Hengyu berasal dari Wangzhen Bi Temple
Quantum Unit | Akun resmi QbitAI
Kecerdasan berwujud (embodied intelligence) pengambilan data, ada lagi satu jalur baru.
Sebelum pengenalan resmi, mari lakukan interaksi kecil: abaikan AI, jangan cek referensi—dalam 5 detik, sebutkan beberapa metode pengambilan data berwujud yang ada?
Pengambilan data dengan kendali jarak jauh pada perangkat asli, pengambilan data yang portabel tanpa perlu badan (UMI/Ego), pembuatan data sintesis dari simulasi, dan distilasi video dari internet adalah empat cara yang paling populer.
(peringkat tidak berdasar urutan, saya hanya menyebutkan secara acak)
Kalau mau diklasifikasikan lebih rinci lagi, kita bisa menuliskan daftar yang panjang sekali.
Setidaknya jawaban AI untukku seperti ini—kalian bisa merasakannya sendiri—
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。