脑电波：物理AI的下一个突破口？

当人们还在谈论AI如何通过观看海量YouTube视频学会走路、抓取物品时，前沿的物理人工智能（Physical AI）研究已经迈入了全新的数据维度。来自TechCrunch的报道指出，为了打造真正能够与物理世界交互的具身智能体，研究人员正在放弃被动式视频学习，转而采用多摄像头多角度、高密度标注的数据集，而下一步——将脑电波信号纳入训练体系——或许将彻底改变这一领域。

从“看视频”到“看世界”

过去几年，机器人学习的主流范式是“互联网预训练+微调”：模型从YouTube、TikTok等平台抓取数十亿段人类行为视频，学习抓取、行走、操作物体等基本动作。然而，这一方法存在明显局限：视频通常是单视角、低分辨率、带有大量环境噪声，且缺乏对物理交互的深度理解。一只猴子在YouTube上搬箱子，和一台机器人在真实仓库里搬箱子，所面临的动力学、摩擦力、物体可变性完全不同。

“YouTube视频只是给AI提供了‘观看’的机会，但没有提供‘感受’的渠道。”——业内研究人士评论

因此，前沿实验室（如Google DeepMind、MIT CSAIL、斯坦福）开始构建多摄像头环绕拍摄的精细数据集。比如，在机械臂周围安装8至16个摄像头，从各个角度同时记录每一次抓取、旋转、失败与成功。这种密集数据让模型能够学习物体在不同视角下的外观变化，以及操作动作在三维空间中的完整轨迹。但即便这样，仍然缺少一个关键元素：人类的意图。

意图缺失与脑电波的登场

物理AI的核心挑战之一是“意图对齐”：机器人不仅要知道如何执行动作，还要理解人类希望它做什么。传统的标注方式——由人类手动标记每一帧的动作类别（如“向左移动5厘米”“旋转30度”）——不仅效率低下，而且无法捕捉微妙的、未说出口的意图。例如，当一个人伸手去拿水杯时，他可能实际上想的是“喝水”，而不仅仅是“抓取杯子”。

脑电波（EEG）数据提供了一种全新的信号来源。研究者发现，通过非侵入式头戴设备记录人在执行任务时的大脑电活动，可以解码出运动意图、注意力重心，甚至是对环境变化的预期。这些脑电信号与多摄像头视频流进行同步标注，就能构建出“人类感知—人类意图—机器人执行”的完整闭环。

数据标注的“魔鬼”在细节

然而，将脑电波引入物理AI训练绝非易事。首先，EEG信号信噪比极低，容易受到眼球运动、肌肉电干扰，需要复杂的去噪算法。其次，不同个体的脑电模式差异巨大，需要大量跨被试数据来训练通用解码器。另外，多摄像头、密集标注、脑电波三者叠加产生的数据量呈现指数级增长，对计算和存储提出严峻挑战。

但研究者认为，值得投入。由脑电波驱动的物理AI模型有望在以下领域率先突破：

• 精准医疗：为残障人士提供脑控机械臂，实现毫米级操作
• 工业协作：机器人无需言语指令，仅凭工人脑中的运动意图即可协同作业
• 危险环境作业：通过脑电预判人类操作员的紧急反应，机器人可提前避险

编者按：一场从“数据量”到“数据质”的飞跃

物理AI的进化本质上是对数据维度的不断拓展。从互联网视频到多视角传感器，再到脑电波，每一次升级都在逼近人类感知与行动的真实边界。如果说大语言模型（LLM）证明了“更多数据+更大算力”可以涌现智能，那么物理AI的教训则是：数据质量与对齐性才是真正的瓶颈。脑电波的加入，或许能让机器不再只是“看”世界，而是学会“理解”世界——以及世界中的“我们”。

当然，这一方向面临隐私、伦理与技术成熟度的多重考验。当你的脑电波成为AI的训练数据，谁拥有这些信号的所有权？如何防止恶意使用？在技术狂奔的同时，制度建设必须同步跟上。

本文编译自TechCrunch