深入解析OriginFlow对肌肉信号机器人数据的押注

那个没人愿意承认的瓶颈才是真正的瓶颈

每一家致力于开发通用机器人手臂的具身人工智能公司，抛开营销噱头不谈，其实都在追逐同一种稀缺资源：足够多的人手执行任务的记录样本——这些样本必须精准、可重复，且以模型能够真正从中学习的格式呈现。远程操作装置运行缓慢，且大规模部署成本高昂。 动作捕捉服虽然能追踪位置，却无法获取决定抓握是否成功的力和接触信息。仅靠视频——这种最廉价且最丰富的数据源——无法告诉模型手部施加的力度有多大，也无法判断指尖何时打滑，而这些正是机器人在操作比刚性块体更精细的物体时所必需的精确信息。 OriginFlow是一家成立不到一年的北京初创公司，已融资超过5亿元人民币（约合6900万美元）。该公司认为，正是这一数据缺口——而非模型架构——才是限制类人机器人和机械臂操作能力实际提升速度的关键瓶颈。

OriginFlow由25岁的秦申涛于2025年8月创立，他目前是清华大学车辆与出行学院的博士生，本科毕业于哈尔滨工业大学机电工程学院。 在不到一年的时间里，该公司完成了天使轮、战略投资及Pre-A1轮融资，投资者包括元和普华、 蓝湖资本以及绿洲资本，这一融资速度即便以今年中国竞争激烈的具身人工智能（embodied AI）融资市场标准来看也实属罕见，这反映出该领域资金雄厚的参与者已迫切意识到，必须针对数据问题提出切实可行的解决方案。

NeuroScale 究竟捕捉了什么

OriginFlow的解决方案是一种名为NeuroScale的数据采集范式，其构建基于非侵入式神经-运动接口，而非摄像头、手套或外骨骼。该公司的OriginKit Gen 1.0硬件是一款腕带，可读取体表肌电图，该

肌肉收缩时产生的电信号，直接从皮肤获取，而非事后追踪手部位置。 该公司自主研发的模型“PULSE”能将这种原始电信号解码为连续的手部姿势、施加的力以及触觉反馈数据——这些信息是基于摄像头的系统无法获取的，因为后者从一开始就无法接触到产生该动作的肌肉信号。

追踪手部位置与读取指挥该动作的神经信号之间的区别，正是OriginFlow技术布局的核心所在。动作捕捉系统可以告诉模型指尖最终停在了哪里； 但无法告诉模型该动作背后施加了多大力量，无法判断抓握是正在收紧还是已经打滑，也无法说明手部在动作过程中如何根据物体的意外阻力进行调整——正是这种精细的反馈循环，区分了能够轻柔拾取鸡蛋而不将其压碎的机器人，与只能处理刚性且耐受性强的物体的机器人。 通过直接捕捉肌肉信号，OriginFlow正试图精确获取力量和接触信息——这正是具身人工智能行业最难大规模收集的数据类别。

从肌肉信号到“人类令牌”

该公司的目标远不止于单纯收集更优质的手部数据。OriginFlow将解码后的姿势、力和触觉信息打包为所谓的“人类令牌”（Human Tokens）——这是一种可通过机器学习理解的动作表示形式，旨在在不同的机器人躯体间进行迁移，而非仅局限于用于采集数据的特定硬件。 这种框架直接借鉴了大型语言模型处理文本的方式：令牌是模型可以从中学习的信息单元，无论它最初来自哪份文档。OriginFlow认为，物理交互数据也可以以同样的方式进行令牌化，这样，在某款腕带上记录的抓取动作，就能训练由另一家公司制造的机器人手。

完全不同的制造商。

秦以直白的方式指出了根本问题：他表示，现实世界缺乏一层能够将复杂的物理交互信息抽象为可训练表征的抽象层——而过去十年间，文本和图像数据正是通过构建在分词和嵌入管道之上的机制，已经拥有了这样的抽象层。 如果这一缺口如OriginFlow的宣传所言那样具有根本性，那么无论哪家公司率先构建出被广泛采用的物理交互数据抽象层，都将有望成为整个具身人工智能行业的基础设施供应商，而不仅仅是一家向个别机器人实验室销售腕带的硬件供应商。

投资者为何行动如此迅速

这轮为期五个月、规模达5亿元人民币（约合6900万美元）的融资速度，需要结合背景来理解——而大多数关于本轮融资的报道都忽略了这一点。 2026年，中国的具身AI领域将投资重心从机器人硬件转向了数据和仿真基础设施——前者市场已因数十家追逐相似规格的人形机器人制造商而变得拥挤不堪，而后者则决定了这些机器人何时能真正派上用场。 一家能够合理宣称同时服务于所有硬件制造商（而非与之竞争）的数据采集公司，其投资逻辑在结构上与支持另一家人形机器人初创企业截然不同；中国几家最活跃的机器人领域投资机构已认定，相较于硬件领域，这一投资逻辑目前被低估了。

这并不意味着该投资逻辑已得到证实。OriginFlow自身的商业化计划—— 包括与未具名的领先企业建立工业制造合作伙伴关系，以及与58同城建立家政服务数据采集合作——仍处于初期阶段，尚处于逐个推进的阶段；而一家数据基础设施公司的实际价值，完全取决于是否有足够多的机器人制造商采用其数据格式，而非自行构建竞争性的数据管道。在此阶段投资OriginFlow的投资者

初创企业对“抽象层”理论的押注，远比当前的任何营收数据都要重要——这更是一场对行业瓶颈未来将转移至何处的押注，而非对其当前所在位置的押注。

每项数据基础设施投资都面临的“采用难题”

相邻行业中基础设施层的发展历史在此提供了有价值的警示。一种数据格式只有在达到临界数量的下游用户将其作为共享标准（而非某家供应商的专有工具）采用后，才会真正具有价值，而这一采用门槛所淘汰的极具前景的基础设施公司，远比因技术缺陷而倒闭的要多。 OriginFlow的“Human Token”格式不仅要与竞争对手的sEMG或远程操作数据提供商竞争，还要对抗每家类人机器人制造商将自有训练数据保持专有而非采用外部供应商格式的动机——尤其是当制造商已经投资建设了自己的数据管道之后。

Meta针对消费级增强现实控制而开展的神经接口腕带研究，同样基于类似的sEMG原理，这提醒我们：OriginFlow并非唯一将肌肉信号采集视为有前景的接口层的公司，尽管Meta的努力旨在实现人机交互，而非机器人训练数据， 这属于不同的商业目标，且采用路径也各不相同。对OriginFlow而言，更直接的竞争压力来自中国本土具身AI领域内的遥操作数据公司和“模拟优先”数据提供商， 其中多家公司今年基于各自的数据基础设施理念，已完成了规模相当或更大的融资轮次，这意味着OriginFlow将“Human Tokens”确立为行业通用格式（而非众多专有选项之一）的窗口期，可能比其融资速度所暗示的更为有限。

商业提案背后的数据所有权问题

OriginFlow的商业模式还引发了一个问题，这是每个具身AI训练数据的购买者最终都必须面对的，而且这个问题早在此次融资之前就已存在

特定公司，且其影响将超越该公司本身：当人类佩戴某公司的腕带执行任务时，所产生的数据归谁所有？一旦这些“人类令牌”被出售或授权给机器人制造商，该公司对其仍保留哪些权利？ 随着物理交互数据集从内部收集的副产品转变为可交易的商业资产，这是每位系统集成商都将面临的数据所有权问题， 而OriginFlow迄今发布的公开资料中，对其数据采集方法的描述远比数据权利和许可条款更为详尽——这种失衡在整个行业中很常见，但随着该公司与58同城建立的家庭服务合作关系开始在用户家中（而非工厂内）收集数据，这一问题将变得愈发重要。

事实上，家庭服务应用是OriginFlow发展路线图中在商业和伦理层面更为复杂的一半。工业制造数据的收集是在企业自有场所内，依据现有的工作场所同意框架进行的； 而家庭服务数据采集——通过记录个人进行清洁、烹饪或护理任务的具体操作，以便机器人最终能够学习相同的动作——则涉及在私人住宅内记录活动，在此情境下，同意、数据保留及再识别风险的 stakes 远高于工厂车间。 OriginFlow与58集团如何构建该合作伙伴关系的同意与数据处理条款，很可能将决定未来其他家用机器人公司是否愿意与基于sEMG的数据采集商建立合作关系。

什么能证明这一论点是正确的

证明这一理论成立的最明确信号，并非又一轮融资，而是某家知名机器人制造商——最好是尚未与OriginFlow建立股权或合作伙伴关系的企业——公开宣布将“人类代币”（Human Tokens）作为其商用产品的训练输入。在此之前，本轮融资仅能证明投资者认可这一理论

这虽有说服力，但并不能证明市场已将OriginFlow的架构视为优于竞争对手的选择。对于那些不将此事件单纯视为融资头条，而是将其视为身体化AI实际瓶颈走向的信号的人来说，这一区别至关重要。

未来十二个月将揭晓，该领域针对数据瓶颈的各种竞相押注中哪一种是正确的：机器人操作的瓶颈究竟是硬件精度、模型架构，还是如OriginFlow所主张的那样，缺少一个能够像语言模型抽象文本那样抽象物理交互数据的层。 如果秦申涛的观点成立，那么拥有其他机器人所学习代币格式的公司，最终对行业发展轨迹的重要性，可能远超本周展示新演示的任何单个人形机器人制造商——无论OriginFlow自身的商业路线图今后如何展开，这一可能性都值得关注。

免责声明：本文仅供一般信息参考，不构成投资、法律或专业建议。读者在做出商业决策前，应通过原始来源核实相关细节。