Die KI-Datenplattform Encord und das deutsche Neurotech-Startup Zander Labs führen in einem Pilotprojekt in San Leandro, Kalifornien, einen experimentellen Ansatz zur Verbesserung von Robotiktrainingsdaten durch. Ziel ist die Nutzung passiver Gehirnwellenmessung, um menschliche kognitive Zustände als neue Datenlabels zu etablieren. Encord wurde 2020 von Ulrik Stig Hansen und Eric Landau gegründet und hat sich innerhalb weniger Jahre von einem spezialisierten Annotationstool zu einer zentralen Infrastruktur für multimodale KI-Daten entwickelt. Die Plattform verwaltet aktuell mehr als fünf Petabyte an Trainingsmaterial für über dreihundert Teams. Bei der Betreuung von Robotik-Kunden zeigten sich jedoch fundamentale Limitationen herkömmlicher visueller Erfassungsmethoden. Erstklassige First-Person-Videoaufnahmen dokumentieren zwar physische Handgriffe, liefern aber keine Informationen über zugrunde liegende Absichten, Fehlererkennung oder Entscheidungsdruck. Um diese Informationslücke zu schließen, integriert Encord nun EEG-Daten in den Trainingsworkflow. In den kalifornischen Räumlichkeiten proben Operatoren ein Headset, das neben Standardkameras passive elektrophysiologische Sensoren enthält. Die Hardware stammt von Zander Labs und misst kontinuierlich neuronale Aktivität, während komplexe Manipulationsaufgaben wie das Stapeln von Objekten oder das Handling von Serverkabeln ausgeführt werden. Die erfassten Signale werden algorithmisch gefiltert und mit den synchronisierten Video- sowie Motorikdaten abgeglichen. Ein speziell trainierter Klassifikator erkennt dabei spezifische neurophysiologische Marker, etwa Fehlerpotenziale im Millisekundenbereich oder Anzeichen steigender kognitiver Belastung. Das System liest keine Gedanken aus, sondern generiert statistische Labels, die kritische Handlungsmomente präzise kennzeichnen. Der erwartete Einfluss auf die Entwicklung physischer KI-Systeme ist signifikant. Fachexperten schätzen, dass durch diese tiefe multimodale Annotation der Trainingswert der Datensätze im Vergleich zu reinen Videodaten um das Hundertfache steigt. Robotikmodelle sollen so in die Lage versetzt werden, menschliche Absichten proaktiver zu antizipieren, Risikosituationen früher zu identifizieren und Rechenkapazitäten dynamisch zu steuern, etwa durch automatische Aktivierung aufwändiger Reasoning-Module bei hoher kognitiver Komplexität. Die Technologie befindet sich aktuell in der Validierungsphase. Encord wird die generierten Neuro-Labels zunächst in Testdatensätze einpflegen und deren Performance an Kunden im industriellen und akademischen Umfeld überprüfen. Gelingt der empirische Nachweis eines messbaren Accuracy-Gewinns, ist eine Skalierung des Ansatzes geplant. Zusätzlich evaluieren die Entwickler elektromyographische Unterarmsensoren, um Handbewegungen bei visueller Blockade unabhängig zu rekonstruieren.