在加州聖利安德羅的一間倉庫裏，一家名爲Encord的數據工具公司正在進行一項前沿實驗：讓"飛行員"佩戴帶有攝像頭和腦電波傳感器的頭顯設備，一邊玩疊疊樂積木，一邊採集大腦活動數據。這枚來自德國神經科學初創公司Zander Labs的腦電頭顯，能夠實時測量操作者在執行精細任務時的腦波信號，試圖從中推導出錯誤、意圖和驚訝等心理狀態，爲機器人模型創造更有價值的訓練數據集。

Encord認爲，人形機器人和倉儲機器人發展的真正瓶頸不是模型架構，而是真實世界物理訓練數據的極度匱乏。正如Encord機器人學習負責人Vineeth Velmurugan所言——"這些數據根本不存在"，而突破所需的數據規模大約是YouTube全部視頻庫容量的五倍。

從人工操作到數據工廠，物理AI的經濟學困境

倉庫內，飛行員們正使用"主從式"機械臂裝置——一隻由人類直接操控，另一隻模仿其動作——生成倒咖啡、堆撲克籌碼等任務訓練數據。貨架上擺滿假花、書籍、塑料蔬菜和貓砂盆，都是訓練家用操作機械手的道具。另一工位上，飛行員Sofia Infante正操控機械臂插拔服務器網線——這類數據中心運營商夢寐以求的自動化任務，目前仍因機械爪靈活度不足而遙不可及。

除腦電波外，Encord還在開發新的數據模態：在前臂綁戴傳感器組以檢測肌肉電信號，據此構建手部三維軌跡，彌補視頻中手指被遮擋的信息缺失。每個數據集都配有密集的物理動作標註（如"右手擰緊螺栓"），Velmurugan估算這種高質量標註對特定任務訓練的價值是普通數據的 100 倍，而生產成本僅爲 20 倍——理論上是一筆劃算的交易。

然而關鍵在於，與LLM廠商從互聯網近乎免費抓取文本不同，物理訓練數據必須被"製造"而非"收集"，這從根本上改變了模型構建的經濟學。Encord憑藉橫跨多家機器人公司的獨特位置，能夠先於任何單一客戶發現全行業數據技術的趨勢走向。在這間倉庫裏，十幾位飛行員日復一日地搭建着物理AI的基石——畢竟，機器人要學會疊積木，首先得有人願意一遍遍教它。