脑电波或成物理AI下一个突破口：从视频训练到神经信号解码

在人工智能迈向物理世界的大潮中，训练数据的质量正成为决定模型能力上限的关键变量。据TechCrunch报道，前沿物理AI模型的训练范式正在经历一场静默但深刻的变革——依赖YouTube视频等公开影像素材的时代即将成为过去，取而代之的是多角度摄像头阵列、高密度空间标注，以及一个更具颠覆性的数据来源：人类脑电波读数。\n\n所谓”物理AI”（Physical AI），指的是能够理解三维空间、执行精细化物理交互的人工智能系统，涵盖人形机器人、自动驾驶、工业操控等场景。与处理文本和图像的大语言模型不同，物理AI需要学习”世界模型”——理解重力、摩擦力、刚体运动等物理规律，以及如何像人类一样灵活地与环境互动。\n\n传统训练数据多来自互联网视频，这种采集方式虽然成本低廉，但存在诸多局限：单一机位视角无法提供完整的三维空间信息，缺乏对动作意图的标注，也无法捕捉人类在执行复杂任务时的神经决策过程。业内人士指出，要训练出一个真正能在厨房里为你端茶倒水、在工厂里自主装配零件的机器人，模型需要”看见”人类大脑在操控身体时的完整信号链路。\n\n脑电波数据的引入正是为了弥补这一鸿沟。通过脑电图（EEG）或其他非侵入式神经接口采集人类在执行物理任务时的大脑活动，AI模型可以学习到动作背后的意图编码、注意力分配以及执行策略。这相当于直接打开了一扇窗口，让AI不仅模仿人类的动作，更理解人类”为何这样动”。\n\n从产业角度来看，这一趋势将带动脑机接口（BCI）、高精度运动捕捉和神经科学领域的投资热潮。当前多个AI实验室和机器人公司已开始内部构建此类多维数据集。虽然脑电波训练距离商用落地仍有距产，但一旦实现突破，物理AI的能力将获得质的飞跃——从简单的重复性劳动迈向真正”类人”的灵活性与泛化能力。\n\n可以预见的是，物理AI的赛道竞争正从”算力军备竞赛”悄然转向”数据质量军备竞赛”，而脑电波数据可能成为这场博弈中最重要的筹码之一。

来源： TechCrunch报道（作者：Tim Fernholz）