用腦波訓練機器人？中國和美國為何瘋狂投資
AI 的下一本教材不是「書」，而是「人類的腦」本身
前言
各位讀者，最近中國一家研究所公開了一段令人感興趣的畫面。他們在人們頭上戴上腦波偵測頭盔，記錄當這些人摺衣服、拿起咖啡壺、整理物品時，大腦發出的電訊號，並進行即時記錄。然後將這些數據餵給機器人。
這與傳統「教機器人物理法則」的方式完全不同。他們直接將人類老手的經驗以電訊號的形式提取出來，移植給機器人。學術上，這被稱為基於 BCI（Brain-Computer Interface，腦機介面）1 的機器人訓練。
但這裡有一個問題浮現。如果這項技術真的有效，那「借出大腦」的人應該得到什麼回報呢？今天我們來聊聊這項技術的真實面貌，以及它所拋出的那些令人不安的問題。
腦波如何教會機器人
先來看看科學背景。核心原理其實比想像中更直覺。
當人觀察機器人的動作，而機器人犯錯時，大腦會無意識地產生特定的電訊號。這被稱為 ErrP（Error-Related Potential，錯誤相關電位）2，是在認知到錯誤後約 200～400 毫秒之間，在額頭附近（中央前迴）出現的獨特波形。簡單來說，就是大腦無意識地發出「啊，那個做錯了」的反應訊號。
研究人員發現，這種「大腦的皺眉」可以用於機器人強化學習3的獎勵訊號。不需要人逐一輸入「對了／錯了」，只要觀察，大腦就會自動提供回饋。
奠定這個領域基礎的研究，是 2017 年德國 DFKI 研究所在 Scientific Reports 上發表的論文。該團隊僅憑 EEG4 測量的錯誤訊號，就成功讓機器人學習了手勢-動作映射，單次試行的錯誤偵測準確度達到 91%。
2020 年，哥倫比亞大學的 Akinola 等人又往前邁了一步。他們證明，只要 BCI 回饋的準確度超過 60%，基於腦訊號的學習就能達到與人工設計的獎勵函數相近的效能。這意味著，人不需要編寫複雜的規則，只要觀察，機器人就能學習。
2023 年，德國弗勞恩霍夫研究所取得了一項重要的實用性突破。他們確認，即使不使用需要塗抹凝膠的麻煩濕式電極，改用乾式 EEG 頭戴式裝置，也能產生顯著的學習效果。這意味著有機會走出實驗室，在工廠現場使用。
中國為何瘋狂衝刺
如果這項技術還停留在學術論文的層面，就不會成為通訊欄的主題了。值得注意的是，中國正在國家層面全力押注這個領域。
2025 年 8 月，中國政府七個部門聯合發布了《關於促進腦機介面產業創新發展的實施意見》。目標是在 2027 年前實現核心技術突破，2030 年前建成具有全球競爭力的產業生態。2025 年 12 月，在深圳 BCI 博覽會上，甚至啟動了規模達 116 億人民幣（約 2,200 億韓元）的腦科學基金。
截至 2024 年，中國 BCI 市場規模約 32 億人民幣（約 6,000 億韓元），核心企業就約有 170 家。其中 82% 專注於非侵入式（不需要開顱）技術。這與伊隆・馬斯克的 Neuralink 方向不同。
實際的演示也陸續出現。杭州的 Deep Robotics 在 CCTV 上演示了用 EEG 頭盔控制機器狗的畫面，上海的傅利葉智能（Fourier Intelligence）公開了人形機器人 GR-1 的 BCI 控制影片。2024 年 10 月，澳洲-香港-北京聯合研究團隊發表了 E2H（EEG-to-Humanoid）框架，從 10 名受試者身上收集了 23.6 小時的 EEG 數據，成功控制了人形機器人的全身動作。
我關注的不只是技術演示，而是中國連標準化都想搶先佔據。中國首個 BCI 醫療器械標準（YY/T 1987-2025）已於 2026 年 1 月 1 日起實施，湖北省成為第一個將 BCI 手術納入公共醫療保險報銷目錄的地方政府。他們正在系統性地鋪設「技術 → 標準 → 產業化」的管線。
如果把現代汽車老手的技術移植給 Atlas 呢？
好，讓我們在這裡做個想像。假設現代汽車蔚山工廠有一位 30 年資歷的組裝老手。讓這位老手戴上腦波偵測頭盔，像平常一樣進行組裝作業。如果將這些腦波數據用來訓練 Boston Dynamics 的 Atlas，會怎樣呢？
這不是純粹的幻想。現代汽車集團在 2021 年以 11 億美元（約 1.5 兆韓元） 收購了 Boston Dynamics 80% 的股份，並在 2026 年 CES 上公開了量產型電動 Atlas。這是一款身高 189cm、擁有 56 個自由度、IP67 防水防塵、可連續運行 4 小時、能舉起 50kg 物體的機器人**。量產後價格約 2 億韓元，這比韓國製造業勞工 2 年的薪資還低。而且這個機器人一天可以工作 16 小時。
2025 年 8 月，Boston Dynamics 和丰田研究所演示了 LBM（Large Behavior Model，大型行為模型）。一台機器人透過遠端操控5或自主練習學會技能後，該技能會複製到整個機器人艦隊。等於從一位老手身上提取的經驗，同時移植到數千台機器人上。
現代汽車的目標是在 2028 年前量產 3 萬台。Boston Dynamics 僅在 2025 年就部署了 500 台以上，營收約 1.3 億美元，2026 年的產能已經全部售罄。
拿 10 億退休 vs 守護技術：報酬方程式
這裡出現了一個令人不安的問題。那位老手應該得到什麼？
現實中，大多數情況下沒有具體的報酬。但已經出現了一些模式。
最直接的形式是遠端操控薪資。美國的 Weave Robotics 等公司，為遠端操控機器人並產生訓練數據的工人支付 每小時 25 美元（約 3 萬 5 千韓元）。但這更接近簡單勞動的代價，而非「技術的 IP 價值」。
在平台層面，更大的資金在流動。Reddit 向 Google 和 OpenAI 提供 AI 訓練數據，每年獲得約 1.3 億美元（約 1,800 億韓元）。但實際撰寫這些內容的個別用戶得到的分潤是 0 元。Stack Overflow 也做了類似的交易，而抗議並修改自己回答的用戶反而被凍結了帳號。
AI 訓練數據報酬問題最尖銳的案例是 Anthropic 的版權訴訟。Anthropic 在 2021～2022 年間從盜版網站下載了超過 700 萬本書用於 AI 訓練。另外購買的書籍則被拆掉裝訂、掃描後丟棄。2025 年 6 月，William Alsup 法官裁定，使用合法取得的著作物訓練 AI 屬於合理使用，但下載盜版內容則構成明確侵權。最終結果是 15 億美元（約 2.1 兆韓元）的和解——美國史上最大規模的版權和解金。
唯一建立系統性報酬框架的是好萊塢。SAG-AFTRA（美國演員工會）在 2025 年協約中獲得了 AI 數位複製的同意權、定價權和殘留報酬。AI 要學習演員的面部和聲音，必須獲得本人同意，價格也由演員本人決定。
但工廠勞工的腦波目前還沒有這樣的框架。「我們願意用 10 億買下您 30 年的經驗」——如果收到這樣的提案，那是雙贏，還是背叛？
奧茲的視角
老實說，我認為比起這項技術的科學可能性，制度面的空白更危險。
基於 BCI 的機器人訓練確實有效。論文已經證明了這一點，中國和美國都在認真投資。不過，部分報導中提到的「學習效率提升 2 倍」需要更精確地釐清。UC 伯克利的 HIL-SERL 研究確實顯示成功率提升了 2 倍，但那不是腦訊號，而是基於實體搖桿（SpaceMouse）的回饋。純 BCI 研究報告的改善幅度在 15%～91% 之間。數字差距還是不小。
我真正關注的是韓國的現況。
韓國的總和生育率為 0.75（2024 年基準），是全世界最低的。首爾更是只有 0.58。勞動年齡人口（15～64 歲）將從 2020 年的 3,738 萬減至 2050 年的 2,419 萬——減少 1,300 萬人。韓國銀行李昌鏞總裁將其形容為「國家緊急狀態」。
面對這些數字，「要阻止機器人導入」是不現實的。韓國政府也意識到這一點，因此在 2024 年《第四次智慧機器人基本計劃》中宣布，到 2030 年普及 100 萬台尖端機器人，公私投資超過 3 兆韓元。
但現代汽車工會於 2026 年 CES 後宣稱「沒有勞資協議，一台機器人都不能引進」，這是一個不可忽視的信號。2026 年 2 月，民主勞總（KCTU）與勞動部成立了月度聯合協商機制。這是韓國最大工會聯盟與政府定期討論 AI/自動化政策的首個正式管道。
從我制定 GTM 策略的經驗來看，技術導入的成敗不在技術本身，而在利害關係人的管理。無論 Boston Dynamics 的 Atlas 技術上多麼出色，如果未經現場勞工同意就投入，可能引發抵抗和破壞。我認為，將 SAG-AFTRA 建立的「同意 + 報酬」框架應用到製造業，最終可能是最快捷的路徑。
還有一點。這項技術不只是取代工作，而是第一次大規模將人類的隱性知識（tacit knowledge）數位化。如果 30 年老手的「手感」可以透過腦波提取，那就是知識產權，而非簡單勞動。而知識產權應該有相應的報酬。
結語
總結如下。
第一，用人類腦波訓練機器人的技術不是科幻。自 2017 年以來已有學術依據的累積，中國更以國家戰略推動。
第二，比技術更大的瓶頸是缺乏「誰的腦波」的報酬體系。好萊塢演員有的框架，工廠勞工卻沒有。
第三，對韓國來說，這不是選擇題，而是生存問題。需要填補 1,300 萬勞動力的缺口，但在此過程中如何對待現有勞工，目前還沒有答案。
如果對這個主題感興趣，建議從下方參考資料中的 Akinola 等人（2020）論文開始閱讀。那篇論文最清楚地解釋了腦訊號如何取代機器人的獎勵函數，技術機制說明最為清晰。
📎 參考資料 & 延伸閱讀
- Kim et al., “Intrinsic Interactive Reinforcement Learning – Using Error-Related Potentials for Real World Human-Robot Interaction”, Scientific Reports (Nature), 2017. ：奠定腦波基礎機器人強化學習基礎的論文。91% 準確度的線上錯誤偵測是核心。
- Akinola et al., “Accelerated Robot Learning via Human Brain Signals”, IEEE ICRA, 2020. ：證明 BCI 回饋準確度超過 60% 即可達到與手動獎勵函數同等效能的核心研究。
- Vukelić et al., “Combining Brain-Computer Interfaces with Deep Reinforcement Learning for Robot Training”, Frontiers in Neuroergonomics, 2023. ：驗證乾式 EEG 也能產生顯著結果的實用性研究。
- E2H Framework, “A Two-Stage Non-Invasive Neural Signal Driven Humanoid Robotic Whole-Body Control Framework”, arXiv, 2024. ：中國-澳洲-香港聯合研究。連接 EEG 到人形機器人全身動作的最新框架。
- “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 項研究的綜合性回顧論文。
- “Not a Single Robot Without Agreement: Hyundai Motor Union Gripped by Atlas Fear”, Seoul Economic Daily, 2026.1.22. ：理解現代汽車工會與 Atlas 導入衝突脈絡的必讀文章。
각주
-
BCI（Brain-Computer Interface，腦機介面）：透過讀取大腦電訊號向電腦或機器人傳遞指令的技術。有在頭部貼附感測器的非侵入式，以及在大腦植入晶片的外科侵入式。 ↩
-
ErrP（Error-Related Potential，錯誤相關電位）：當人認知到錯誤時，大腦自動產生的電訊號。即使本人沒有意識到，也能透過腦波偵測裝置偵測到。 ↩
-
強化學習（Reinforcement Learning）：AI 透過試錯自行學習的方法。反覆「做對了給獎勵、做錯了給懲罰」，逐步找到最佳動作。AlphaGo 就是典型範例。 ↩
-
EEG（Electroencephalography，腦電圖）：在頭部表面貼附電極來測量大腦電活動的方法。因為是不需要開顱的非侵入式技術，所以在實驗室和現場都可以使用。 ↩
-
遠端操控（Teleoperation）：人遠端操控機器人的技術。透過 VR 控制器或搖桿直接移動機器人的四肢來演示作業，並將這些動作數據用於訓練。 ↩
