Nel dinamico panorama della robotica fisica, una frontiera innovativa sta emergendo: l'applicazione delle onde cerebrali per potenziare i modelli di intelligenza artificiale fisica. A San Leandro, California, l'azienda Encord sta conducendo esperimenti pionieristici, misurando l'attività cerebrale dei "piloti" di robot durante le sessioni di addestramento. Questa metodologia mira a raccogliere dati preziosi che, unendo neuroscienze e tecnologia, possano migliorare significativamente l'apprendimento delle macchine.
La Frontiera delle Onde Cerebrali nell'AI
Encord, specializzata in strumenti per l'addestramento di modelli AI, collabora con Zander Labs, una startup tedesca di neuroscienze. L'obiettivo è creare set di dati arricchiti da segnali cerebrali, interpretando stati mentali come errore, intenzione e sorpresa. Questo approccio è considerato il "bleeding edge" per superare il collo di bottiglia dei dati di addestramento per la robotica, come sottolineato da Vineeth Velmurugan, responsabile dell'apprendimento robotico di Encord.
Parallelamente, anche la Cina sta esplorando questa direzione. BrainCo, un'azienda di Hangzhou, ha presentato al World AI Conference di Shanghai una piattaforma "cervello-a-robot" che consente di controllare i robot tramite segnali neurali catturati da un headset EEG non invasivo.
Questo sistema traduce le intenzioni dell'utente in azioni robotiche, dimostrando la capacità di manipolare oggetti con il solo pensiero.
Strategie di Acquisizione Dati e Sfide Economiche
La scarsità di dati di addestramento fisici nel mondo reale rappresenta una delle maggiori sfide per i robot umanoidi e la robotica da magazzino. Encord non si limita a gestire i dati esistenti, ma si impegna attivamente nella loro produzione. Le strategie includono la raccolta di dati "egocentrici" tramite operatori che indossano telecamere, spesso integrati con angolazioni aggiuntive e altre metriche, e l'acquisizione di dati da robot operati a distanza.
Questi nuovi formati di dati, come quelli che integrano onde cerebrali o segnali elettrici muscolari, offrono una fedeltà e una comprensione più robuste rispetto ai video tradizionali.
Le annotazioni dettagliate, che descrivono con precisione le azioni ("mano destra stringe bullone"), sono considerate cento volte più efficaci per l'addestramento di compiti specifici rispetto ai dati grezzi. Tuttavia, la loro produzione è significativamente più costosa – circa venti volte di più – rispetto alla raccolta di testi per i modelli LLM, che attingono a risorse online quasi gratuite. Questa sfida economica evidenzia la differenza fondamentale: i dati fisici devono essere "fabbricati", non semplicemente raccolti.
Il Futuro della Robotica Intuitiva
L'innovazione nella generazione di dati di addestramento è cruciale per il progresso della robotica fisica. Progetti come quello di Encord, che sviluppano nuove modalità di dati attraverso l'integrazione di neuroscienze e sensori muscolari, non solo aumentano l'efficienza dei modelli AI ma ridefiniscono i confini delle capacità robotiche.
La collaborazione tra aziende e l'adozione di queste tecnologie avanzate spingono verso un futuro in cui la robotica sarà sempre più integrata e intuitiva, apprendendo dalle intenzioni umane in modi precedentemente inimmaginabili.
