SAN LEANDRO, KALIFORNIEN / LONDON (IT BOLTWISE) – In einer Warehouse-Umgebung testet Encord Robotertrainer mit einem Headset, das Hirnaktivität während präziser Greif- und Manipulationsaufgaben erfasst. Die Idee: Nicht nur Videos sammeln, sondern mentale Zustände und Fehlerphasen als Tags in Trainingsdatensätze überführen. Das soll die Lücke schließen, die bei humanoider und Lagerrobotik durch zu wenig verlässliche Real-World-Trainingsdaten entsteht. Ob sich das in messbare Modellgewinne übersetzt, prüfen die Teams zunächst in einem Pilot-Setup mit einem externen Neurowissenschafts-Startup.
Physical KI steckt derzeit in einem Dilemma, das viele Teams aus dem LLM-Umfeld kennen: Architekturinnovationen allein reichen nicht, wenn die Datenbasis fehlt. Im kalifornischen San Leandro baut Encord genau an dieser Engstelle weiter – und macht sie messbar. In einer Halle, die eher nach Logistik als nach Labor aussieht, trainiert ein Robotertrainer (so nennt das Unternehmen seine menschlichen Operator) eine Manipulationsaufgabe, indem er in einem Kamerabild zuschaut, was passiert, und gleichzeitig die Umgebung für das Data-Engineering kontrollierbar macht. Zentral ist dabei nicht nur die übliche Datenerfassung per Headset-Kamera, sondern zusätzliche Sensorik, die Hirnaktivität während des Ablaufs misst.
Der Ablauf wirkt auf den ersten Blick wie ein Test für Robotik-Trainingsdaten: Ein Pilot zieht Holzblöcke aus einem wackeligen Jenga-Turm, der Rechner wertet das Video- und Blickgeschehen aus, und daraus entstehen Trainingsbeispiele. Doch die zusätzliche Ebene sind Gehirnwellenmessungen – das Headset wird von einem deutschen Neurowissenschafts-Startup entwickelt, das daraus Rückschlüsse auf mentale Zustände ziehen will, etwa Fehler, Intention oder Überraschung. Für die eigentliche Physical-KI-Entwicklung ist das spannend, weil der Lernprozess nicht nur „Was wurde getan?“ braucht, sondern auch Kontext darüber, wann eine Person die Aufgabe besonders kontrolliert oder unsicher ausführt. Encord beschreibt den Schritt als Pilotversuch: Ziel ist ein initialer datensatz mit Gehirnwellentags, der anschließend durch Kundenmodelle läuft, um die Frage zu beantworten, ob sich die Leistung im Feld wirklich verbessert.
Damit rückt ein eher technisches Detail in den Fokus: Wie ordnet man Trainingsdaten zu, sodass Modelle nicht nur Muster in Pixeln erkennen, sondern relevante Zustände im Ablauf verstehen? Lucas Gehrke, der die neurowissenschaftliche Arbeit im Projekt begleitet, formuliert es im Kern so, dass die Dynamik der Gehirnaktivität über einen Task hinweg Hinweise für Modellbauer liefert – also Hinweise darauf, wann die höchste Anstrengung beim Entscheidungsprozess sinnvoll ist. Encords „Robot Learning“-Team hat dafür eine Position zwischen vielen Parteien in der Branche aufgebaut: Die Sicht auf diverse Programme soll helfen, früh zu erkennen, welche Datentechniken Industrie-weit greifen, bevor einzelne Kunden ihre Roadmaps daran ausrichten. Genau dieser Blick „zwischen“ Herstellern und Forschung wird zur Produktidee: Encord will nicht nur Datensätze verwalten, sondern gezielt Datensätze herstellen und veredeln.
Die eigentliche Begründung für den Hardware- und Datenaufwand liegt in den Kosten und in der Skalierung. Velmurugan, Leiter Robot Learning bei Encord, ordnet das Problem direkt als „Datenbottleneck“ ein: Was Chatbots dank riesiger Textkorpora in großen Sprachmodellen gelernt haben, lässt sich für Roboter-Manipulation nicht analog kopieren. Selbstfahrende Systeme sammeln zwar ebenfalls große Mengen Sensordaten, aber das skaliert nicht ohne hohen organisatorischen und physischen Aufwand. Video allein kann helfen, ist jedoch oft nicht die gewünschte Präzision, und es fehlen häufig die notwendigen Dimensionen, um aus „sehen“ wirklich „verstehen“ für kontrollierte Greif- und Präzisionsbewegungen zu machen. Deshalb versucht Encord mehrere parallele Datenquellen aufzubauen: egocentrisches Video von Arbeitern mit Kameras, ergänzende Blickwinkel und zusätzliche Metriken – und Daten, die aus Fernbetrieb von Robotern stammen.
In San Leandro werden dafür Pilotstationen eingesetzt, die sehr konkret zeigen, wo die Schwierigkeit liegt. Ein Setup arbeitet mit Leader-Follower-Rigs: gekoppelte Roboterarme, bei denen ein menschlich gesteuerter Arm die Bewegung vorgibt und ein zweiter Arm sie nachbildet. Damit entstehen Trainingsdaten für Aufgaben wie das Umschütten von Kaffee aus einem Gefäß in Tassen – mit typischen Bewegungs- und Fließeffekten, also „sehr schlampiger“ Flüssigkeitsdynamik – oder das Stapeln von Spielchips. Solche Beispiele sind nicht zufällig: Encord nutzt eine Art Musterwelt aus Haushalts- und Lagerobjekten, von Attrappenpflanzen in Vasen über Bücher und Plastikgemüse bis hin zu Tabletts für Katzenstreu und verschiedenen Kabel- oder Drahtbündeln. In einer zweiten Station üben Piloten, wie man Ethernetkabel am Servergehäuse ein- und aussteckt, doch gerade hier wird sichtbar, warum „nur Video“ nicht genügt: Greifer sind deutlich weniger dexter als menschliche Finger, zudem fehlt ihnen die Freiheitsgrad-Dichte, die menschliche Arme intuitiv ausspielen.
Auch bei der Annotation verfolgt Encord einen Ansatz, der eher auf dichte semantische Beschreibung setzt als auf „krude“ egocentrische Signale. Die Datensätze erhalten physische Metadaten darüber, was in jedem Clip passiert, etwa Formulierungen der Art „rechte Hand zieht eine Schraube fest“, damit Modelle Ereignisse und Handlungen im Lernprozess besser verknüpfen können. Velmurugan schätzt, dass diese dichte Annotation für bestimmte Tasks etwa ein Hundertstel- bis Größenordnungsproblem gegenüber „unhandlichen“ egocentric-Ansätzen aufwiegt: 100-mal wertvoller in der Lernwirkung, aber nur rund 20-mal teurer in der Produktion – zumindest in der Rechnung. Der entscheidende Haken bleibt jedoch: Während bei LLMs Textdaten aus dem Web in der Größenordnung von Frontier-Labs relativ günstig zugänglich sind, müssen physische Trainingsdaten hergestellt werden, nicht „nur“ gesammelt. Damit ändert sich das Geschäftsmodell für Physical-KI: Datenproduktion wird zur zentralen Wertschöpfungsschicht, nicht zum Nebenprodukt.
Um diese Wertschöpfung zu operationalisieren, ergänzt Encord Video-Modalitäten mit weiteren Sensoriksignalen. Ein neues Vorhaben nutzt Sensoren am Unterarm, um elektrische Signale aus Muskeln zu erfassen, sodass man hand- und greifbezogene Zustände besser rekonstruieren kann, die im reinen Videobild manchmal nicht vollständig sichtbar sind. Die Vision ist eine robustere 3D-Darstellung des Handzustands im Zeitverlauf, abgeleitet aus Arm-Sensordaten – damit das Modell nicht nur „was sieht man“, sondern „wo und wie bewegt sich die Hand“ genauer modelliert. Dass Encord parallel an mehreren Datenformen arbeitet, zeigt auch die Teamstruktur: Zwei der Piloten, Sofia Infante und Andrew Ceja, kommen aus dem Umfeld früherer Data-Annotation- und Robotikdaten-Teams und bringen die Erfahrung mit, Aufgaben in wiederholbare Lernsequenzen zu übersetzen. Ceja beschreibt den Arbeitsalltag als täglichen Wechsel, während der Jenga-Turm tatsächlich jedes Mal eine neue Fehler- und Intentionsepisode erzeugt – genau das, was Physical KI am Ende aus Trainingsdaten herausziehen muss.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Gehirnwellendaten als neue Trainingsbasis: Encords Physical-AI-Ansatz in San Leandro" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Gehirnwellendaten als neue Trainingsbasis: Encords Physical-AI-Ansatz in San Leandro" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Gehirnwellendaten als neue Trainingsbasis: Encords Physical-AI-Ansatz in San Leandro« bei Google Deutschland suchen, bei Bing oder Google News!