Robotern gehen die Trainingsdaten aus, deshalb zeichnet ein Start-up Gehirnwellen auf
In einer Lagerhalle in San Leandro bezahlt Encord Menschen dafür, mit Headsets Jenga zu spielen, die Augen und Gehirnaktivität erfassen. Die Wette: Der Engpass für Roboter-KI ist nicht das Modelldesign, sondern Daten, die hergestellt statt aus dem Netz gesammelt werden müssen.
Die Spitze der Roboter-KI sieht laut TechCrunch derzeit aus wie ein Mann, der in einer Lagerhalle Jenga spielt. Andrew Ceja arbeitet als Pilot bei Encord, einem Anbieter von Datenwerkzeugen für das KI-Training, und zieht Holzklötze aus einem wackelnden Turm, während er ein Headset trägt. Eine Kamera verfolgt, was er sieht, inzwischen Standard beim Sammeln von Roboter-Trainingsdaten. Ungewöhnlich ist der zweite Satz Sensoren, der dabei seine Gehirnwellen misst.
Das Headset stammt vom deutschen Neurowissenschafts-Start-up Zander Labs. Dessen Wette lautet, dass das Lesen von Gehirnaktivität zur Ableitung mentaler Zustände, insbesondere Fehler, Absicht und Überraschung, einen reicheren Datensatz erzeugt als Video allein. Der Zander-Neurowissenschaftler Lucas Gehrke sagt, die Gehirnaktivität in jedem Moment einer Aufgabe deute darauf hin, wo ein Roboter sein aufwendigstes Modell benötigt und wo ein günstiges genügt. Encord sagt offen, dass es ein Versuch ist: einen mit Gehirnwellen markierten Datensatz erstellen, ihn durch Robotikmodelle von Kunden laufen lassen, prüfen, ob die Leistung wirklich steigt, und dann über die Skalierung entscheiden. Anderswo im Gebäude bedienen Piloten zwei gekoppelte Roboterarme, einen menschengesteuerten und einen spiegelnden, und erzeugen Daten zum Kaffeegießen und Stapeln von Pokerchips. In Regalen liegen Plastikgemüse, Katzenklos und Kabelbündel, der Alltagskram, mit dem ein Haushaltsroboter umgehen müsste.
Der Grund dafür ist eine Mauer, an der die Robotik immer wieder stoppt. Sprachmodelle entstanden aus kostenlos aus dem Internet gesammeltem Text. Einen vergleichbaren Berg an Daten der physischen Welt gibt es nicht. Encords Leiter für Roboterlernen, Vineeth Velmurugan, schätzt, für einen Durchbruch wäre ein Datensatz nötig, der ungefähr fünfmal so groß ist wie der gesamte Videobestand von YouTube; Video allein habe zudem nicht die Genauigkeit echter Erfassung. Die Daten müssen also hergestellt werden. Dichte Annotation, jedes Video mit Beschreibungen wie „rechte Hand zieht Schraube fest“ zu versehen, ist für das Training einer bestimmten Aufgabe etwa hundertmal so wertvoll wie rohe Ich-Perspektive, kostet aber rund zwanzigmal mehr. Auf dem Papier ein guter Tausch. In der Praxis ist zwanzigmal mehr echtes Geld, und genau diese Wirtschaftlichkeit begrenzt den Vergleich zwischen Roboter-KI und Chatbots.
Was das für dich bedeutet: Für die meisten Menschen heute nichts, und das ist in Ordnung. Es erklärt, warum brauchbare Haushaltsroboter seit Jahren noch ein paar Jahre entfernt sind, während Chatbots so schnell gut wurden. Es ist nicht dasselbe Problem: Das eine hatte kostenlose Trainingsdaten, das andere muss jede Stunde bezahlen. Wenn du das Feld verfolgst, achte weniger auf das nächste Humanoiden-Demovideo als darauf, ob Datenunternehmen wie Encord die Kosten physischer Trainingsdaten senken können. Wenn dich neue KI-Berufe interessieren: Ceja und seine Kollegin Sofia Infante kamen beide von Scale, einem weiteren Annotationsunternehmen. Robotern etwas beizubringen, indem man mit Sensoren sorgfältig Tätigkeiten ausführt, ist inzwischen eine Stellenbeschreibung.
Quellen
Quellen: https://techcrunch.com/2026/07/26/are-brain-waves-the-next-unlock-for-physical-ai/
METR fragt neu, ob ein KI-Agent tatsächlich günstiger ist als ein Mensch
Das Evaluierungslabor schlägt den Ausgabenhorizont vor: das Budget, ab dem ein Mensch dieselbe Optimierungsaufgabe kosteneffizienter erledigt als ein KI-Agent. Im ersten Test lag der Schnittpunkt irgendwo zwischen null und 3.000 US-Dollar.
