Ondas cerebrais podem ser a próxima fronteira da IA física

Ondas cerebrais podem ser a próxima fronteira da IA física

O futuro da inteligência artificial física está sendo moldado em um galpão em San Leandro, Califórnia — e ele começa com uma partida de Jenga. A startup Encord, especializada em ferramentas de dados para treinamento de modelos de IA, está apostando que o verdadeiro gargalo da robótica não está na arquitetura dos modelos, mas na escassez de dados reais de treinamento físico. E para resolver isso, está indo além do vídeo: sensores de ondas cerebrais.

Andrew Ceja, um dos “pilotos” da Encord — termo que a empresa usa para seus treinadores robóticos — manipula blocos de madeira enquanto usa um headset com câmera e sensores que medem sua atividade cerebral. O dispositivo foi construído pela Zander Labs, startup alemã de neurociência que acredita que medir estados mentais como erro, intenção e surpresa pode gerar conjuntos de dados mais ricos para treinar robôs.

Para Vineeth Velmurugan, chefe de aprendizado robótico da Encord e veterano do laboratório de robótica da OpenAI, este é o “limite extremo” do esforço para resolver o gargalo de dados na robótica. “Os dados simplesmente não existem”, afirma.

Fabricar dados, não apenas coletá-los

A diferença crucial entre LLMs e IA física está na origem dos dados. Modelos de linguagem foram treinados com o texto de toda a internet. Encontrar matéria-prima equivalente para ensinar redes neurais sobre manipulação física é muito mais difícil. Velmurugan estima que será necessário um conjunto de dados cinco vezes maior que todo o corpus de vídeos do YouTube para alcançar um avanço significativo.

É por isso que a geração de dados se tornou um negócio, não apenas um problema de pesquisa. A Encord opera em duas frentes: coleta de vídeo “egocêntrico” (trabalhadores usando câmeras, com ângulos adicionais e métricas corporais) e operação remota de robôs para capturar habilidades específicas.

Durante a visita da TechCrunch ao galpão, pilotos usavam braços robóticos em configuração líder-seguidor — um controlado diretamente por um humano, outro imitando seus movimentos — para gerar dados sobre tarefas como servir café e empilhar fichas de pôquer. “Toda empresa de humanoides nos pediu isso”, diz Velmurugan.

Anotação densa e sensores musculares

Além das ondas cerebrais, a Encord está desenvolvendo sensores de antebraço que detectam sinais elétricos nos músculos para construir uma representação 3D da posição da mão — algo que câmeras tradicionais frequentemente perdem por oclusão.

Os conjuntos de dados são anotados com descrições físicas como “mão direita aperta parafuso”, auxiliando modelos baseados em LLMs a entenderem o contexto. Velmurugan estima que anotação densa vale 100 vezes mais que “dados egocêntricos genéricos” para tarefas específicas — e custa apenas 20 vezes mais para produzir.

Mas “apenas 20 vezes mais” ainda é dinheiro real, e esse é o ponto crucial: gerar dados físicos de treinamento não é barato. Enquanto raspar texto da internet custou quase zero para os laboratórios que construíram LLMs, fabricar dados robóticos muda completamente a economia da construção desses modelos.

O valor de sentar entre gigantes

Um diferencial da Encord é sua posição privilegiada: ao trabalhar com múltiplas empresas de robótica simultaneamente, a startup consegue identificar quais técnicas de dados estão ganhando tração em toda a indústria antes que qualquer cliente individual perceba. Velmurugan diz que consegue ver startups e grandes laboratórios descobrindo, em paralelo, o que funciona e o que não funciona para melhorar modelos de IA física.

O trabalho com a Zander Labs ainda está em fase experimental. A meta é construir um conjunto inicial de dados com tags de ondas cerebrais, testá-lo em modelos de clientes e avaliar se realmente melhora o desempenho antes de decidir escalar.

Enquanto isso, Ceja e seus colegas pilotos — muitos vindos de empresas de anotação de dados como a Scale — seguem derrubando torres de Jenga. “É algo novo todo dia”, diz ele.