脑电进入机器人训练

Encord 与 Zander 正在试用脑电头显采集人类执行任务时的脑活动信号，并把它作为机器人训练数据的一部分。这一动向属于具身智能数据基础设施的早期观察：机器人模型缺少互联网文本那样的现成大规模数据，竞争可能转向多模态、主动制造的数据采集能力。

观察

合作目前仍是试运行阶段，计划先建立带脑电标签的数据集，再测试这些信号是否帮助机器人理解任务过程。
公开证据已经越过“完全没有增益实验”的阶段：2020 ICRA 工作在机器人导航稀疏奖励任务中用 EEG error-related signal 引导学习；2025 年预印本把离线 EEG classifier 的 error-related potentials 用于 7-DoF manipulation/reaching 的 reward shaping，并报告相对 sparse-reward baseline 的学习加速。
脑电、肌电、第一视角视频、多传感器记录和密集物理动作标注，被放在同一条数据演进线上。
机器人数据与文本 AI 数据不同：文本 AI 可以利用互联网沉淀，机器人 AI 需要主动采集真实世界动作和反馈。
Conduit 说明非侵入式神经数据可以围绕打字/语音目标被规模化采集和时间对齐。
Conduit 的任务是 thought-to-text，约一万小时和 zero-shot 结果也只是公司第一方声明；它没有证明神经数据能改善机器人训练。
EgoBrain 提供第一视角视频与 32 通道 EEG 的受控动作分类基线，官方数据页另含 IMU。
EgoBrain 没有 EMG 或 ECG；它回答的是 29 类动作分类问题，不是机器人策略学习、潜在意图识别或因果链估计。

窄结论已成立：在受控机器人导航与 manipulation/RL 设置中，作者实验显示 EEG 错误相关反馈可以改善探索或学习速度；这回答了“是否存在公开可测增益”的问题。
不能外推：这些实验不证明 EEG 已改善通用具身基础模型、视觉—语言—动作预训练、真实长期工业任务或安全关键部署。Encord/Zander 自身的试运行也仍无公开 benchmark。
最低验证门槛：后续比较需固定 sparse reward、人类按钮/显式反馈和随机噪声对照，报告被试/session 留出、EEG 解码错误、反馈权重、样本效率、最终成功率、真机/仿真设置和安全事件。
重开条件：跨实验室复现、公开代码/数据、跨任务/跨被试稳定增益，或真实机器人长期部署结果出现。