物理AI（Physical AI）的瓶颈正从模型架构转向训练数据的稀缺。Encord 是一家为AI模型提供数据标注与管理工具的公司，现在它开始直接制造数据。在加州圣莱安德罗的仓库里，工作人员佩戴集成脑电波传感器的头显进行机器人训练数据采集（如玩叠叠乐）。这家公司与德国神经科学初创公司 Zander Labs 合作，通过测量脑电波来推断操作者的意图、错误或惊讶状态，从而生成更丰富的训练标签。目前这仍是试验性项目，Encord 计划先构建一个首批脑电波标注数据集，再评估其对机器人模型性能的影响。

Encord 的机器人学习负责人 Vineeth Velmurugan（前 OpenAI 机器人实验室与伯克希尔格雷员工）指出，端到端学习在机器人操控任务中面临数据根本不存在的问题。生成式AI在机器人领域的落地受困于物理世界数据的高昂获取成本——他估计需要约 五倍于 YouTube 视频语料库 规模的数据集才能取得突破。这种数据无法像互联网文本那样免费抓取，必须被制造出来。

除脑电波外，Encord 还探索其他新数据模态：在操作者前臂捆绑传感器检测肌肉电信号，以构建手部位置的 3D 模型；使用主从操控机器人收集精细操作数据（如倒咖啡、堆筹码、给服务器插拔线缆）。所有视频数据都附带物理描述标注（如“右手拧紧螺栓”），Velmurugan 认为这类密集标注对特定任务的效果是“低质量第一人称视角数据”的 100 倍，但生产成本仅高出 20 倍。

然而“20 倍”仍是真实资金门槛。这揭示了物理AI与大型语言模型发展路径的本质差异：后者的数据近乎免费，前者必须工业化制造。Encord 因同时服务多家领先机器人公司（虽未具名），能观察业内哪些数据技术真正奏效，这构成其独特优势。但脑电波等新方法能否规模化仍取决于最终测试结果。