用脑电波训练机器人？中美现在疯狂投资的原因

开篇

订阅者朋友，最近中国的一家研究所公开了一个有趣的场景。给人们戴上脑电波测量头盔，在这个人叠衣服、拿咖啡壶、整理物品的过程中，实时记录他大脑发出的电信号。然后把这些数据喂给机器人。

这和“教机器人物理法则”的传统方式完全不同。它是把人类老手的诀窍本身以电信号的形式提取出来，移植给机器人。这在学术上被称为基于BCI（Brain-Computer Interface）¹的机器人训练。

但这里出现了一个问题。如果这项技术真的行得通，那么“出借大脑”的那个人应该得到什么呢？今天我们就来一起聊聊这项技术的真面目，以及它抛出的令人不安的问题。

脑电波教机器人的原理

先说说科学背景。核心原理其实比想象中直观。

当一个人盯着机器人的动作看，一旦机器人出错，大脑就会无意识地产生特定的电信号。这被称为ErrP（Error-Related Potential）²，是在人意识到错误后约200~400毫秒之间，出现在额叶中央部位的一种独特波形。简单来说，就是大脑无意识地反应出“啊，那个错了”的信号。

研究者们发现，这种“大脑的皱眉”可以被用作机器人强化学习³的奖励信号。人不需要一一输入“对/错”，只要在旁边看着，大脑就会自动给出反馈。

这一领域的奠基性研究是2017年德国DFKI研究所发表在《Scientific Reports》上的论文。该团队仅凭EEG⁴测量的错误信号，就成功让机器人学会了手势—动作的映射，单次试验的错误检测准确率高达91%。

到了2020年，哥伦比亚大学的Akinola等人又前进了一步。他们证明，只要BCI反馈的准确率达到60%以上，基于脑信号的学习就能达到与人工设计的奖励函数相近的性能。也就是说，人不需要编写复杂的规则，只要在旁边观察，机器人就能学习。

2023年，德国弗劳恩霍夫研究所取得了一项重要的实用性突破。他们确认，即便不用需要涂抹凝胶的麻烦的湿电极，改用干式EEG耳机，学习效果依然显著。这意味着该技术有可能走出实验室，用于工厂现场。

中国为何疯狂押注

如果这项技术还只停留在学术论文层面，那就不会成为本期通讯的主题了。真正值得关注的是，中国正在举国之力全力押注这一领域。

2025年8月，中国政府7个部门联合发布了《关于促进脑机接口产业创新发展的实施意见》。目标是到2027年实现核心技术突破，到2030年建成具备全球竞争力的生态系统。2025年12月的深圳BCI博览会上，甚至启动了规模达116亿元人民币（约2,200亿韩元）的脑科学基金。

中国的BCI市场规模截至2024年约为32亿元人民币（约6,000亿韩元），核心企业约有170家。其中82%专注于非侵入式（不需要开颅）方式。这与埃隆·马斯克的Neuralink方向不同。

实际的演示也在陆续出现。杭州的Deep Robotics在央视上演示了用EEG头盔控制机器狗的场景，上海的Fourier Intelligence也公开了人形机器人GR-1的BCI控制视频。2024年10月，澳大利亚、香港、北京的联合研究团队发布了E2H（EEG-to-Humanoid）框架，从10名受试者身上收集了23.6小时的EEG数据，成功用其控制人形机器人的全身动作。

我关注的不只是单纯的技术演示，而是中国正试图在标准化上抢先一步。中国首个BCI医疗器械标准（YY/T 1987-2025）将于2026年1月1日起实施，湖北省也成为第一个将BCI手术纳入公共医保支付范围的地方政府。技术→标准→产业化的管线，正在被系统性地铺设。

如果把现代汽车老工人的技术移植给Atlas？

好，我们不妨来想象一下。假设现代汽车蔚山工厂有一位拥有30年经验的装配老工人。给这位工人戴上脑电波测量头盔，让他像平常一样进行装配作业。如果把这些脑电波数据训练给波士顿动力的Atlas，会发生什么？

这并非纯粹的幻想。现代汽车集团在2021年以11亿美元（约1.5万亿韩元）收购了波士顿动力80%的股份，并在2026年CES上公开了量产型电动Atlas，这是一款身高189厘米、自由度56个、IP67防水防尘、可连续运行4小时、能举起50公斤物体的机器人。大规模量产时的价格约为2亿韩元，比韩国制造业工人两年的人工成本还要低。而且这款机器人每天可以工作16小时。

2025年8月，波士顿动力与丰田研究所演示了LBM（Large Behavior Model）。其结构是：只要一台机器人通过遥操作⁵或自主练习学会一项技能，这项技能就能被复制到整个机器人舰队。相当于从一位老工人身上提炼出的诀窍，可以同时移植给数千台机器人。

现代汽车的目标是到2028年实现3万台的量产。仅在2025年，波士顿动力就部署了500多台，创造了约1.3亿美元的销售额，2026年的产量已全部售罄。

领10亿退休 vs 坚守技术：报酬的方程式

这里出现了一个令人不安的问题：应该给那位老工人什么回报？

现实中，大多数情况下并没有具体的报酬。但已经出现了几种模式。

最直接的形式是遥操作工资。美国的Weave Robotics等公司会向远程操控机器人、生成训练数据的工作人员支付每小时25美元（约3.5万韩元）。但这更接近单纯的劳动报酬，而非“技术IP的价值”。

在平台层面，涉及的金额则更大。Reddit向谷歌和OpenAI提供AI训练数据，每年获得约1.3亿美元（约1,800亿韩元）。但实际撰写这些内容的个人用户，得到的回报是0韩元。Stack Overflow也做了类似的交易，而对此提出抗议、修改自己回答的用户，反而遭到了账号封禁。

AI训练数据报酬问题体现得最尖锐的案例，是Anthropic的版权诉讼。Anthropic在2021~2022年间从盗版网站下载了700多万本书用于AI训练。对于另外购买的书籍，他们则拆掉装订进行扫描后予以销毁。2025年6月，法官William Alsup判定，用合法获得的作品训练AI属于合理使用，但下载盗版书籍属于明显的侵权行为。结果是15亿美元（约2.1万亿韩元）的和解——美国历史上规模最大的版权和解金。

唯一建立起系统性报酬框架的地方是好莱坞。SAG-AFTRA（美国演员工会）在2025年的协议中，确立了对AI数字复制的同意权、定价权以及剩余报酬。AI要学习演员的面部和声音，必须获得本人同意，价格也由演员本人决定。

然而，工厂工人的脑电波目前还没有这样的框架。如果有人提出“用10亿韩元买断你30年的诀窍”，这究竟是双赢，还是背叛？

Oswarld视角

坦白说，比起这项技术的科学可能性，我更担心的是制度上的空白。

基于BCI的机器人训练确实是可行的。论文已经证明了这一点，中美两国都在认真投入。不过，一些报道中所说的“学习效率提升2倍”需要更准确地厘清一下。加州大学伯克利分校的HIL-SERL研究确实显示成功率提升了2倍，但那用的是物理操纵杆（SpaceMouse）反馈，而不是脑信号。纯粹的BCI研究报告的改善幅度在15%~91%之间。数字之间的差距是很大的。

我真正关注的是韩国的情况。

韩国的总和生育率为0.75（截至2024年），是全球最低水平。首尔更是只有0.58。生产年龄人口（15~64岁）将从2020年的3,738万人减少到2050年的2,419万人——减少1,300万人。韩国央行行长李昌镛将其称为“国家紧急状态”级别的状况。

面对这样的数字，“阻止机器人引进”并不现实。韩国政府也清楚这一点，因此在2024年的《第四次智能机器人基本计划》中宣布，到2030年将普及100万台先进机器人，公共与民间投资合计超过3万亿韩元。

但现代汽车工会在2026年CES结束后立即宣布“没有劳资协议，一台机器人也不能引进”，这个信号不容忽视。2026年2月，韩国民主劳总（KCTU）与雇佣劳动部启动了月度联合协商机制。这是韩国最大工会联盟与政府就AI/自动化政策进行定期讨论的首个正式渠道。

从我做GTM战略的经验来看，技术引进的成败往往不取决于技术本身，而取决于对利益相关方的管理。波士顿动力的Atlas无论技术上多么出色，如果在没有一线工人同意的情况下投入使用，都可能引发抵抗和怠工。我认为，把SAG-AFTRA建立的“同意+补偿”框架应用到制造业，最终可能是最快的路径。

还有一点。这项技术并不仅仅是替代工作岗位，它也是将人类的隐性知识（tacit knowledge）数字化的第一次大规模尝试。如果30年老工人的“手感”可以通过脑电波提取出来，那它就不只是单纯的劳动，而是知识产权。而知识产权理应伴随相应的报酬。

结语

总结一下。

第一，用人类脑电波训练机器人，并不是科幻。自2017年以来已经积累了学术依据，中国正将其作为国家战略推进。

第二，比技术本身更大的瓶颈，在于“谁的脑电波”这一报酬体系的缺失。好莱坞演员拥有的框架，工厂工人却没有。

第三，对韩国来说，这不是选择题，而是生存问题。需要有办法填补1,300万人的劳动力缺口，但在这个过程中该如何对待现有工人，目前还没有答案。

如果你对这个主题感兴趣，推荐先阅读下方参考资料中Akinola等人（2020年）的论文。这是对脑信号如何替代机器人奖励函数这一技术机制阐述得最清楚的论文。

📎 参考资料与延伸阅读

• Kim et al., “Intrinsic Interactive Reinforcement Learning – Using Error-Related Potentials for Real World Human-Robot Interaction”, Scientific Reports (Nature), 2017.：奠定基于脑电波的机器人强化学习基础的论文。核心是91%准确率的在线错误检测。
• Akinola et al., “Accelerated Robot Learning via Human Brain Signals”, IEEE ICRA, 2020.：证明BCI反馈准确率达60%以上即可与人工奖励函数取得同等性能的关键研究。
• Vukelić et al., “Combining Brain-Computer Interfaces with Deep Reinforcement Learning for Robot Training”, Frontiers in Neuroergonomics, 2023.：验证干式EEG也能取得显著结果的实用性研究。
• E2H Framework, “A Two-Stage Non-Invasive Neural Signal Driven Humanoid Robotic Whole-Body Control Framework”, arXiv, 2024.：中国—澳大利亚—香港联合研究。将EEG与人形机器人全身动作连接起来的最新框架。
• “Mind Meets Robots: A Review of EEG-Based Brain-Robot Interaction Systems”, International Journal of Human-Computer Interaction, 2025.：分析2018~2023年87项研究的综合性综述论文。
• “Not a Single Robot Without Agreement: Hyundai Motor Union Gripped by Atlas Fear”, Seoul Economic Daily, 2026.1.22.：理解现代汽车工会与Atlas引进冲突背景的必读资料。

作者安光涉是世宗大学经营学教授，也是 OBF（Oswarld Boutique Consulting Firm）首席顾问。他在大学教授经营数据管理、商业分析等统计与数据分析课程，同时在产业现场负责 GTM 与人工智能战略咨询，设计技术与商业的连接方式。他曾发表关于 AI 对话系统记忆架构（HEMA）的学术论文，并运营每日策展全球 AI 论文的 Daily Arxiv 项目。他毕业于高丽大学技术经营专业研究生院与 KMBA，著有《把思考交出去的人：Homo Brainless》。

注释

1. BCI（Brain-Computer Interface，脑—计算机接口）：读取大脑的电信号并将命令传递给计算机或机器人的技术。分为在头部贴传感器的非侵入方式，和在脑内植入芯片的侵入方式。 ↩

2. ErrP（Error-Related Potential，错误相关电位）：人在意识到自己犯错时，大脑自动产生的电信号。即便本人没有意识到，也可以通过脑电波测量设备检测出来。 ↩

3. 强化学习（Reinforcement Learning）：AI通过反复试错进行自我学习的方法。通过反复“做对了给奖励，做错了给惩罚”来找到最优行动。AlphaGo就是代表性案例。 ↩

4. EEG（Electroencephalography，脑电图）：在头皮表面贴附电极来测量大脑电活动的方法。由于是不需要开颅的非侵入方式，所以既能在实验室使用，也能在现场使用。 ↩

5. 遥操作（Teleoperation）：由人远程操控机器人的方式。通过VR控制器或操纵杆直接操控机器人的四肢来演示作业，并将该动作数据用于学习。 ↩