文章摘要
具身智能领域面临高质量物理交互数据匮乏的瓶颈，传统采集方式有局限。OriginFlow（渊澈太初）创始人秦深涛投身物理AGI基础设施领域创业，推出NeuroScale技术体系，融合神经肌电等多模态信息，解决数据采集和跨本体迁移问题。目前以腕带设备为研发起点，团队正推进PULSE0.3版本研发，公司规划三阶段发展路线。

当前具身智能领域正面临一个核心瓶颈：高质量的物理交互数据严重匮乏，这直接制约了机器人从模拟场景走向真实复杂的生产生活场景。传统的具身数据采集方式，比如真机遥操作、无本体便携采集、仿真合成数据以及互联网视频蒸馏，各自存在明显的局限性，行业亟需新的技术路径来破局。

不妨先做一个小思考：抛开现有AI工具，你能快速说出目前主流的具身数据采集方式吗？其实最常见的四类分别是真机遥操作采集、无本体便携采集（UMI/Ego）、仿真合成数据和互联网视频蒸馏，要是再细分还能列出更多种类。

近期，一种全新的具身数据采集路线开始崭露头角并快速获得关注，它没有停留在记录外部动作层面，而是将采集视角延伸到了人体的运动输出侧，这就是当下炙手可热的神经肌电（sEMG，Surface Electromyography）方案。

在这条赛道中，OriginFlow（渊澈太初）是最受行业关注的创业公司之一。这家公司的创始人兼CEO秦深涛出生于2001年，目前正在清华大学车辆与运载学院攻读博士学位。

2025年8月，秦深涛在北京创立了OriginFlow。截至今年5月，公司已经完成了天使轮、战略轮和Pre-A1轮三轮融资，累计金额超过5亿元人民币，投资方包括蓝驰、绿洲、Monolith等机构。

秦深涛曾表示，真实产业场景和智能模型之间，缺少一层能够将非结构化、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，这也是他投身物理AGI基础设施领域创业的核心原因，他希望将神经肌电技术作为具身数据采集的重要入口之一。

秦深涛认为，短期来看神经肌电方案对于UMI方案和Ego第一人称视觉方案来说更多是一种补充，但无感的数据采集必然是未来行业的重要发展趋势，在技术变革期，与既有技术协同演进是更务实的选择。

我们可以先从生活场景来理解OriginFlow目前的工作：当人们拧紧一颗螺丝、稳稳端起一碗汤或者攥住一件柔软物品时，身体会根据实际情况不断给出细微的反馈——手指何时开始收紧、力道如何调整，这些判断往往在极短时间内自动完成，人类并不会逐一思考每个细节。OriginFlow希望将这一系列反应记录下来，将其转化为具身智能训练所需的核心数据。

秦深涛对人机共融的关注可以追溯到本科阶段。当时他带领团队斩获了几乎所有重要的机器人竞赛冠军，也在这个过程中产生了深入思考：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，如果机器能够读懂手部动作背后的真实意图，人机交互的体验将实现质的飞跃。

正是基于这样的思考，神经接口技术进入了秦深涛的视野。与侵入式脑机接口不同，神经肌电采集的是外周运动神经相关的体表电信号，避开了脑机接口中高侵入性、高通道数和脑区对应匹配的难题。

神经肌电技术诞生初期长期局限于高校实验室，随着无线传感、干式电极和AI算法的不断迭代，这项技术逐渐走出实验室，被应用于多个领域：比如康复医学中的生物反馈训练、运动竞技的动作分析、职业劳动的劳损评估，以及肌电假肢的离散动作控制等。

行业内已有不少成熟的应用案例：2019年，Meta核心研发部门Reality Labs收购了非侵入式神经接口公司CTRL-Labs。在被收购前，CTRL-Labs已经推出了开发者套件，包含一个类似手表大小的主设备和带电极的系留组件，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，再利用AI算法将信号解码为点击、滑动、手势等数字指令。

两年后，Meta首次公开了基于CTRL-Labs技术的神经接口腕带原型Meta Neural Band，展示了通过捕捉细微神经信号控制AR界面的潜力，比如隔空打字、选择菜单等。当时Meta的相关负责人表示，这种交互方式能够精确感知用户甚至尚未做出的动作意图，称得上是“几乎无限控制”的交互方案。到了去年，Meta的第三代智能眼镜已经引入了神经输入腕带，用户可以通过手部动作（包括想象中的滑动、点击）直接控制眼镜界面。值得一提的是，Apple Watch的“捏合”手势功能主要基于光学传感器，与神经肌电方案原理不同。

与Meta关注便捷交互不同，秦深涛的思考聚焦于物理AGI的核心短板：高质量物理交互数据的缺失。他认为，当前的具身数据采集方式各有弊端，而神经肌电采集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，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。

OriginFlow成立后不久，团队推出了NeuroScale技术体系。这套体系并非简单地在现有具身数据采集设备上增加肌电腕带，而是一套涵盖信号采集、物理量重建、动作表征到跨本体迁移的完整数据与模型体系。

NeuroScale以非侵入式神经运动接口作为信号入口，融合神经肌电、第一视角视觉和IMU等多模态信息，通过自研的PULSE基座模型重建人类操作中的姿态、接触力和驱动力，并将一次真实操作转化为机器可学习的Human Tokens。

NeuroScale长期关注两个核心问题：一是如何实现Human Data Scale Up，也就是在尽量不干扰人类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；二是如何实现Human与Robot之间的Cross-Embodiment Transfer，让人类的动作经验经过表征和适配后，能够迁移到不同结构的机器人上。

在这两个核心问题之下，还有一个更基础的技术难题：人类动作究竟应该以何种形式进入基础模型？目前文本已经形成了相对成熟的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标准化表征形式。

为了解决这个问题，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，三者共同构成了一条完整的物理因果链。OriginFlow所说的Human Tokens，正是建立在这三类物理量之上的标准化动作表征。

“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。”秦深涛解释道。

具体来说，大规模的Human Data负责覆盖尽可能广泛的人类动作与技能分布，而规模相对较小但机器人构型足够多样的Cross-Embodiment Data，则提供人类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。也就是说，OriginFlow并非希望将人类的操作数据直接复制给机器人，而是先找到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。

从现实落地来看，NeuroScale的研发起点是一款腕带设备。这款名为OriginKitGen 1.0的腕带，设计上略宽于Apple Watch的表带，但整体体积更小、重量更轻。

OriginKitGen 1.0负责采集佩戴者产生的微伏级表面肌电信号，系统采用16通道采集模式，信息码流约为每秒96KB，并对手部运动进行连续建模。不过NeuroScale的落地并不只依赖腕带：单靠腕带只能监测到前臂肌肉活动的变化，却无法准确判断对应的手指具体动作。因此，OriginKitGen 1.0采集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PULSE基座模型提取其中与手部姿态、运动轨迹、接触力及肌腱发力相关的线索，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。硬件端会完成滤波、差分、运动伪迹抑制等处理，模型端则进行神经信号编码和强监督学习，最终将原始信号逐步整理为机器可学习的Human Tokens。

在近期的展会期间，秦深涛和团队展示了PULSE 0.2版本的演示成果：腕带采集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，并实时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和指尖力表征，当用户做出对指动作时，系统可以实时捕捉到发力的动态变化。

不过，从神经信号中重建动作并不等于直接获得了可用于机器人训练的数据。原始数据还需要经过多设备时钟对齐、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等一系列流程。

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

所有数据都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多个质量环节的审核，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。这意味着OriginFlow不仅要完成数据采集，还要能够以足够低的边际成本，将海量原始信号加工为可训练、可评测和可复用的数据资产。

PULSE 0.2的演示只是公司业务的一小部分，该模型也只是阶段性的研发成果。目前团队正在推进PULSE 0.3版本的研发，进一步探索肌腱发力与手部前向运动学之间的关系。而之前提到的腕带也只是当前的采集终端，并非最终的产品形态。

对于依赖长期规模化采集的技术路线来说，设备能否被用户自然接受，直接决定了数据能否持续稳定产生。秦深涛曾表示，团队的目标是让用户不仅愿意佩戴设备，还愿意长期佩戴。

从本质上来说，OriginFlow希望在尽量不改变人类原有感知与运动方式的前提下，持续记录人们在真实世界中的动作输出，并将其加工为标准化的Physical Tokens。只有这样，数据采集才能脱离专门的数据采集工厂和定制工位，进入日常生活和真实生产流程。

到那时，具身智能领域此前遥不可及的“万亿小时数据”目标，只需要记录全人类十天左右的行为即可实现。秦深涛将这个过程描述为数据Scaling的持续放大，他表示面向未来，团队将推动全模态Human Data的规模从千万小时、上亿小时逐步迈向万亿小时。

团队设想中的下一代物理数据采集入口，将朝着更轻量、更自然的方向发展，逐渐贴近消费品的形态。在他们的愿景中，未来人们只需要佩戴消费级的眼镜、手表或者更轻量化的手环，就可以在日常生活中持续完成自身动作建模，并从个人模型中获得便利。

目前OriginFlow正处于发展规划的第一阶段。公司为自己制定了三阶段的发展路线：第一阶段是From Human，先完整采集人类的动作行为，将人们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，确保在不干预人类自然感知与运动过程的前提下，精准还原人的动作输出；第二阶段是With Human，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，让更多用户能够享受到下一代人机接口带来的价值；第三阶段则是面向未来10到30年的Enhance Human，探索更深度的人机融合可能。

当然，从PULSE 0.2的单次对指演示，到实现全模态Human Data的万亿小时规模，中间还隔着漫长的工程验证和技术落地周期。据了解，国内还有强脑科技、章鱼动力、SnowOrigin、念象科技、无界脉络、手亿科技等多家创业公司，也在布局利用神经肌电技术采集具身智能数据的赛道。

以上内容不代表本平台立场，仅供读者参考