Мозговые волны как новый источник данных для физического ИИ

Физический ИИ (physical AI) — модели, управляющие роботами и взаимодействующие с реальным миром — столкнулся с проблемой данных. Если языковые модели можно обучать на текстах из интернета, а генеративные модели изображений — на миллиардах фотографий, то для обучения физического ИИ требуются принципиально иные типы данных: множественные ракурсы видео, плотная аннотация движений, тактильная обратная связь. И, как показывают последние исследования, скоро в этом списке появятся прямые измерения мозговой активности.

Проблема данных для физического ИИ

Современные frontier-модели физического ИИ обучаются на огромных массивах видеоданных. Но простого видео недостаточно — роботу нужно понимать не только то, как выглядит действие, но и какие мускульные усилия, траектории движения и тактильные ощущения с ним связаны. Аннотация таких данных вручную чрезвычайно трудоёмка и дорога.

Одно из перспективных решений — использование нейроинтерфейсов для сбора данных о намерениях и моторных командах человека. Электроэнцефалография (ЭЭГ) и другие методы измерения мозговой активности позволяют регистрировать нейронные сигналы, предшествующие движению, и использовать их как дополнительный канал информации для обучения ИИ.

Как мозговые волны могут помочь

Идея заключается в том, чтобы записывать активность мозга человека, выполняющего физические действия, и синхронизировать эти данные с видео и показателями датчиков. Нейронные сигналы содержат информацию о планировании движения, мышечных командах и сенсорной обратной связи — те самые данные, которые физическому ИИ труднее всего извлекать из обычного видео.

Например, когда человек берёт предмет, его мозг заранее генерирует сигналы, определяющие силу захвата, угол наклона кисти и траекторию движения. Если обучить модель ИИ предсказывать эти сигналы по видео, она сможет лучше планировать собственные движения. А если использовать ЭЭГ как дополнительный supervisory signal при обучении, качество работы физического ИИ может значительно вырасти.

Текущее состояние технологии

Исследования в этой области пока находятся на ранних стадиях. Основные вызовы включают низкое отношение сигнал/шум в ЭЭГ, необходимость калибровки под каждого человека и сложность выделения релевантных паттернов из сырых нейронных данных.

Тем не менее, прогресс в области нейроинтерфейсов — как инвазивных (чипы Neuralink, Synchron), так и неинвазивных (высокоплотная ЭЭГ) — делает эту идею всё более реалистичной. Компании, работающие над физическим ИИ, уже начинают исследовать возможность интеграции нейроданных в пайплайны обучения.

Если этот подход подтвердит свою эффективность, он может кардинально изменить ситуацию с данными для робототехники и embodied AI, открыв новый источник богатой информации о моторике и сенсорике человека.