00後清華博士生創業“神經接口”：把人類肌肉反應煉成Token

正式介紹之前我們來做個小互動：拋開AI、不查資料，5秒內能說出現有的具身數據採集方式有哪些？真機遙操作採集、無本體便攜採集（UMI/Ego）、仿真合成數據、互聯網視頻蒸餾是最主流的四種方式。（排名不分先後，我隨手列舉的） 如果要進一步細細分類，還能列出一長串清單。至少AI給我的答案是這樣式兒的，大家可以感受一下—— 近期，一種新的路線開始浮現並逐漸火爆，這種方式把數據採集的視線從外部動作，進一步伸向人體的運動輸出側。這就是當下備受關注的神經肌電（sEMG，Surface Electromyography）方案。OriginFlow（淵澈太初）是這條路線中最熱、最受追捧的創業公司。

創始人兼CEO秦深濤，出生於2001年，目前清華車輛與運載學院博士在讀。去年8月，他在北京成立OriginFlow；截至今年5月，公司對外披露已連續完成天使輪、戰略輪和Pre-A1輪融資，累計金額超過5億元人民幣，資方包括藍馳、綠洲、Monolith等。秦深濤告訴我們： 真實產業場景與模型之間缺少一層能把非結構化、高精度、細節複雜的物理交互信息抽象為可訓練表徵的能力。因此他自己創業物理AGI基礎設施，想把神經肌電作為具身數據採集入口之一。秦深濤說，短期來看，對於UMI方案和Ego第一人稱視覺方案等，NeuroScale更多是一種增量；但無感數據採集一定是未來重要的趨勢。

當新變革產生時，更為適宜的策略是同既有技術協同演進。用“神經接口”採集具身數據 先來貼近生活地感知一下OriginFlow現階段做的事情。人在擰緊一顆螺絲、穩穩端著一碗湯、攥緊一件柔軟物體時，身體會根據實際情況不斷給出微小反饋。手指什麼時候開始收緊？力道怎麼增減？……其實人不會對這些問題逐一認真思考，往往在極短時間內，身體就能完成並執行一堆關於接觸、摩擦、重量和穩定性的判斷。OriginFlow希望把這一層涉及的反應記錄下來，以作為具身智能數據的一部分。之所以押注這個方向，必須得從秦深濤本科時期說起。

本科期間，秦深濤帶隊斬獲幾乎所有能拿的機器人競賽冠軍；也是本科期間，他有了進一步的思考： 鍵盤、鼠標、語音都不是人與機器最直接的溝通方式。人類的雙手是最靈活的工具，如果機器讀懂手部動作背後的真實意圖，人機交互將更上一層樓。於是，神經接口走入對人機共融“有執念”的秦深濤的視野範圍。神經接口採集的是外周運動神經相關的體表電信號（即神經肌電信號），避開了腦機接口中高侵入、高通道數和腦區對應難題。神經肌電正式誕生以來，長期侷限於高校實驗室。

後來，隨著無線傳感、乾式電極與AI算法迭代，神經肌電開始被用於作為人體運動意圖感知入口，廣泛應用於康復醫學的生物反饋訓練、運動競技動作分析、職業工效勞損評估以及肌電假肢離散動作控制。△圖片由AI生成 舉一個典型栗子～ 2019年，Meta核心研發部門Reality Labs收購了一家非侵入式神經接口公司CTRL-Labs。被收購前，CTRL-Labs已經發布了開發者套件，含一個類似手錶大小的主設備和一個包含電極的繫留組件。它通過16通道肌電圖傳感器，監測手腕處由運動神經元傳向手指的肌肉電信號，並利用AI算法解碼這些信號，將其轉化為數字指令（如點擊、滑動、手勢等）。

兩年後，Meta首次公開演示了基於CTRL-Labs技術的神經接口腕帶原型Meta Neural Band，展示了其通過捕捉微小的神經信號來控制AR界面的潛力，例如隔空打字、選擇菜單等。小扎當時表示，因為它能精確感知用戶甚至尚未做出的動作意圖，所以這種交互方式是“幾乎無限控制”的。去年，Meta的第三代智能眼鏡已經引入了神經輸入腕帶，用戶能通過手部動作（想象滑動、點擊）直接控制眼鏡上的界面。（一則場外信息：Apple Watch“捏合”手勢確認、關閉窗口等，主要基於光學傳感器） 與Meta關心的並不是怎樣讓人更方便地點擊、滑動或輸入文字不同，秦深濤的思考落在物理AGI缺乏的條件上。

在他看來，首先，現在極度缺乏的高質量物理交互數據，已經成為了制約具身智能機器人進階的關鍵。當下的具身數據採集方式各有弊端，能不能以神經肌電作為切入點，做進一步的補充？而且，選擇神經肌電採集可能可以繞過具體接觸面的材料和傳感器差異，從人和機器各自的驅動側出發，尋找到一套能夠連接肌肉激活、肌腱發力與關節運動的共享動作表徵。採集，從一條腕帶開始 2025年，博士在讀的秦深濤正式創業，註冊成立OriginFlow，願景是為Physical AGI構建文本、視頻之外的“動作基座”。不久，團隊提出了NeuroScale技術體系。NeuroScale並不是簡單地在現有具身數據採集設備上增加一條肌電腕帶。

它是一套從信號採集、物理量重建、動作表徵到跨本體遷移的數據與模型體系。該體系以非侵入式神經運動接口為信號入口，融合神經肌電、第一視角視覺與IMU等多模態信息，通過PULSE基座模型重建人類操作中的姿態、接觸力和驅動力，並將一次真實操作整理為機器可學習的Human Tokens。NeuroScale長期關注兩個核心問題。其一，如何實現Human Data Scale Up？也就是在儘量不打擾人自然感知與運動的前提下，持續記錄真實操作，生產更多高質量的物理交互數據。

其二，如何實現Human與Robot之間的Cross-Embodiment Transfer，讓人的動作經驗經過表徵與適配，進入不同結構的機器人。在這兩個問題之下，還對應著一個更基礎的技術問題：人類動作究竟應該以什麼形式進入基礎模型？文本已經形成相對成熟的Token表徵，視覺也逐漸收斂到Patch或Latent表徵，但動作模態至今仍缺少公認的規範表徵。

OriginFlow將一次物理操作拆解為三個相互關聯的空間： 描述手部姿態和運動軌跡的MotionSpace 描述法向力、切向力與接觸反饋的TactileSpace 描述肌肉、肌腱驅動力和關節力矩的TendonSpace 驅動力產生運動，運動帶來接觸，接觸最終形成作用力，三者共同構成一條物理因果鏈。OriginFlow所說的Human Tokens，正是建立在這三類物理量之上的動作表徵。“在形式上，人可被視為本體（embodiment）構型空間中的一個特例。因而‘人到機器人’的遷移，本質上是‘跨本體遷移’的一個子問題。”秦深濤說。

具體而言，大規模Human Data負責覆蓋儘可能廣泛的人類動作與技能分佈；規模相對較小、但機器人構型足夠多樣的Cross-Embodiment Data，則提供人和不同機器人本體之間的對齊錨點。兩類數據結合後，模型有機會學習出一套與具體本體相對解耦的共享動作表徵，再將同一段人類動作和發力信息，重定向到不同自由度、不同驅動方式的機器人本體上。因此，OriginFlow並不是希望把人的操作數據直接複製給機器人，而是先尋找不同本體之間可共享的動作、驅動力和接觸關係，再完成適配與映射。落到現實世界裡，NeuroScale則從一條腕帶開始。腕帶被命名為OriginKitGen 1.

0，設計上略寬於Apple Watch的錶帶，但整體體積更小、重量更輕。腕帶負責採集佩戴者發出的微伏級表面肌電信號，其系統採用16通道採集，信息碼流約為每秒96KB，並對手部運動進行連續建模。不過NeuroScale的落地也不只靠腕帶。單靠腕帶，系統只能知道前臂肌肉活動的變化，卻很難判斷這意味著手指具體在做什麼。OriginKitGen 1.0採到的信號，會與第一視角視覺、IMU等信息一同進入NeuroScale的數據鏈路。

原始波形經過對齊、校準和處理後，再由團隊自研的基座模型PULSE提取其中與手部姿態、運動軌跡、接觸力及肌腱發力有關的線索——分別對應Motion Space（運動空間）、Tactile Space（觸覺空間）和Tendon Space（肌腱空間）三類核心物理量——硬件端做濾波、差分、運動偽跡抑制，模型端做神經信號編碼和強監督學習——逐步整理成機器能夠學習的動作表徵。這就是團隊所說的Human Tokens。WAIC期間，秦深濤與團隊展示了現階段的成果，PULSE 0.

2版本的demo： 腕帶負責採集16通道表面肌電信號，PULSE以這些信號為輸入，對手部運動進行連續建模，並觀測對指動作中的發力變化。與離散的手勢識別不同，PULSE關注的是連續的手部追蹤與指尖力表徵。當用戶做對指動作時，系統能夠實時觀測到發力的變化。不過，從一段神經信號中重建動作，並不等於已經獲得可以直接用於機器人訓練的數據。原始數據還需要經歷多設備時鐘對齊、個體校準、運動偽跡處理、任務切分、動作與力標註、質量篩選以及跨本體映射。為此，OriginFlow還搭建了一套覆蓋數據生產、加工、評測和訓練的Data Infra。

其中，ORACLE利用多模態模型完成動作、力、語義與任務片段的自動化標註；全模態統一基座CHORD負責神經肌電、視覺、IMU、語言及機器人狀態之間的時序和表徵對齊。數據還會依次經過物理有效性、任務有效性、標註有效性、模型價值和真機評測等質量環節。只有能夠在模型訓練或機器人任務中產生實際價值的數據，才會進入最終交付的數據集。也就是說，不僅要把數據採下來，還要能夠以足夠低的邊際成本，將海量原始信號加工成可訓練、可評測和可複用的數據資產。從Human Data走向Enhance Human PULSE 0.2演示出的只是公司的一小部分業務，模型本身也只是階段性產出。正在研發中的PULSE 0.

3在進一步探索肌腱發力與手部前向運動學（forward kinematics）之間的關係。前面提到的腕帶，也只是當前採集終端而非最終產品形態。對於一條依賴長期、規模化採集的路線而言，設備能否被人自然地接受，決定了數據能否持續產生。秦深濤說，要讓人先願意戴上設備，還要願意戴得足夠久。究其本質，OriginFlow希望在儘量不改變人原有感知與運動方式的前提下，持續記錄人在真實世界中的動作輸出，並將其加工為Physical Tokens。只有這樣，數據採集才能離開數採廠和專門搭建的工位，進入日常生活與真實生產流程。到那時，具身智能領域現在遙不可及的“萬億小時數據”，只需要將全人類的行為記錄十天左右。

秦深濤將這一過程描述為數據Scaling的持續放大。面向未來，我們將推動全模態Human Data的規模，從千萬小時、上億小時，逐步邁向萬億小時。而團隊設想中的下一代物理入口，將逐漸走向更輕、更自然，也更接近消費品的形態。在他們的設想裡，未來，人們只需佩戴具有消費屬性的眼鏡、手錶，或更輕量的手環，即可在日常生活中持續地對自身建模，並從個人模型中獲得便利。△圖片由AI生成 總體來說，OriginFlow這家公司現階段做的事情，還處於對自己發展規劃的第一階段。

他們給自己規劃了三階段發展路線——第一階段，From Human，先把人怎麼動儘量採下來，把人在物理世界中的操作經驗，系統性地蒸餾、轉化為機器可學習的數據與表徵。OriginFlow希望在不干預人類自然感知與運動過程的前提下，完整還原人的動作輸出。整套採集方案始終遵循非侵入式原則，確保人在維持原有狀態的同時，動作能被系統精確觀測並復原。第二階段，With Human。這一階段將構建包括機器人在內的新一代AI硬件，以Always-on的形態融入日常工作與生活，讓更多人享受到下一代人機接口（Interface）帶來的價值。第三階段則是面向未來10到30年的Enhance Human。

當然，從PULSE 0.2的一次對指演示，到全模態Human Data的萬億小時規模，中間還隔著漫長的工程驗證。One More Thing 據悉，國內創業公司還有強腦科技、章魚動力、SnowOrigin、念象科技、無界脈絡、手億科技等也在利用神經肌電採集具身智能數據。版權所有，未經授權不得以任何形式轉載及使用，違者必究。