物理的AI、特にヒューマノイドや倉庫自動化の分野において、データ不足が技術進歩の主要なボトルネックとなっている。テキスト生成AIがインターネット上の無尽蔵なデータを学習素材としたのに対し、物理操作の学習には現実世界の高忠実度データが不可欠であるが、その収集と大規模化は極めて困難である。この課題解決に向け、データツール開発企業のEncordは、人間の脳波や筋肉信号を計測するウェアラブルデバイスを活用した学習データ製造事業に着手した。 カリフォルニア州サンレアンドロに所在する同社の倉庫施設では、パイロット役の作業者がカメラ付きヘッドセットと脳波センサーを装着し、ブロック積み上げやネットワークケーブルの抜き差しなどの物理作業を記録している。この脳波計測はドイツの神経科学企業Zander Labsとの共同試行であり、エラー発生時の認知負荷や動作意図、驚きなどの神経活動パターンを抽出して、ロボティクスモデルの学習効率を高めることを目的としている。Encordのロボット学習責任者であるVineeth Velmurugan氏は、生成AIの概念を物理操作に応用する際、従来の映像データの数倍に相当する規模の学習セットが必要だと指摘する。 同社はまず頭部装着型カメラによる主体視点映像と併せ、前腕部に貼付したセンサーで筋肉の電気信号を検出することで、3D空間における手の位置や動作の微細な精度をより正確に推定する手法も開発中である。収集されたデータは物理的記述で密に注釈付けされ、既存の低品質なデータに比べ学習価値は約100倍になると試算される。ただし、製造コストは約20倍となるため、経済性の最適化が実用化のカギとなる。 現在Encordは、顧客ロボティクスモデルに対して脳波タグ付きデータの性能向上効果を検証するフェーズにあり、結果次第で本格的なデータ量産へ移行する。同社は複数のロボット企業と提携し、業界全体で有効なデータ収集手法を先取りで把握するポジションを強みとしている。物理的AIの進化には単なるデータ管理ではなく、データの戦略的量産が不可欠であり、神経活動計測や高密度注釈の試みは、実世界でのロボット自律操作の実用化に向けた重要な技術的転換点となる。