知识卡片：神经肌电采集具身智能数据的新路线——OriginFlow

一句话结论：OriginFlow（渊澈太初）由00后清华博士生秦深涛创立，主打以神经肌电（sEMG）腕带为入口，把人类肌肉反应转化为机器可学习的“Human Tokens”，为具身智能提供新的数据采集与动作表征路线。

英文标题：原文未提供（中文原标题：00后清华博士生创业“神经接口”：把人类肌肉反应炼成Token）

英文关键词：Embodied AI; Data Collection; sEMG; NeuroScale; Human Tokens

事件概述/研究问题

• 具身智能数据采集现有主流方式包括真机遥操作、无本体便携采集（UMI/Ego）、仿真合成数据、互联网视频蒸馏等，但高质量物理交互数据仍然稀缺。
• OriginFlow 成立于2025年8月（文章称“去年8月”），创始人秦深涛（2001年生，清华车辆与运载学院博士在读）选择神经肌电（sEMG）作为具身数据采集入口，试图补齐“真实产业场景与模型之间缺少的物理交互信息抽象层”。
• 截至2026年5月，公司披露已连续完成天使轮、战略轮、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。

方法/产品要点

• 核心体系：NeuroScale——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。
• 数据入口：OriginKitGen 1.0 腕带，16通道表面肌电采集，微伏级信号，信息码流约每秒96KB；需与第一视角视觉、IMU等多模态信息融合。
• 基座模型：PULSE（当前展示为0.2版本），用于从神经信号中连续建模手部运动与指尖力表征；0.3版本在探索肌腱发力与前向运动学关系。
• 动作表征：Human Tokens，建立于 MotionSpace（手部姿态/运动轨迹）、TactileSpace（接触力/触觉反馈）、TendonSpace（肌肉/肌腱驱动力/关节力矩）三类物理量之上。
• 数据加工：自研 Data Infra，包括 ORACLE（多模态自动标注）、CHORD（多模态时序与表征对齐），以及物理有效性、任务有效性、标注有效性、模型价值、真机评测等质量环节。

主要结果或产业意义

• 文章认为，这种路线把数据采集从“外部动作”延伸到“人体运动输出侧”，是具身智能数采的新路线。
• 长期愿景：从Human Data走向Enhance Human，规划三阶段：From Human（采集/蒸馏人的操作）、With Human（Always-on机器人硬件）、Enhance Human（未来10–30年增强人类）。
• 潜在规模设想：如果无感采集普及，约十天人类行为记录可对应“万亿小时数据”。
• 文中提到国内还有强脑科技、章鱼动力、SnowOrigin、念象科技、无界脉络、手亿科技等也在做类似方向，说明赛道开始拥挤。

为什么重要

• 该方向试图解决具身智能“高质量物理交互数据缺乏”的关键瓶颈。
• 神经肌电作为非侵入式入口，可能绕开具体接触面材料与传感器差异，从驱动侧寻找人和机器人共享的动作表征，支撑跨本体迁移。
• 对于“动作模态缺少公认规范表征”的问题，OriginFlow提出了 Human Tokens 这一具体框架。

局限与不确定性

• 文章为媒体报道，未提供 PULSE 0.2 演示的第三方评测数据，技术成熟度待核实。
• 融资累计超5亿元的具体金额分配、估值、产品量产时间等未披露，待核实。
• “无感数据采集是未来趋势”属于创始人观点，实际落地效果尚待验证。
• 从神经信号重建动作到可用于机器人训练的数据，中间仍有大量工程问题（时钟对齐、个体校准、运动伪迹、跨本体映射等），文中承认“中间还隔着漫长的工程验证”。

可用于图书/PPT/简报的角度

• 用“一条腕带采集人类肌肉信号，生成机器人可用的‘动作Token’”作为案例，解释具身智能数据困境与新型数据基建。
• 对比主流数采方式（真机遥操作、UMI/Ego、仿真、视频蒸馏）与神经肌电路线的差异。
• 梳理“神经接口”从 Meta/CTRL-Labs 的 AR 控制到具身智能数据采集的延伸。

与既有脉络的关系

• 本条卡片为“AI基础设施/具身智能数据”新主题，与已有 NIST AI RMF、Epoch AI 研究趋势、OpenRouter 博客归档无直接重复；但可视为“AI 基础设施中间层继续向物理世界数据采集延伸”的最新案例。

原始材料

• URL: https://www.qbitai.com/2026/08/477094.html
• 来源：量子位（QbitAI），作者衡宇，发布于2026-08-22。
• 文章标题：00后清华博士生创业“神经接口”：把人类肌肉反应炼成Token