衡宇 发自 凹非寺 量子位 | 公众号 QbitAI

具身智能数采，又多了一条新路线。

正式介绍之前我们来做个小互动：抛开 AI、不查资料，5 秒内能说出现有的具身数据采集方式有哪些？

真机遥操作采集、无本体便携采集（UMI/Ego）、仿真合成数据、互联网视频蒸馏是最主流的四种方式。

（排名不分先后，我随手列举的）

如果要进一步细细分类，还能列出一长串清单。

至少 AI 给我的答案是这样式儿的，大家可以感受一下——

近期，一种新的路线开始浮现并逐渐火爆，这种方式把数据采集的视线从外部动作，进一步伸向人体的运动输出侧。

这就是当下备受关注的神经肌电（sEMG，Surface Electromyography）方案。

OriginFlow（渊澈太初）是这条路线中最热、最受追捧的创业公司。

创始人兼 CEO 秦深涛，出生于 2001 年，目前清华车辆与运载学院博士在读。

去年 8 月，他在北京成立 OriginFlow；截至今年 5 月，公司对外披露已连续完成天使轮、战略轮和 Pre-A1 轮融资，累计金额超过 5 亿元人民币，资方包括蓝驰、绿洲、Monolith 等。

秦深涛告诉我们：

真实产业场景与模型之间缺少一层能把非结构化、高精度、细节复杂的物理交互信息抽象为可训练表征的能力。

因此他自己创业物理 AGI 基础设施，想把神经肌电作为具身数据采集入口之一。

秦深涛说，短期来看，对于 UMI 方案和 Ego 第一人称视觉方案等，NeuroScale 更多是一种增量；但无感数据采集一定是未来重要的趋势。

当新变革产生时，更为适宜的策略是同既有技术协同演进。

用 " 神经接口 " 采集具身数据

先来贴近生活地感知一下 OriginFlow 现阶段做的事情。

人在拧紧一颗螺丝、稳稳端着一碗汤、攥紧一件柔软物体时，身体会根据实际情况不断给出微小反馈。

手指什么时候开始收紧？力道怎么增减？……其实人不会对这些问题逐一认真思考，往往在极短时间内，身体就能完成并执行一堆关于接触、摩擦、重量和稳定性的判断。

OriginFlow 希望把这一层涉及的反应记录下来，以作为具身智能数据的一部分。

之所以押注这个方向，必须得从秦深涛本科时期说起。

本科期间，秦深涛带队斩获几乎所有能拿的机器人竞赛冠军；也是本科期间，他有了进一步的思考：

键盘、鼠标、语音都不是人与机器最直接的沟通方式。 人类的双手是最灵活的工具，如果机器读懂手部动作背后的真实意图，人机交互将更上一层楼。

于是，神经接口走入对人机共融 " 有执念 " 的秦深涛的视野范围。

神经接口采集的是外周运动神经相关的体表电信号（即神经肌电信号），避开了脑机接口中高侵入、高通道数和脑区对应难题。

神经肌电正式诞生以来，长期局限于高校实验室。

后来，随着无线传感、干式电极与 AI 算法迭代，神经肌电开始被用于作为人体运动意图感知入口，广泛应用于康复医学的生物反馈训练、运动竞技动作分析、职业工效劳损评估以及肌电假肢离散动作控制。

△图片由 AI 生成

举一个典型栗子～

2019 年，Meta 核心研发部门 Reality Labs 收购了一家非侵入式神经接口公司 CTRL-Labs。

被收购前，CTRL-Labs 已经发布了开发者套件，含一个类似手表大小的主设备和一个包含电极的系留组件。

它通过 16 通道肌电图传感器，监测手腕处由运动神经元传向手指的肌肉电信号，并利用 AI 算法解码这些信号，将其转化为数字指令（如点击、滑动、手势等）。

两年后，Meta 首次公开演示了基于 CTRL-Labs 技术的神经接口腕带原型 Meta Neural Band，展示了其通过捕捉微小的神经信号来控制 AR 界面的潜力，例如隔空打字、选择菜单等。

小扎当时表示，因为它能精确感知用户甚至尚未做出的动作意图，所以这种交互方式是 " 几乎无限控制 " 的。

去年，Meta 的第三代智能眼镜已经引入了神经输入腕带，用户能通过手部动作（想象滑动、点击）直接控制眼镜上的界面。

（一则场外信息：Apple Watch" 捏合 " 手势确认、关闭窗口等，主要基于光学传感器）

与 Meta 关心的并不是怎样让人更方便地点击、滑动或输入文字不同，秦深涛的思考落在物理 AGI 缺乏的条件上。

在他看来，首先，现在极度缺乏的高质量物理交互数据，已经成为了制约具身智能机器人进阶的关键。

当下的具身数据采集方式各有弊端，能不能以神经肌电作为切入点，做进一步的补充？

而且，选择神经肌电采集可能可以绕过具体接触面的材料和传感器差异，从人和机器各自的驱动侧出发，寻找到一套能够连接肌肉激活、肌腱发力与关节运动的共享动作表征。

采集，从一条腕带开始

2025 年，博士在读的秦深涛正式创业，注册成立 OriginFlow，愿景是为 Physical AGI 构建文本、视频之外的 " 动作基座 "。

不久，团队提出了 NeuroScale 技术体系。

NeuroScale 并不是简单地在现有具身数据采集设备上增加一条肌电腕带。

它是一套从信号采集、物理量重建、动作表征到跨本体迁移的数据与模型体系。

该体系以非侵入式神经运动接口为信号入口，融合神经肌电、第一视角视觉与 IMU 等多模态信息，通过 PULSE 基座模型重建人类操作中的姿态、接触力和驱动力，并将一次真实操作整理为机器可学习的 Human Tokens。

NeuroScale 长期关注两个核心问题。

其一，如何实现 Human Data Scale Up？

也就是在尽量不打扰人自然感知与运动的前提下，持续记录真实操作，生产更多高质量的物理交互数据。

其二，如何实现 Human 与 Robot 之间的 Cross-Embodiment Transfer，让人的动作经验经过表征与适配，进入不同结构的机器人。

在这两个问题之下，还对应着一个更基础的技术问题：人类动作究竟应该以什么形式进入基础模型？

文本已经形成相对成熟的 Token 表征，视觉也逐渐收敛到 Patch 或 Latent 表征，但动作模态至今仍缺少公认的规范表征。

OriginFlow 将一次物理操作拆解为三个相互关联的空间：

描述手部姿态和运动轨迹的 MotionSpace

描述法向力、切向力与接触反馈的 TactileSpace

描述肌肉、肌腱驱动力和关节力矩的 TendonSpace

驱动力产生运动，运动带来接触，接触最终形成作用力，三者共同构成一条物理因果链。

OriginFlow 所说的 Human Tokens，正是建立在这三类物理量之上的动作表征。

" 在形式上，人可被视为本体（embodiment）构型空间中的一个特例。因而‘人到机器人’的迁移，本质上是‘跨本体迁移’的一个子问题。" 秦深涛说。

具体而言，大规模 Human Data 负责覆盖尽可能广泛的人类动作与技能分布；规模相对较小、但机器人构型足够多样的 Cross-Embodiment Data，则提供人和不同机器人本体之间的对齐锚点。

两类数据结合后，模型有机会学习出一套与具体本体相对解耦的共享动作表征，再将同一段人类动作和发力信息，重定向到不同自由度、不同驱动方式的机器人本体上。

因此，OriginFlow 并不是希望把人的操作数据直接复制给机器人，而是先寻找不同本体之间可共享的动作、驱动力和接触关系，再完成适配与映射。

落到现实世界里，NeuroScale 则从一条腕带开始。

腕带被命名为 OriginKitGen 1.0，设计上略宽于 Apple Watch 的表带，但整体体积更小、重量更轻。

腕带负责采集佩戴者发出的微伏级表面肌电信号，其系统采用 16 通道采集，信息码流约为每秒 96KB，并对手部运动进行连续建模。

不过 NeuroScale 的落地也不只靠腕带。

单靠腕带，系统只能知道前臂肌肉活动的变化，却很难判断这意味着手指具体在做什么。

OriginKitGen 1.0 采到的信号，会与第一视角视觉、IMU 等信息一同进入 NeuroScale 的数据链路。

原始波形经过对齐、校准和处理后，再由团队自研的基座模型 PULSE 提取其中与手部姿态、运动轨迹、接触力及肌腱发力有关的线索——分别对应 Motion Space（运动空间）、Tactile Space（触觉空间）和 Tendon Space（肌腱空间）三类核心物理量——硬件端做滤波、差分、运动伪迹抑制，模型端做神经信号编码和强监督学习——逐步整理成机器能够学习的动作表征。

这就是团队所说的 Human Tokens。

WAIC 期间，秦深涛与团队展示了现阶段的成果，PULSE 0.2 版本的 demo：

腕带负责采集 16 通道表面肌电信号，PULSE 以这些信号为输入，对手部运动进行连续建模，并观测对指动作中的发力变化。

与离散的手势识别不同，PULSE 关注的是连续的手部追踪与指尖力表征。

当用户做对指动作时，系统能够实时观测到发力的变化。

不过，从一段神经信号中重建动作，并不等于已经获得可以直接用于机器人训练的数据。

原始数据还需要经历多设备时钟对齐、个体校准、运动伪迹处理、任务切分、动作与力标注、质量筛选以及跨本体映射。

为此，OriginFlow 还搭建了一套覆盖数据生产、加工、评测和训练的 Data Infra。

其中，ORACLE 利用多模态模型完成动作、力、语义与任务片段的自动化标注；全模态统一基座 CHORD 负责神经肌电、视觉、IMU、语言及机器人状态之间的时序和表征对齐。

数据还会依次经过物理有效性、任务有效性、标注有效性、模型价值和真机评测等质量环节。只有能够在模型训练或机器人任务中产生实际价值的数据，才会进入最终交付的数据集。

也就是说，不仅要把数据采下来，还要能够以足够低的边际成本，将海量原始信号加工成可训练、可评测和可复用的数据资产。

从 Human Data 走向 Enhance Human

PULSE 0.2 演示出的只是公司的一小部分业务，模型本身也只是阶段性产出。

正在研发中的 PULSE 0.3 在进一步探索肌腱发力与手部前向运动学（forward kinematics）之间的关系。

前面提到的腕带，也只是当前采集终端而非最终产品形态。

对于一条依赖长期、规模化采集的路线而言，设备能否被人自然地接受，决定了数据能否持续产生。

秦深涛说，要让人先愿意戴上设备，还要愿意戴得足够久。

究其本质，OriginFlow 希望在尽量不改变人原有感知与运动方式的前提下，持续记录人在真实世界中的动作输出，并将其加工为 Physical Tokens。

只有这样，数据采集才能离开数采厂和专门搭建的工位，进入日常生活与真实生产流程。

到那时，具身智能领域现在遥不可及的 " 万亿小时数据 "，只需要将全人类的行为记录十天左右。

秦深涛将这一过程描述为数据 Scaling 的持续放大。

面向未来，我们将推动全模态 Human Data 的规模，从千万小时、上亿小时，逐步迈向万亿小时。

而团队设想中的下一代物理入口，将逐渐走向更轻、更自然，也更接近消费品的形态。

在他们的设想里，未来，人们只需佩戴具有消费属性的眼镜、手表，或更轻量的手环，即可在日常生活中持续地对自身建模，并从个人模型中获得便利。

总体来说，OriginFlow 这家公司现阶段做的事情，还处于对自己发展规划的第一阶段。

他们给自己规划了三阶段发展路线——第一阶段，From Human，先把人怎么动尽量采下来，把人在物理世界中的操作经验，系统性地蒸馏、转化为机器可学习的数据与表征。

OriginFlow 希望在不干预人类自然感知与运动过程的前提下，完整还原人的动作输出。

整套采集方案始终遵循非侵入式原则，确保人在维持原有状态的同时，动作能被系统精确观测并复原。

第二阶段，With Human。

这一阶段将构建包括机器人在内的新一代 AI 硬件，以 Always-on 的形态融入日常工作与生活，让更多人享受到下一代人机接口（Interface）带来的价值。

第三阶段则是面向未来 10 到 30 年的 Enhance Human。

当然，从 PULSE 0.2 的一次对指演示，到全模态 Human Data 的万亿小时规模，中间还隔着漫长的工程验证。

One More Thing

据悉，国内创业公司还有强脑科技、章鱼动力、SnowOrigin、念象科技、无界脉络、手亿科技等也在利用神经肌电采集具身智能数据。

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！