La startup Encord, especializada en herramientas para gestionar datos de entrenamiento de IA, está probando un enfoque inusual para enriquecer los datasets con los que se entrenan robots humanoides: grabar las ondas cerebrales de las personas que realizan las tareas físicas que los robots deben aprender. Lo reporta TechCrunch el 26 de julio de 2026. En un almacén de San Leandro, California, los denominados «pilots» de Encord realizan tareas manuales (incluyendo jugar a Jenga) mientras llevan cascos con sensores EEG desarrollados por Zander Labs, una startup alemana de neurociencia.
El objetivo no es controlar robots con el cerebro — eso es lo que hace BrainCo y otros proyectos de interfaz cerebro-computadora clásica. El objetivo es capturar qué ocurre en el cerebro del operador humano mientras hace la tarea, para que los modelos de robot sepan cuándo el humano está especialmente concentrado, cuándo está usando más esfuerzo cognitivo y cuándo la tarea es rutinaria versus complicada.
Por qué los datos de ondas cerebrales pueden mejorar el entrenamiento robótico
Los modelos de robots humanoides se entrenan sobre demostraciones humanas: un operador hace la tarea, la grabación de esa demostración se usa como ejemplo de aprendizaje. El problema es que una grabación de vídeo no distingue entre cuando el humano está haciendo algo automático (haber repetido la tarea miles de veces) y cuando está tomando una decisión activa. Para el modelo de robot, todas las acciones se ven iguales en el vídeo.
Los datos de EEG añaden una dimensión que el vídeo no tiene: el estado cognitivo del operador en cada momento. Si el cerebro del pilot muestra alta concentración y activación durante ciertos movimientos, el modelo puede inferir que esos movimientos son los que más atención requieren — y por tanto los que más necesita aprender a ejecutar correctamente, en lugar de tratar todas las acciones con igual peso en el entrenamiento.
Vineeth Velmurugan, jefe de robot learning de Encord (veterano del robot lab de OpenAI y de Berkshire Grey, la empresa de automatización de almacenes), describe la aplicación práctica: ayudar a los modelos de robot a saber cuándo desplegar sus «modelos de mayor esfuerzo» — básicamente, cuándo la tarea requiere que el robot piense más antes de actuar.
La IA que controla el robot Astrobee en la ISS en microgravedad es otro ejemplo de cómo los sistemas de navegación robóticos necesitan entender qué partes de una tarea requieren más computación. En ambos casos, el desafío es la asignación de recursos cognitivos o computacionales a los momentos correctos. Nvidia, que ha dejado de competir en GPUs de gaming para centrarse en infraestructura de IA, es el proveedor de los chips que alimentan estos sistemas de robot learning.
Mi valoración
Lo que más me convence de la aproximación de Encord es la modestia de la afirmación. No dicen que las ondas cerebrales van a revolucionar el entrenamiento robótico — dicen que están probando si el EEG añade información útil a los datasets actuales. Eso es la forma correcta de explorar una hipótesis en un campo todavía muy inmaduro.
Lo que más me preocupa es la privacidad de los datos de ondas cerebrales. Los datos EEG durante tareas físicas cotidianas son una nueva categoría de datos biométricos sin marco legal establecido. Si el entrenamiento de robots termina dependiendo de estos datos, quién los posee, cómo se procesan y quién puede acceder a ellos son preguntas que el sector necesita responder antes de escalar.
El estado actual del robot learning tiene un problema estructural: los datos de entrenamiento capturan el «qué» de las acciones pero no el «por qué». Una grabación de vídeo de un humano recogiendo una caja y colocándola en una cinta transportadora contiene todos los movimientos pero no el razonamiento detrás de cada microdecisión. ¿Cuándo decide el operador que la caja pesa más de lo esperado y ajusta el agarre? ¿Cuándo detecta que el ángulo de la caja no va a caber bien en la cinta y lo corrige antes de colocarlo? El EEG puede capturar cuándo esas decisiones activas se producen, lo que en teoría permite distinguir las demostraciones «pensadas» de las automáticas y usarlas de forma diferente en el entrenamiento del modelo.
La startup lleva dos años trabajando en el San Leandro con operadores que realizan tareas progresivamente más complejas mientras usan los cascos. Los datos se fusionan con grabaciones de vídeo, datos de sensores de fuerza y seguimiento de manos para crear datasets multimodales que los ingenieros de robot learning esperan que sean cualitativamente distintos de los disponibles hasta ahora.
Preguntas frecuentes
¿Qué son los cascos EEG y cómo capturan ondas cerebrales?
EEG (electroencefalografía) es una técnica que registra la actividad eléctrica del cerebro a través de electrodos colocados sobre el cuero cabelludo. Los cascos de Zander Labs contienen múltiples electrodos que capturan señales eléctricas a alta frecuencia. El software convierte esas señales en indicadores de estado cognitivo: concentración, carga mental, estrés, rutina versus novedad. Son no invasivos (no hay agujas ni implantes) y los modelos más portátiles permiten moverse con relativa libertad durante tareas físicas.
¿Cuándo se espera que esta técnica impacte en robots humanoides reales?
Encord explicitamente describe esto como una prueba piloto, no como un sistema en producción. Antes de escalar, necesitan validar que los datos EEG añaden un beneficio medible en la calidad de los modelos entrenados (versus el coste de capturar esos datos). Si la prueba es positiva, la siguiente fase sería integrar el EEG en los pipelines de recopilación de datos de entrenamiento para los modelos de robot más avanzados. Los robots humanoides comerciales siguen siendo una categoría emergente en 2026; el impacto de esta técnica está a años de ser visible en productos de consumo.
¿Es Encord la única empresa explorando EEG para entrenamiento robótico?
Es la más visible en esta exploración específica, pero el campo de «interoceptive data» (datos sobre el estado interno del operador) en robot learning es activo. Otros labs de robots están explorando señales musculares (EMG), datos de frecuencia cardíaca y medidas de pupilometría para inferir el estado cognitivo. El EEG es el más informativo pero también el más incómodo de llevar durante tareas físicas sostenidas. La convergencia de estos datos con los datos de vídeo y sensores de fuerza es la apuesta más prometedora del sector.
☞ El artículo completo original de Natalia Polo lo puedes ver aquí
