ロボットAIの訓練データ不足、脳波で解決なるか 米新興が試験的取り組み

物理世界で動くロボットやドローンなど「フィジカルAI」を鍛えるための訓練データが、動画だけでは足りなくなってきていると報じられています。米データインフラ企業Encordは、人間が作業中に発する「エラー」「意図」「驚き」を脳波から読み取り、ロボット訓練データに組み込む試験的な取り組みを、ドイツの神経科学スタートアップZander Labsと進めているといいます。従来はYouTubeなどの動画を大量に集めてロボットに学習させる手法が主流でしたが、実際の物理操作を精密に再現するにはそれだけでは精度が足りないとの見方が強まっています。TechCrunchが2026年7月26日に報じました。

背景

ChatGPTのような言語モデルはインターネット上の膨大なテキストを学習素材にできましたが、ロボットが物を掴む・注ぐ・組み立てるといった身体動作を学習するには、そもそも高精度な実世界データがほとんど存在しません。人型ロボットや倉庫自動化への投資が世界的に拡大する中、動画・センサー・シミュレーションを組み合わせて訓練データを新たに「作る」データ製造ビジネスが急速に立ち上がっています。Encordもこの分野のスタートアップの一社で、2026年2月には約6,000万ドル(約60億円)の資金調達を実施したとも報じられています。

詳細

記事によれば、Encordはロボット企業向けに訓練データを供給する事業を展開しており、単に既存データを整理するだけでなく、必要なデータそのものを新たに製造する方向に事業を広げています。同社のロボット学習責任者であるVineeth Velmurugan氏は、OpenAIのロボット研究チームや倉庫ロボット企業Berkshire Greyでの経験を持つ人物です。

その最新の取り組みが、Zander Labsとの脳波データ活用の試験です。Zander Labsは脳波測定用のヘッドセットを開発しており、神経科学者Lucas Gehrke氏の監督のもと、人間が作業する際の脳活動から「エラーに気づいた瞬間」「次に何をしようとしているかという意図」「予期しない出来事への驚き」を推測しようとしています。Zander側の説明では、作業中の脳活動の強さが、モデルがどの場面でより高い計算努力を割くべきかを判断する手がかりになるといいます。ただし、この取り組みはまだ本格導入ではなく、脳波タグ付きの初期データセットを作成し、それを顧客のロボットモデルに実際に通して性能が向上するかを検証したうえで、拡大するかどうかを判断する試験段階にあると報じられています。

データ収集の現場は、カリフォルニア州サンリアンドロにあるEncordの施設です。ここでは約12名のパイロット作業員が雇われており、Andrew Ceja氏や、データ企業Scale出身のSofia Infante氏らが、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接続するといった家庭やデータセンターを想定した動作を繰り返し、精密にラベル付けされたデータを生成しています。Ceja氏は「毎日何か新しいことがある」と話しているといいます。記事は、こうして密に注釈をつけたデータが、質の低い一人称視点動画データの100倍の価値を持つ一方、製造コストも20倍高くつくとも紹介しており、物理AI向けデータの経済性そのものが従来のテキスト・画像AIとは大きく異なることを示しています。

なぜ重要か

これまでAIの進化は「大量のテキストや画像をインターネットからかき集める」ことで加速してきましたが、ロボットのような物理AIではその前提が通用しないという点が今回の記事の核心です。人間の脳波まで使ってデータを補おうとする動きは、裏を返せば、物理AI開発のボトルネックがモデルの賢さではなく「良質な訓練データの絶対的な不足」にあることを示しています。日本でも人型ロボットや倉庫自動化、介護ロボットへの関心が高まっていますが、こうしたデータ製造の巧拙が、今後どの国・企業が実用的なロボットAIを早く実現できるかを左右する可能性があります。脳波センサーという手法自体はまだ試験段階であり、実用化するかどうかは今後の検証結果次第です。

今後の見通し

Encordは脳波タグ付きデータが実際にロボットモデルの性能を改善するかを検証したうえで、取り組みを拡大するかどうかを判断するとしています。効果が確認されれば本格的なデータ製造メニューの一つに加わる可能性がありますが、脳波センサーの装着負担やデータの標準化など課題も残るとみられ、実用化の時期は現時点では不明です。