00后清华博士生创业“神经接口”：把人类肌肉反应炼成Token

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 00后清华博士生创业“神经接口”：把人类肌肉反应炼成Token 衡宇 2026-08-22 21:56:00 来源： 量子位 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。