渊澈太初｜NeuroScale神经肌电腕带：把肌肉反应炼成Human Token

具身数采若只拍外部动作，很难记录「发力与接触」的隐性知识。手腕上的肌肉电信号，往往比摄像头更早透露「准备握紧」还是「准备松手」——渊澈太初把这条通道写成可规模化的数据产品。

渊澈太初（对外品牌OriginFlow）由清华博士秦深涛创立，累计融资对外披露超5亿元人民币，定位Physical AGI数据底座。所谓神经肌电（sEMG），白话是通过皮肤表面电极采集肌肉收缩时的微弱电信号，用来推断发力意图与握力变化；所谓Human Token，白话是把人体运动输出侧的多模态信号编码成模型可学习的统一表示，而不只是轨迹坐标——让具身模型有机会学习摩擦力、握力与稳定控制。

NeuroScale体系以16通道腕带OriginKitGen 1.0为入口，融合第一视角视觉与IMU，经PULSE基座模型重建MotionSpace、TactileSpace与TendonSpace三类物理量，并配套ORACLE标注与CHORD多模态对齐等数据基础设施。公开叙事对标Meta神经腕带的消费交互路线，但公司更强调B端具身训练数据：让模型学习「怎么调力」，而不只是「手走到哪里」。

与主流数采路线的对照：

1. UMI/Ego无本体采集：成本低、规模大，但难直接记录肌肉发力与接触力细节。
2. 真机遥操作：数据质量高，却占用昂贵本体、产能受限。
3. NeuroScale路径：在人手侧补一条「输出信号」通道，与视觉轨迹形成互补而非替代。

产业观察上，这与UMI/Ego无本体采集、真机遥操作形成互补而非替代。对算法团队，价值是多一条「人手如何调力」的数据通道；对佩戴者，则要验收舒适性与校准流程是否阻碍规模化佩戴——能采信号是起点，能稳定产出可训练集才是产能。

可以把它想成：纯视觉数采像看厨师摆盘，肌电数采更像听灶台火力——摆盘好看不等于火候到位。

需要把边界读清楚。WAIC演示为阶段性成果；跨本体迁移与万亿小时叙事仍属长期目标。下一观察点是PULSE版本能否在第三方基准证明相对纯视觉的边际收益。