渊澈太初创始人秦深涛：如何用一套神经数据飞轮，构建全球物理AI产业新生态

本文来自微信公众号：潮涌AI（ichaoyongai）。

潮涌AI在《物理AI诞生00后10亿俱乐部：新「梁文锋」们正在到来》一文里深度报道过秦深涛与他的渊澈太初正在改写AI行业竞争新格局，而这一次潮涌AI将进一步揭开这位00后创业者关于物理AI赛道的深度思考。

具身智能赛道持续升温，但规模化落地能力仍是行业长期挑战。要让机器人真正适配真实生产、生活场景，关键在于如何高效获取完整、高精度、可规模化的物理交互数据。

围绕这一核心难题，一批领先的Physical AI企业正在探索新的技术路径，OriginFlow正是其中具有代表性的企业之一。

OriginFlow（中文名：渊澈太初）创始人秦深涛出生于2001年，是清华大学人工智能方向博士生。OriginFlow所构建的产品与技术体系，旨在通过非侵入式、无感的方式，在人类真实生产生活场景中高效捕捉动作、姿态、力觉等高质量物理交互数据。

一位硅谷华人科学家曾评价，在这一方向上，全球最值得关注的两个玩家，一个是Meta，另一个就是OriginFlow。

7月3日，秦深涛在“2026全球数字经济大会人工智能融合应用发展论坛”上发表题为《NeuroScale：以神经数据基座，构建全球Physical AI产业新生态》的主题演讲，围绕NeuroScale的技术路径与产业生态展开分享，分析全球Physical AI数据供给缺口，并提出面向具身智能数据基础设施建设的新方案。

以下为秦深涛演讲实录，经潮涌AI整理发布：

01 数据标准年年被推翻，人类不缺数据，缺的是捕获方案

我们公司是一家很年轻的公司，从去年11月24日正式运营，到现在半年多时间。

我们想构建的是一种新的物理交互基础设施，这里有三个关键词：

第一，面向真实物理世界；

第二，服务人和机器之间的交互；

第三，需要配套新的AI传感器体系。

具身智能发展到今天，行业仍然存在较大不确定性。一个重要原因是，数据标准尚未真正确定，进而导致模型架构也难以被稳定定义。很多曾经被认为很好的模型标准或数据标准，到了下一阶段又会被重新推翻。

所以，需要思考的是：整个行业最终会走向哪里？

我们希望以无感、非侵入、可规模化的方式捕捉人类全模态数据。这个过程，本质上可以理解为“知识上载”。

今天，人类已经形成了几个重要的基座模型范式。

第一类是文本模型。它通过人类结构化文本获得能力。OpenAI发展至今大约十年，但在此之前，互联网文本数据已经长期积累。

第二类是视频模型。大家对视频模型价值的直观理解，来自特斯拉FSD系统。它在美国和中国道路上的表现，背后是极大规模的视频数据采集与训练能力。特斯拉把视频数据的采集成本压到了非常低的水平，相比很多数据采集公司具有明显优势。

可以看到，一家AI公司如果希望把某类人类能力上载为机器能力，就需要围绕真实生产、生活和消费过程做大量工作。真正有效的数据，往往就产生在这些真实场景之中。

今天讨论的是第三类基座模型，也就是面向具身世界模型的数据基础。

但现实是，所有公司都认为具身世界模型重要，所有公司又都缺数据。

全球81亿人，每天有超过12小时清醒时间，意味着每天都在产生海量真实物理交互数据，但这些数据并没有被有效捕获和利用。因此，人类并不缺数据，真正缺的是对这些数据的捕获方案。

在建立以动作为基础的具身世界模型之前，我们首先要解决的，就是这个问题。

02 从人到机器人：把交互信息提炼成Token

有一个经典的建模方式：把Agent和环境作为两个基本要素。

在这个框架中，我们进一步Agent拆成两个部分：一方面是人如何与环境发生交互，另一方面是如何把这些交互信息提炼出来，转化为Token，再映射为机器人的Token。机器人Token最终可以服务于具身物理世界模型的训练。

从技术上看，这个问题非常复杂。但简单来说，它要解决的是大规模、跨任务、跨人群、跨设备的泛化和一致性问题。

归根结底，这也是一个如何从数据中分离信号与噪声的问题。它涉及硬件、信号处理、数据、模型、本体和环境等多个环节，需要系统性协同解决。

03 非侵入式运动神经接口：以sEMG捕捉源头信号

我们提出的方案，是通过非侵入式外周运动神经接口，以表面肌电信号（sEMG）为核心入口进行数据捕捉。

在这个方向上，全球投入最大、布局最早的公司之一是Meta。Meta从2019年开始持续推进相关研究，投入规模非常大。

我个人也是从2019年开始关注并研究这一方向，但真正以产业化视角推进，是最近半年多的事情。今天我们可以比较自信地说，OriginFlow已经在关键技术进展上跟上了国际前沿。

最近，几位曾深度参与Meta百亿美元级神经运动接口项目的Reality Labs核心科学家与我们交流时提到：放眼全球同赛道，能与Meta站在同一技术维度、探讨底层方向的团队屈指可数，OriginFlow是其中之一。更让他们认可的是，我们没有把自己框定在特定交互终端的商业化里，而是直指更难、也更根本的目标——做真正通用的底层基础模型。

最终，希望提供的是高通道、高信噪比的解决方案。因此，从电极、模拟前端，到端侧推理和数据传输，都做了大量优化，也在推进自研模拟芯片等底层能力建设。

04 飞轮：种子数据库→黄金打标模型→无监督数据打标→模型越来越强

当数据被采集回来之后，我们会先形成一批较小规模但高质量的种子数据库，并基于这些数据训练出黄金打标模型。

随后，这个模型会继续为更多无监督数据进行打标，形成新的训练数据。模型越强，打标效果越好；打标效果越好，模型能力又会进一步增强。由此，形成一个持续自我增强的数据飞轮。

从底层来看，我们首先要建立面向神经信号本身的编码器，获得稳定且有效的表征；再通过跨模态对齐，最终输出对具身智能、人机交互以及其他相关领域有价值的信息。

从评测角度看，我们认为这套体系可以分为四个层面：高通量、无感佩戴、全球适配和通用表征。

第一，它必须是高通量的，能够在真实生产生活中高效采集。

第二，它需要足够无感，用户在真实场景中佩戴时不需要额外改变行为。

第三，它需要具备强适配能力，能够适应不同人群、不同身体差异和不同使用场景。

第四，它需要形成通用表征，支撑跨任务、跨人群、跨设备的数据复用。

这套体系和上一代多模态技术有本质不同。我们今天要完成的工作，需要从硬件底层开始重新构建。

这也是OriginFlow正在做的事情。