Hersengolven als nieuwe data voor fysieke AI
Grote taalmodellen leerden van het internet. Voor robots ligt dat anders. De data om een arm koffie te laten inschenken of blokjes te laten stapelen staat nergens kant-en-klaar. Dataspecialist Encord test daarom hersengolven als nieuwe trainingsbron, zo bericht techsite Yahoo op 27 juli op basis van eigen verslaggeving. Piloten dragen een sensorheadset terwijl ze taken uitvoeren, waarna het model naast beeld ook hun hersenactiviteit meekrijgt.
Fysieke AI loopt vast op data
Het knelpunt zit niet in de modellen, maar in wat je ze voert. Vineeth Velmurugan, hoofd robotleren bij Encord en eerder werkzaam bij OpenAI, vat het scherp samen: “de data bestaat simpelweg niet.” Hij schat dat een echte doorbraak ongeveer vijf keer de complete videovoorraad van YouTube vergt. Zoveel bruikbaar beeld van handelingen in de fysieke wereld ligt nergens klaar.
Video laat bovendien alleen zien wat er gebeurt, niet de intentie of de kracht erachter. Daarom verschuift het onderzoek naar opnames vanuit meerdere hoeken en naar dichte annotatie die per frame labelt wat er precies plaatsvindt. Dat is duur werk. Volgens Velmurugan is zulke data “honderd keer zoveel waard als rommelige ego-data”, terwijl het maken ervan twintig keer meer kost. Dezelfde datahonger zie je bij wereldmodellen als Open Dreamer en bij systemen die robots lokaal laten beslissen.
Wat hersengolven toevoegen
Encord test sensoren van het Duitse Zander Labs. Piloten spelen Jenga, schenken koffie in en stapelen pokerchips, terwijl de headset zowel hun blik als hun breinactiviteit registreert. Het idee: neurale signalen verraden de aandacht en bedoeling achter een handeling, iets wat een camera aan de buitenkant nooit vastlegt.
Lukas Gehrke, neurowetenschapper bij Zander, ziet daar een concrete toepassing in. Hersenpatronen geven volgens hem aanwijzingen over wanneer een robot zijn zwaarste en duurste model moet inzetten, en wanneer een lichtere variant volstaat. Het project zit nog in de proeffase, met een evaluatie voordat er sprake is van opschalen. Ook bij goedkopere routes naar fysieke AI, zoals robots die met slechts een camera navigeren, blijft de kwaliteit van de trainingsdata de bepalende factor.
Meta jaagt op dezelfde signalen
Het uitlezen van het brein wint breder terrein. Meta liet dit jaar zien dat niet-invasieve MEG-hersensignalen omgezet kunnen worden in tekst. De tweede versie van zijn Brain2Qwerty-model haalt volgens Meta 61 procent woordnauwkeurigheid, tegen 8 procent bij eerdere pogingen. Dat gaat nog niet over robots aansturen, maar het laat zien hoe snel niet-invasieve hersen-computerinterfaces vooruitgaan. De aandacht voor rijkere sensordata past in een bredere golf, van startups die geld ophalen voor AI-beeldsensoren tot labs die robots dichter bij de mens willen laten leren.
Wat betekent dit
Voor de robotica verschuift de flessenhals van modelarchitectuur naar data. Wie de juiste voorbeelden kan verzamelen, bepaalt hoe snel machines nuttig worden in fabrieken en huizen. Hersengolven zijn daarbij voorlopig een experiment, geen product. Ze roepen ook lastige vragen op over privacy en toestemming zodra breininformatie standaard wordt vastgelegd. Of de aanpak echt schaalt, moet blijken. Duidelijk is wel dat de strijd om fysieke AI zich niet langer alleen in de rekencentra afspeelt, maar ook op de werkbank en, letterlijk, in het hoofd van de mensen die de robots iets proberen te leren.
