龚虹嘉、陆奇明看中的肌电腕带，开始争夺具身数采入口

具身智能的数据竞赛，开始盯上人的手腕。

近日，成立于2022年的雪梦未来（SnowOrigin）获得龚虹嘉、陆奇及海外机构投资。龚虹嘉是海康威视联合创始人和知名天使投资人，陆奇曾任微软全球执行副总裁，现为奇绩创坛创始人。

这家神经交互公司试图用神经腕带采集前臂表面肌电信号，再结合第一视角设备和AI模型，把人的手部姿态、发力趋势和微控制过程转化为机器人训练数据。

这并不是行业第一次尝试记录人类操作中的力与触觉。随着具身数据采集不断深入，力反馈遥操作、触觉手套、力矩传感器等方案正在补充接触力、触觉和精细操作信息。

雪梦未来则选择了另一条路径：从手腕上的肌电信号切入，捕捉动作发生前后的肌肉活动，并将其与视觉、位姿和环境信息对齐。它试图提供一个更轻量、对自然操作干扰更小的采集入口。

01.

肌电给具身数采增加了什么？

让机器人学习人类操作，行业已经探索出多条技术路线。

第一视角视频部署灵活，可以记录人在真实场景中的操作过程；动作捕捉、数据手套可以还原人体和手部运动；真机遥操作能够直接生成与机器人本体相关的动作数据；力反馈设备、触觉手套和力矩传感器，则进一步补充接触力、触觉和操作反馈。

不同方案覆盖的数据维度不同，也各有成本和部署边界。

第一视角视频容易规模化，却难以仅凭画面准确恢复人体内部的肌肉激活状态；高精度动捕、力反馈和遥操作方案可以提供更丰富的数据，但往往需要专用设备、标定流程或固定采集环境。

sEMG，即表面肌电，为具身数据增加了另一种信号来源。

它通过贴近皮肤的电极，采集肌肉收缩过程中产生的电活动。严格来说，这项技术更接近一种非侵入式神经肌肉接口。部分肌肉活动信号会早于肉眼可见的动作出现，因此可以为动作意图、肌肉激活程度和微小手势识别提供线索。

Meta过去数年持续推进这条路线。其公开工作已经覆盖手势识别、手写输入和手部姿态估计等任务，并在部分任务中展示了模型对新用户的跨用户泛化能力。

但把肌电用于机器人训练，难度还要再高一层。

识别一个“点击”手势，只需要判断用户想执行什么命令。机器人训练数据需要同时回答更多问题：手处于什么姿态，接触了什么物体，肌肉激活如何变化，物体是否滑动，以及这段人类动作如何映射到结构完全不同的机器人上。

雪梦未来真正需要突破的，也在这里。

02.

把交互腕带改造成数采终端

雪梦未来进入具身数据市场，并非临时转向。

早期公开资料显示，公司最初聚焦神经电信号解码和肌电手势识别，目标场景包括XR、智能汽车、游戏、消费电子和办公交互。其核心任务，是把前臂上微弱、复杂且因人而异的肌电信号，翻译成手势、姿态和控制指令。

这项能力与团队的技术背景直接相关。

创始人秦旭毕业于北京大学计算机学院，来自高文院士、黄铁军教授领衔的北京大学编解码国家工程实验室团队；联合创始人王智林毕业于北京航空航天大学软件开发环境国家重点实验室，长期从事人工智能与计算机视觉研究。

编解码负责读懂神经肌肉信号，计算机视觉负责识别环境与物体，AI模型则将两类信息对齐并转化为结构化数据。

沿着这条技术链，雪梦未来逐渐把肌电腕带从人机交互设备，延伸为具身智能数采终端。简单来说，过去，腕带负责把人的动作翻译成一条设备指令；现在，它还要把人的完整操作过程转化为可供AI训练的数据。

按照雪梦未来披露的方案，神经腕带负责采集前臂表面肌电信号，全景头环及第一视角设备记录操作者看到的环境，空间定位系统还原人与物体的位置关系，最后通过自研NMH模型完成多模态同步和解码。

最终形成的数据，不再只有一段视频或一条手部轨迹，还可能包含手部姿态、肌肉激活变化、发力趋势、微控制和环境上下文。

这套方案的价值在于，可以让采集者摆脱固定的实验室和遥操作台。工人可以戴着设备完成装配，厨师可以在厨房处理食材，护理人员可以整理床铺。只要腕带足够轻、续航足够长、信号足够稳定，人类在自然工作中产生的操作过程就可能被持续记录。

数采的场景边界由此被大幅拉宽。

不过，肌电信号并不能直接等同于精确的力数据。同一种肌电强度，在不同姿态、不同人群和不同疲劳状态下，可能对应不同的实际作用力。要获得可靠的力标签，仍需要结合力传感器、视觉、姿态和个人校准结果进行估计。

雪梦未来要搭建的因此是一套数据系统，而非单一传感器产品。信号质量、多模态对齐、数据标注和模型解码，任何一环不稳定，都会影响最终数据能否进入机器人训练链路。

03.

手腕成为Physical AI的新入口

雪梦未来选择这个时间点进入具身数据市场，与肌电腕带加速产品化有关。

2025年，Meta把肌电腕带带进了消费市场。其发布的带显示功能的AI智能眼镜，配套神经腕带使用。用户只需完成捏合、滑动等细微手势，便可操控眼镜。肌电交互由此开始走出实验室，进入真实产品。

Meta还开放了用于手部姿态估计和虚拟打字的sEMG数据集，覆盖301名参与者和716小时记录。这说明，肌电腕带的竞争壁垒除了电极、芯片、功耗和佩戴设计，还包括跨人群数据规模与通用解码模型。

手腕周围也正在聚集更多技术路线。

2026年3月，MIT研究人员展示了一款超声腕带，通过观察皮肤下方肌肉、肌腱和韧带的运动，解码手部多个自由度，并控制机器人灵巧手复现动作。此前还有团队利用声学、光学、压力和惯性传感器追踪手部姿态。

各类方案使用的信号不同，争夺的却是同一个位置：如何在尽量不干扰人类正常活动的情况下，低成本、长时间地捕捉手部精细运动。

这可能成为具身智能数据采集的一条新分支。

专用数采工厂可以提供标准化、可控的数据，可穿戴设备则有机会进入工厂、家庭、商店和医院，把更多真实任务纳入采集范围。前者强调精度和机器人适配，后者强调规模和场景覆盖，两者更可能形成互补。雪梦未来的机会，在于国内具身智能企业正集中寻找新的数据来源，而高质量腕部运动数据仍然稀缺。

其挑战同样直接。Meta已经用接近20万名研究参与者建立通用模型和数据优势。对国内创业公司而言，真正难以追赶的已经不只是硬件参数，还有跨人群数据规模和通用解码模型。

谁能积累更多跨人群、跨场景、跨任务的数据，并证明这些数据可以提升机器人训练效果，谁才可能守住入口。

04.

近处卖交互，远处卖数据

雪梦未来目前规划了两条商业化路径。

较近的一条，是把神经腕带作为新一代人机交互入口，为AI眼镜、机器人和其他智能终端提供控制方案。

这门生意更容易验证。识别准确率、延迟、功耗、续航、佩戴舒适度和跨用户泛化能力，都可以直接测试。公司披露，已有多家头部AI眼镜企业表达合作意向。

更远的一条，是成为Physical AI的数据基础设施。这条路线拥有更大的想象空间，也有更高的门槛。

首先，肌电信号容易受到佩戴位置、皮肤阻抗、出汗、肌肉疲劳和个体差异影响。腕带摘下后重新佩戴，信号分布就可能发生变化。设备需要在数小时连续采集中保持稳定，还要减少重复校准。

其次，人类动作不能直接复制给机器人。人手拥有复杂的关节和肌肉结构，不同机器人灵巧手的自由度、尺寸和驱动方式差异明显。腕带采集到的数据还要经过动作重定向和本体适配，才能成为机器人可执行的策略。

最后，数据价值需要通过训练结果验证。通道数、采样率和信噪比只能说明采集设备的性能。真正决定商业价值的是，加入肌电数据后，机器人任务成功率是否提高，面对新物体和新环境时能否更快泛化，所需真机数据量能否下降。

这些指标尚未得到充分公开验证。

资本此时下注，押注的是具身数据采集仍在信息密度、部署成本和规模扩张之间寻找平衡，肌电腕带可能提供一个新的解题方向。

雪梦未来已经拿到了入场券。接下来要证明的是，一只戴在人手上的腕带，能否稳定产出机器人真正用得上的数据。Physical AI需要的下一批数据，或许会先从人的手腕流出来。