脳波データは物理AIの次の一手か Encordが検証実験、ロボット学習データ不足に挑む

⏱ 読了約8分3,315 字

📑 目次

脳波ヘッドセットを着けて働く作業員たち
物理AIに立ちはだかる「データが存在しない」という壁
脳波は「AIがどこで頑張るべきか」を教えるシグナルになるか
ビジネスへの影響 — ヒューマノイド企業がこぞって求めるデータ
Encordの検証はまだ試行段階
まとめ
参考・出典

米カリフォルニア州サンリアンドロの倉庫で、脳波測定用ヘッドセットを着けた作業員がジェンガのようにブロックを積んでいる。撮影しているのはAIデータアノテーション企業Encordだ出典。狙いは、ヒューマノイドロボットを訓練する新しいデータ源として人間の脳波を使えるかどうかを検証することにある。映像やテキストによる動作記述だけでは足りない「物理AI」の学習データ不足に、脳の電気信号という新たな候補が浮上している。

脳波ヘッドセットを着けて働く作業員たち

物理AIとは、ロボットアームやヒューマノイドなど、実際に身体を持って物理世界で作業するAIシステムを指す言葉だ。Encordのサンリアンドロ拠点では、Andrew CejaやSofia Infanteを含む約12人のパイロット役の作業員が、コーヒーを注ぐ、ポーカーチップを積む、イーサネットケーブルを挿すといった日常的な手作業を繰り返している出典。作業員はドイツの神経科学スタートアップZander Labs製の、カメラ追尾機能付き脳波ヘッドセットを装着しており、手を動かしている最中の脳活動が同時に記録される。Cejaは「毎日何か新しいことがある」と話しており、同じ作業に見えても収集されるデータは日々更新されているという。

物理AIに立ちはだかる「データが存在しない」という壁

Encordでロボット学習を統括するVineeth Velmuruganは、OpenAIのロボット研究所と倉庫自動化企業Berkshire Greyでの経験を持つ人物だ。彼は物理AIの学習データについて「データは単に存在しない」と明言している出典。大規模言語モデルはインターネット上のテキストをスクレイピングすればほぼ無料で学習データを集められたが、ロボットの手足の動きを学習させるにはそうはいかない。

Encordが集めているのは、作業員が装着したカメラによる一人称視点の映像に加え、複数アングルからの映像、そして「右手でボルトを締める」といった具体的な物理動作の密なアノテーションだ。Velmuruganによれば、この種の詳細な注釈付きデータは、粗雑な一人称視点データと比べて100倍の価値を持つ一方、制作コストは20倍かかるという。さらに彼は、物理AIを本格的に学習させるにはYouTube動画コーパスの5倍程度の規模のデータセットが必要になると見積もっている。Nvidiaが日本企業16社と物理AI連合を組んだ動きも、こうしたデータ需要の急拡大を背景にしていると見ることができる。

物理AI向けのデータ調達を手がけるのはEncordだけではない。同じくAIデータアノテーション企業のScaleも、この分野に参入している競合として名前が挙がっている。ヒューマノイドロボット企業が急増する中で、動画・アノテーション・脳波といった複合的なデータセットをどこよりも早く安く供給できるかどうかが、データアノテーション業界にとって新たな競争軸になりつつある。

脳波は「AIがどこで頑張るべきか」を教えるシグナルになるか

脳波(EEG)とは、頭皮に取り付けた電極で脳内の電気活動を測定する技術で、集中や疲労、認知的な負荷の変化を反映することが知られている。Zander Labsの神経科学者Lukas Gehrkeは、タスク遂行中のどの瞬間の脳活動が、モデル開発者にとって「最も労力のかかるモデル」をいつ展開すべきかの手がかりになる、との見立てを示している出典。人間がその作業を難しいと感じている瞬間の脳波パターンを検出できれば、AIモデル側にも「ここでは処理により多くの計算資源を割くべきだ」という手がかりを与えられるのではないか、という仮説だ。AI推論モデルが「考え中」にどれだけ計算を割いているかという話題と、発想の根っこは近い。

Encordはこれと並行して、前腕に装着する筋電センサーで筋肉の電気信号を検出し、手指の3D位置を再構成する手法も試験している。加えて、人間が一方のロボットアームを操作し、もう一方のアームがその動きを模倣する「リーダー・フォロワー方式」の装置を使い、対になった実演データも生成しているという。脳波・筋電・映像・アノテーションという複数のセンサーを同時に重ねることで、ロボットの動作学習に「人間がどう感じながらその動作をしていたか」という情報を上乗せできないか、というのがEncordとZander Labsの狙いだ。

ビジネスへの影響 — ヒューマノイド企業がこぞって求めるデータ

Velmuruganは「すべてのヒューマノイド企業がこうしたデータを求めてきた」と語っており、物理的な動作データそのものがロボティクス業界の競争資源になっている実態がうかがえる出典。テキストデータはほぼ無料で調達できたLLM開発と異なり、物理世界のデータ生成には人件費・機材費・アノテーション作業といった実コストがかかり続ける。この非対称性が、物理AI開発の速度を左右する構造的な制約として残っている。

ビジネスパーソンにとって注目すべきは、Encordのようなデータアノテーション専門企業への外注ニーズが今後さらに強まる可能性がある点だ。ロボティクス企業が自社で膨大な実演データを内製するのは非効率であり、脳波やエゴセントリック映像を含む複合的なデータセットを専門企業から調達する分業構造が広がっていくと考えられる。もし脳波データがロボットの性能改善に実際に寄与することが確認されれば、ウェアラブル脳波デバイスや神経科学スタートアップへの投資関心が、ロボティクス市場の拡大とともに高まる可能性もある。逆に言えば、この検証で明確な効果が確認できなければ、脳波は物理AI学習における一過性の実験で終わる可能性も残る。

Encordの検証はまだ試行段階

Encordは現在、Zander Labsと協力しながら脳波タグ付きデータセットを構築し、顧客のロボットモデルにそのデータを適用して性能が実際に改善するかを評価する試行段階にある出典。記事自体も明確な結論は示しておらず、物理的な訓練データを生成するコストの高さという構造的な課題が残ることを指摘して締めくくられている。脳波が本当に「モデルの努力配分」を示すシグナルになり得るのか、それとも一時的な実験に終わるのかは、今後Encordや顧客企業が公表する性能改善データ次第だ。仮にこの仮説が実証されれば、ヒューマノイドロボットの訓練パイプラインに脳波計測が標準的な工程として組み込まれる可能性がある一方、効果が確認できなければ、映像とアノテーションを中心とした従来型のデータ収集に回帰することになるだろう。いずれにせよ、物理AIの学習コストをどう下げるかという問いは、業界全体にとって当面解決しない課題として残り続ける。