the primary business frontier.

Encord has begun a pilot with German neuroscience startup Zander Labs that equips operators with brain-wave headsets and forearm EMG sensors to capture high-fidelity training data for physical AI. The partnership aims to produce a dataset large enough to rival five times the total volume of YouTube videos—a scale researchers say is required for robots to reach human-level dexterity and could reshape how robotics learns.

Why robotics data is a bottleneck

Large language models grew by scraping the open web; the raw material was abundant and cheap. Physical AI, by contrast, needs data that must be manufactured. Every grasp, twist or pour must be recorded, annotated and linked to the forces and intentions that produced it. Ordinary video often misses the subtle cues needed for complex manipulation, leaving a gap between today’s models and the demands of factories, warehouses and homes.

Vineeth Velmurugan, Encord’s head of robot learning and a former OpenAI robot-lab veteran, says the field will not move forward until a dataset roughly five times the size of YouTube’s video corpus exists. The problem is no longer model architecture; it is how to manufacture the data.

Додавання мозкових хвиль та м'язових сигналів

Пілотний проєкт Encord-Zander намагається заповнити цю прогалину, додаючи фізіологічні сигнали до відеозапису. Оператори носять гарнітури, що зчитують електроенцефалографію (ЕЕГ) — електричну активність мозку, — тоді як датчики ЕМГ на передпліччі фіксують м'язові імпульси. Мета полягає в тому, щоб визначати психічні стани, такі як намір, здивування або помилка, і перетворювати сиру м'язову активність на тривимірну карту рухів руки, яку неможливо зафіксувати лише за допомогою відео.

Лукас Герке, нейробіолог у Zander, пояснює, що знання того, коли людина очікує на складне підзавдання, дозволяє роботу задіяти свої найпотужніші обчислювальні моделі саме в потрібний момент.

Окрім нейроданних, Encord тестує кілька додаткових методів:

  • Електроміографія (ЕМГ): Датчики на передпліччі забезпечують показники активації м'язів у реальному часі, що дозволяє точно реконструювати траєкторії пальців, які часто пропускають наголовні камери.
  • Системи «лідер-ведомий» (leader-follower rigs): Пара роботів-маніпуляторів працює в тандемі, де один повторює рухи оператора-людини. Це дозволяє фіксувати делікатні завдання — наприклад, наливання рідини або складання чипсів, — де важливі помилки в міліметровому масштабі.
  • Щільне анотування: Замість маркування лише дій високого рівня, команда Велмуругана додає деталізовані описи, як-от «права рука затягує болт». За його оцінками, така деталізація приблизно в 100 × цінніша для навчання конкретним навичкам маніпуляції, ніж звичайне ego-centric відео.

Економіка виробництва даних

Physical AI змінює фінансові розрахунки машинного навчання. Лабораторії LLM створювали моделі з майже нульовою граничною вартістю, оскільки інтернет постачає нескінченну кількість тексту. Однак виробництво даних для навчання роботів потребує обладнання, операторів-людей та кропіткого анотування. Внутрішня мета Encord — зробити високоякісні дані у 20 × ефективнішими за витрати порівняно з цінністю, яку вони приносять клієнтам, але навіть така агресивна ефективність все одно перетворюється на багатомільйонні проєкти для масштабних робототехнічних парків.

Ставки високі: компанії, які першими зможуть створювати масивні, багаті на анотації набори даних, домінуватимуть на ринку автономного маніпулювання — чи то підключення кабелів Ethernet у залі дата-центру, чи то відбір та пакування товарів у розподільному центрі. Ті, хто продовжуватиме покладатися лише на відеопотоки, ризикують залишитися позаду, оскільки конкуренти витягуватимуть багатші сигнали з людського тіла та мозку.

Контраргументи та відкриті питання

Не всі переконані, що нейросигнали є тією самою відсутньою ланкою. Критики стверджують, що додаткова складність обладнання може перекрити вигоди, особливо коли відео у поєднанні з датчиками сили та моменту вже забезпечують прийнятну продуктивність для багатьох промислових завдань. Масштабованість є ще одним питанням: забезпечення тисяч операторів гарнітурами ЕЕГ та установками ЕМГ може виявитися занадто дорогим для менших виробників.

Процес генерації даних залишається трудомістким. Навіть із системами «лідер-ведомий» захоплення всієї різноманітності завдань, необхідних для справді універсального робота, вимагатиме тривалих і скоординованих зусиль багатьох лабораторій і заводів. Ринку доведеться вирішити, чи виправдають поступові покращення продуктивності початкові інвестиції.

На що варто звернути увагу далі

  • Віхи обсягу даних: Заява Encord про набір даних, який у п'ять разів перевищує обсяг YouTube, стане конкретним орієнтиром. Коли ці дані будуть розкриті, інші гравці матимуть чітку ціль, яку потрібно буде досягти або перевершити.
  • Темпи впровадження обладнання: Швидкість, з якою пристрої ЕЕГ та ЕМГ стануть стандартом у системах збору даних, покаже, чи масштабується цей підхід за межі експериментальних пілотних проєктів.
  • Показники вартості: Якщо Encord зможе наочно продемонструвати обіцяну 20-кратну перевагу в витратах, це може спровокувати хвилю нових гравців, зосереджених на «виробництві даних», а не на розробці моделей.
  • Розриви в продуктивності