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。

Encord 的官网目前支持其作为 Physical AI 多模态数据基础设施公司：业务覆盖现场／遥操作采集、标注、筛选、评测和部署反馈；这不等于 EEG 模态已经被客户采用。
Zander Labs 官网公开 SAMANAI 神经适应平台和在研 Zypher 移动 EEG 套件，并把 passive BCI 用于 mental-state monitoring 与 neuroadaptive AI。官网能力描述是公司自述，不能替代跨人、跨设备和机器人下游 benchmark。
TechCrunch确认双方当前只是试验：构建初始 EEG 标签集、进入客户机器人模型测试、再决定是否扩展。原页此前的“正在试用”判断成立，但不能升级为合作已产生性能收益。
Akinola 等人的受控导航实验提供最接近的任务级锚点，也暴露阈值问题：5 名被试的 ErrP 分类器准确率为 0.60–0.67，可形成有效引导；另外 2 名为 0.56／0.57，未形成可用策略。

这把后续验证问题从“脑电是否可能有用”推进为“在何种被试、设备、任务和成本条件下稳定有用”。Encord/Zander 若公开结果，至少应同时报告参与者与 session 留出、EEG 解码准确率、显式反馈／随机 EEG 对照、样本效率、最终成功率、数据制造成本和失败样本。

学术链已补齐 Accelerated Robot Learning via Human Brain Signals 的 9 名作者，以及 Accelerating Reinforcement Learning via Error-Related Human Brain Signals 的 3 名作者。前者的 Iretiayo Akinola 后续进入 NVIDIA，形成研究者从哥大 EEG 机器人反馈研究到商业机器人学习基础设施的跨时间桥梁。

产业链已把 Encord 拆到 Cord Technologies, Inc.／Cord Technologies Limited，把 Zander Labs 拆到四个德荷法律主体，并加入 NAFAS、SAMANAI 与 Zypher。这些关系提高了图谱密度，但不改变 EEG 试验仍缺公开客户模型 benchmark 的结论。