Physical AI braucht physische Daten — und zwar viele. Und einige Startups glauben, dass die nächste große Datenquelle nicht eine Kamera oder ein Sensor ist, sondern das menschliche Gehirn.
Das in London ansässige Datenunternehmen Encord arbeitet mit dem deutschen Neuro-Wissenschafts-Startup Zander Labs an einem Pilotprojekt, das First-Person-Videos erfasst, während ein Mensch eine Aufgabe ausführt, synchronisiert mit EEG-Hirnwellensignalen eines Headsets. Das Ziel: Momente von Fehlern, Absicht und Überraschung in den Daten markieren und KI-Modellen damit eine Bedeutungsebene geben, die rohes Video nicht bietet.
Die Idee: Wenn ein Roboter aus menschlichen Demonstrationen lernt, lernt er nicht nur, was zu tun ist — er sollte auch lernen, was der Mensch dachte. Ein Hirnwellensignal, das auslöst, wenn der Mensch einen Fehler macht, zögert oder von einem Ergebnis überrascht ist, sagt dem Modell etwas über die Struktur der Aufgabe, das Pixel allein nicht vermitteln können.
Zander Labs baut EEG-Headsets, die aus Gehirnaktivität mentale Zustände ableiten. Encords Plattform verwaltet und labelt die riesigen Datensätze, mit denen verkörperte KI für humanoide Roboter und Lagerhäuser trainiert wird.
Das Projekt befindet sich noch in der Erprobung. Encord will einen ersten hirnwellen-markierten Datensatz aufbauen, ihn mit Kunden-Robotikmodellen testen und bewerten, ob die Labels die Leistung tatsächlich verbessern.
Falls es funktioniert, könnte der Ansatz einen der größten Engpässe der Physical AI lösen: die Knappheit hochwertiger Trainingsdaten aus der realen Welt — genau jenen Engpass, den Datenanbieter zu lösen versuchen, indem sie Datensätze herstellen statt nur zu kuratieren.
