具身智能数据采集又出现了一条新路线，视线从外部动作继续往人体运动输出侧延伸。近期受到关注的方案，是神经肌电（sEMG，Surface Electromyography）。
在现有路径里，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，是较主流的几种方式。如今，OriginFlow（渊澈太初）把切入点放在了体表神经肌电信号上，希望把这部分反应记录下来，作为具身智能数据的一部分。
清华博士生创业，披露累计融资超 5 亿元
OriginFlow 创始人兼 CEO 秦深涛出生于 2001 年，目前是清华大学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。
秦深涛给出的判断是，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。基于这一点，他选择创业做 Physical AGI 基础设施，并把神经肌电视为具身数据采集入口之一。
他提到，短期看，对于 UMI 方案和 Ego 第一人称视觉方案等，NeuroScale 更多是一种增量；但无感数据采集会是未来的重要趋势。面对新变化，更合适的策略是与既有技术协同演进。
OriginFlow 想记录的，不只是动作结果
OriginFlow 现阶段要做的事，是把人在真实操作中的细微身体反馈记录下来。比如拧紧一颗螺丝、端稳一碗汤、攥紧一件柔软物体时，身体会不断给出微小反馈：手指何时开始收紧、力道怎样变化、接触与摩擦怎样被快速判断，这些通常都在极短时间内完成，人并不会逐项思考。
OriginFlow 希望把这一层反应纳入具身智能数据。按秦深涛的说法，本科期间他带队拿到过几乎所有能拿的机器人竞赛冠军，也是在那个阶段，他开始思考人与机器更直接的沟通方式。在他看来，键盘、鼠标、语音都不是最直接的人机交互方式，人的双手才是最灵活的工具；如果机器能读懂手部动作背后的真实意图，人机交互还可以再往前走一步。
也是从这里开始，神经接口进入他的视野。神经接口采集的是外周运动神经相关的体表电信号，也就是神经肌电信号，这一路线避开了脑机接口常见的高侵入、高通道数和脑区对应难题。
从实验室走向应用，Meta 曾收购 CTRL-Labs
神经肌电诞生后，长期主要停留在高校实验室。后来，无线传感、干式电极和 AI 算法持续迭代，它开始被用作人体运动意图感知入口，逐步进入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，以及肌电假肢的离散动作控制。
一个典型案例是 Meta。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。被收购前，CTRL-Labs 已发布开发者套件，套件包含一个类似手表大小的主设备和一个带电极的系留组件。
这套设备通过 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，再用 AI 算法进行解码，转化为点击、滑动、手势等数字指令。两年后，Meta 首次公开演示基于 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神经信号控制 AR 界面的潜力，包括隔空打字、菜单选择等。
当时，马克·扎克伯格表示，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，因此是「几乎无限控制」的。去年，Meta 第三代智能眼镜已经引入神经输入腕带，用户可以通过手部动作，也就是想象滑动、点击，直接控制眼镜上的界面。
文中还提到，Apple Watch 的「捏合」手势确认、关闭窗口等操作，主要基于光学传感器。
NeuroScale 试图补上具身数据中的一层表征
与 Meta 更关注怎样让点击、滑动和文字输入更方便不同，秦深涛把问题落在 Physical AGI 缺少什么上。在他看来，当前高质量物理交互数据极度稀缺，这已经成为制约具身智能机器人继续进阶的关键因素。
他的问题是，现有具身数据采集方式各有局限，神经肌电能否作为一个补充入口。另一方面，如果从人和机器各自的驱动侧出发，也许可以绕开具体接触面的材料和传感器差异，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。
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」。随后，团队提出了 NeuroScale 技术体系。
按其定义，NeuroScale 不是在已有具身数据采集设备上简单增加一条肌电腕带，而是一套从信号采集、物理量重建、动作表征到跨本体迁移的数据与模型体系。它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，再把一次真实操作整理为机器可学习的 Human Tokens。
Human Data Scale Up 与 Cross-Embodiment Transfer
NeuroScale 长期关注两个核心问题。
- 第一，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，生产更多高质量物理交互数据。
- 第二，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后，进入不同结构的机器人。
在这两个问题之下，还有一个更基础的问题：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，视觉也逐步收敛到 Patch 或 Latent 表征，但动作模态至今仍缺少公认的规范表征。
OriginFlow 把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。
在团队的表述里，驱动力产生运动，运动带来接触，接触最终形成作用力，三者构成一条物理因果链。OriginFlow 所说的 Human Tokens，就建立在这三类物理量之上。
秦深涛说：「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。」
具体来说，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，模型才有机会学习出一套与具体本体相对解耦的共享动作表征，再把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 并不打算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以共享的动作、驱动力和接触关系，再做适配与映射。
从一条腕带开始：OriginKitGen 1.0 与 PULSE 0.2
NeuroScale 在现实世界中的起点，是一条腕带。该设备被命名为 OriginKitGen 1.0，设计上略宽于 Apple Watch 表带，但整体体积更小、重量更轻。
这条腕带负责采集佩戴者发出的微伏级表面肌电信号，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 的落地并不只依赖腕带。单靠腕带，系统只能知道前臂肌肉活动发生了变化，却很难判断这对应的是手指的哪种具体动作。因此，OriginKitGen 1.0 采集到的信号，会和第一视角视觉、IMU 等信息一起进入 NeuroScale 的数据链路。
原始波形在完成对齐、校准和处理后，再由团队自研的基座模型 PULSE 提取与手部姿态、运动轨迹、接触力和肌腱发力有关的线索，分别对应 Motion Space、Tactile Space 和 Tendon Space 三类核心物理量。硬件端负责滤波、差分和运动伪迹抑制，模型端负责神经信号编码和强监督学习，最后逐步整理成机器可以学习的动作表征，也就是团队所说的 Human Tokens。
在 WAIC 期间，秦深涛与团队展示了现阶段成果，即 PULSE 0.2 版本 demo。演示中，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，并观测对指动作中的发力变化。
与离散手势识别不同，PULSE 关注的是连续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变化。
仅采到信号还不够，团队搭了整套 Data Infra
不过，从一段神经信号中重建动作，不等于已经得到能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。
围绕这一步，OriginFlow 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。
按文中说法，这意味着不仅要把数据采下来，还要能以足够低的边际成本，把海量原始信号加工成可训练、可评测、可复用的数据资产。
从 Human Data 到 Enhance Human
PULSE 0.2 展示出的只是 OriginFlow 当前业务的一部分，模型本身也只是阶段性产出。正在研发中的 PULSE 0.3，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，不是最终产品形态。对于一条依赖长期、规模化采集的路线来说，设备能否被人自然接受，决定了数据能否持续产生。秦深涛说，先要让人愿意戴上设备，也要愿意戴得足够久。
OriginFlow 想做的是，在尽量不改变人原有感知与运动方式的前提下，持续记录真实世界中的动作输出，并将其加工为 Physical Tokens。只有这样，数据采集才可能离开专门的数据采集工厂和工位，进入日常生活与真实生产流程。
文中提到，如果达到那一步，具身智能现在看来还很遥远的「万亿小时数据」，只需要把全人类行为记录大约 10 天。秦深涛把这个过程描述为数据 Scaling 的持续放大。他说：「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。」
在团队设想中，下一代物理入口会逐步变得更轻、更自然，也更接近消费品形态。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，就可以在日常生活中持续对自身建模，并从个人模型中获得便利。
三阶段路线：From Human、With Human、Enhance Human
按照 OriginFlow 目前给出的规划，公司发展分为三个阶段。
第一阶段是 From Human，先尽量把人怎样运动采下来，把人在物理世界中的操作经验系统性蒸馏并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，让人在维持原有状态时，动作仍能被系统精确观测和复原。
第二阶段是 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，让更多人使用下一代人机接口带来的价值。
第三阶段是面向未来 10 到 30 年的 Enhance Human。文中同时指出，从 PULSE 0.2 的一次对指演示，到全模态 Human Data 达到万亿小时规模，中间仍隔着漫长的工程验证。
国内还有多家公司布局神经肌电采集
除 OriginFlow 外，文中提到，国内创业公司中，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。
本文来自微信公众号「量子位」（ID：QbitAI），作者为衡宇。