積み木の塔の実験では、パイロットの Andrew Ceja が重要な木片を抜き取った瞬間、塔全体が揺れ始める。彼の脳は、計測可能な「誤りに気づいた」シグナルを生み出す。その仕組みについて、Zander Labs の神経科学者 Lucas Gehrke が説明する。こうした脳波活動の強度の変化は、モデル開発者が「いつ、最大の演算量を持つモデルを投入すべきか」を判断するのに役立つ。言い換えれば、AI は本当に重要な瞬間にだけ、すべての計算資源を使うことを学べるのだ。
「私たちが探っているのは、物理 AI のデータボトルネックの最前線にある解決策です。」Velmurugan はそう語る。
生成型 AI がチャットボットを飛躍的に進歩させているのと同じ時代の流れの中で、物理 AI はなお、いちばん基本的な学習データに困っている。Encord の脳波実験は SF のように聞こえるかもしれないが、突き詰めれば実務的な問いを指している。現実世界のデータが足りないとき、答えは人間の脳の中にあるのかもしれない。
機器人訓練のボトルネックには解決策があるのか？新発明の「脳波センサー」を着けて、AIに人間の「失敗の瞬間」を読ませる
物理 AI の最大のボトルネックは、チップやアルゴリズムではなく、学習データがそもそも足りないことにある。カリフォルニアの新興企業 Encord は、ロボットのトレーナーに EEG（脳波）感測器を装着させ、脳の活動のサインでそれぞれの失敗の瞬間を刻み、人間の神経シグナルから「ロボットが最も欠いている質の高い学習データ」を「製造」しようとしている。
（前情提要：Meta のブラックテクノロジー：ヘルメットをかぶって AI があなたの脳を読み、文字の正解率が 61% まで上昇）
（背景補足：網膜チップで失明者が光を取り戻す。先にマスクがヨーロッパで販売開始）
目次
Toggle
カリフォルニア州サンノゼの倉庫で、「パイロット」と呼ばれるロボットのトレーナーが、ぐらつく積み木の塔から慎重に木片を抜き取っている。頭にはカメラを搭載したヘルメットが載っており、ロボットの学習データ収集分野では珍しいことではないが、このヘルメットにはさらに数個の脳波感測器が付いていて、判断、迷い、そしてミスのたびに大脳の活動をリアルタイムで記録する。
これは、データツール会社 Encord が行っている実験だ。これまで Encord の顧客は、画像にラベル付けをしてモデルを評価する必要があるコンピュータビジョン企業だった。だが今では、もっと根本的な問題が見えてきた。顧客には、そもそも十分な学習データをラベル付けするだけの量がないのだ。そこで Encord は自ら下場して「製造」することを決めた。
データのラベラーからデータの製造者へ：物理 AI の飢えはどれほど深刻？
「これらのデータはそもそも存在しない。」Encord のロボット学習責任者 Vineeth Velmurugan はそう断言する。彼は OpenAI のロボット実験室や、倉庫自動化企業 Berkshire Grey で働いた経験があり、実世界の学習データの乏しさをよく知っている。
Velmurugan が挙げる驚きの数字はこうだ。生成型 AI がロボット領域で、チャットボットの成功を再現するには、必要な学習データ量は YouTube の全動画ライブラリの「約5倍」だという。これが、データ生成そのものが研究課題にとどまらず、ビジネスになりつつある理由だと説明できる。
現状、ロボットの「脳の学習」は主に2種類のデータソースに依存している。1つ目は、作業員にカメラを身につけてもらい「一人称視点」の映像を集める方法。2つ目は、遠隔操作のロボットが直接動作データを収集する方法。Encord は両方を行っていて、世界各地の工場で一人称データを集め、サンノゼの倉庫ではロボットを運用している。
しかし、この2つの方法には共通の盲点がある。それらは「何が起きたか」しか記録できず、人間の操作員が任務を遂行している最中にどんな「認知状態」にあったか、つまり、いつ困惑したのか。どのステップで迷ったのか。どの動作が計算ではなく直感によるものだったのか、を記録することができない。
脳波は AI に何を伝える？ドイツの新興企業 Zander Labs の EEG デコード技術
Encord が目を付けたパートナーは、ドイツの神経科学系スタートアップ Zander Labs だ。同社が開発した脳波感測ヘッドセットは、EEG の信号を通じて装着者の心理状態を推定できる。「エラーの知覚」「実行の意図」「驚きの反応」といったものを含む。
積み木の塔の実験では、パイロットの Andrew Ceja が重要な木片を抜き取った瞬間、塔全体が揺れ始める。彼の脳は、計測可能な「誤りに気づいた」シグナルを生み出す。その仕組みについて、Zander Labs の神経科学者 Lucas Gehrke が説明する。こうした脳波活動の強度の変化は、モデル開発者が「いつ、最大の演算量を持つモデルを投入すべきか」を判断するのに役立つ。言い換えれば、AI は本当に重要な瞬間にだけ、すべての計算資源を使うことを学べるのだ。
「私たちが探っているのは、物理 AI のデータボトルネックの最前線にある解決策です。」Velmurugan はそう語る。
脳波から学習データへ：未検証の賭け
Encord と Zander の協業は現在も試験段階にある。狙いは、まず脳波に紐づいたラベル付きの初期データセットを作り、それを顧客のロボットモデルに投入して、脳波データがモデルの性能を本当に高められるかを実際に評価する。その結果を見て、規模を拡大するかどうかを決める。
つまりこれは、典型的な「まず有用性を証明してから」という初期段階の技術への賭けだ。脳波感測器そのもののコスト、装着時の快適さ、そして騒がしい倉庫環境での信号の安定性――これらはいずれも、まだ解決されていない工学上の課題である。
だが Encord は、その道筋に自信があるようだ。Velmurugan によれば、同社は今年中にさらに 10 名のパイロットを追加し、脳波ラベル付きデータの収集規模を広げる計画だ。このルートがうまくいけば、脳波データはロボット訓練のデータ連鎖における新たな次元になり得る。「何が見えているか」だけでなく、「何を考えているか」までを示すのだ。
生成型 AI がチャットボットを飛躍的に進歩させているのと同じ時代の流れの中で、物理 AI はなお、いちばん基本的な学習データに困っている。Encord の脳波実験は SF のように聞こえるかもしれないが、突き詰めれば実務的な問いを指している。現実世界のデータが足りないとき、答えは人間の脳の中にあるのかもしれない。