具身智能数采，又多了一条新路线。
正式介绍之前，我们先来做个小互动：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吗？
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，随手列举）
如果要进一步细分，还能列出一长串清单。
至少 AI 给我的答案是这样，大家可以感受一下——
近期，一种新的路线开始浮现并逐渐升温。这种方式将数据采集的视线从外部动作，进一步延伸至人体的运动输出侧。
这就是当下备受关注的神经肌电（sEMG，Surface Electromyography）方案。
**OriginFlow（渊澈太初）**是这条路线中最受关注的创业公司之一。
创始人兼 CEO 秦深涛出生于 2001 年，目前为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。
秦深涛告诉我们：
真实产业场景与模型之间，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。
因此，他选择创业，建设物理 AGI 基础设施，希望将神经肌电作为具身数据采集的入口之一。
秦深涛表示，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的重要趋势。
当新变革产生时，更适宜的策略是与既有技术协同演进。
用“神经接口”采集具身数据
先从日常生活出发，感受一下 OriginFlow 现阶段正在做的事情。
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细微反馈。
手指什么时候开始收紧？力道如何增减？……其实，人不会逐一认真思考这些问题，往往在极短时间内，身体就能完成并执行一系列关于接触、摩擦、重量和稳定性的判断。
OriginFlow 希望将这一层反应记录下来，作为具身智能数据的一部分。
之所以押注这一方向，还要从秦深涛本科时期说起。
本科期间，秦深涛带队斩获了几乎所有能够获得的机器人竞赛冠军；也是在本科期间，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。如果机器能够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，神经接口进入了这位对人机共融“有执念”的秦深涛的视野。
神经接口采集的是外周运动神经相关的体表电信号（即神经肌电信号），能够避开脑机接口所面临的高侵入性、高通道数和脑区对应等难题。
神经肌电诞生以来，长期局限于高校实验室。
后来，随着无线传感、干式电极和 AI 算法不断迭代，神经肌电开始被用作人体运动意图的感知入口，并广泛应用于康复医学中的生物反馈训练、运动竞技动作分析、职业工效与劳损评估，以及肌电假肢的离散动作控制。
△图片由 AI 生成
举一个典型例子。
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，包括一个类似手表大小的主设备，以及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、滑动和手势等。
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，由于这种技术能够精确感知用户甚至尚未做出的动作意图，因此，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神经输入腕带，用户能够通过手部动作（想象滑动、点击）直接控制眼镜上的界面。
（一则场外信息：Apple Watch 的“捏合”手势确认、关闭窗口等功能，主要基于光学传感器。）
与 Meta 关注如何让人更方便地点击、滑动或输入文字不同，秦深涛的思考落在物理 AGI 所欠缺的条件上。
在他看来，首先，当下极度缺乏的高质量物理交互数据，已经成为制约具身智能机器人进阶的关键。
现有的具身数据采集方式各有弊端，能否以神经肌电作为切入点，进行进一步补充？
而且，选择神经肌电采集，或许可以绕过具体接触面的材料和传感器差异，从人与机器各自的驱动侧出发，寻找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。
它是一套涵盖信号采集、物理量重建、动作表征和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 Motion Space
-
描述法向力、切向力与接触反馈的 Tactile Space
-
描述肌肉、肌腱驱动力和关节力矩的 Tendon Space
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，人可以被视为本体（embodiment）构型空间中的一个特例。因此，‘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，则提供人与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，重定向到具有不同自由度、不同驱动方式的机器人本体上。
因此，OriginFlow 并不是希望将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 OriginKit Gen 1.0。设计上，它略宽于 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，系统采用 16 通道采集，信息码流约为每秒 96 KB，并对手部运动进行连续建模。
不过，NeuroScale 的落地也不只依靠腕带。
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。
OriginKit Gen 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，**逐步将数据整理为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，即 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。
当用户做出对指动作时，系统能够实时观测发力变化。
不过，从一段神经信号中重建动作，并不等于已经获得了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，以及跨本体映射等环节。
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，不仅要把数据采集下来，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 演示出的只是公司业务的一小部分，模型本身也只是阶段性产出。
正在研发中的 PULSE 0.3，正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，也只是当前的采集终端，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，具身智能领域目前遥不可及的“万亿小时数据”，只需要记录全人类十天左右的行为。
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。
在他们的设想中，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对自身建模，并从个人模型中获得便利。
△图片由 AI 生成
总体来说，OriginFlow 现阶段所做的事情，还处于其发展规划的第一阶段。
他们为自己规划了三阶段发展路线。
第一阶段，From Human。
先尽可能采集人的动作，将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，动作能够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 至 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，国内还有强脑科技、章鱼动力、SnowOrigin、念象科技、无界脉络、手亿科技等创业公司，也在利用神经肌电采集具身智能数据。