允中 发自 凹非寺 | 量子位 | 公众号 QbitAI

具身智能的训练数据竞争，正从单纯的世界师“量大管饱”迈入下一阶段的深水区。

过去一年，模型第一视角视频成为了机器人训练的开始主流燃料。人类佩戴相机进行做饭、从人整理桌面、类的里偷开抽屉等操作，肌肉即可产出海量的和脑操作样本。

虽然数据量的训练瓶颈已初步缓解，但一个更深层的世界师缺口随之浮现：

这些视频仅记录了“人做了什么”，却缺失了“人为什么这样做”，模型更未捕捉动作执行过程中大脑与身体实时修正的开始微观机制。

FaceMind（脸谱心智）旨在填补这一空白。从人

这家由两位95后博士创立的类的里偷公司，提出了一套全新的肌肉 Ego-NeuroLoop数据范式。

该范式同时采集四类信号，将人类完成动作时“看哪里、准备做什么、肌肉如何发力、反馈如何修正”的完整闭环，压缩至同一条时间轴上。

配套的硬件方案 NeuroMatrix负责降低采集门槛，信号处理层 NeuroBooster则负责将噪声巨大的原始数据对齐，转化为模型可“消化”的标准格式。

△图片为AI生成

而这一整套技术路线的起点，源自神经科学中一条被反复验证的核心理论：贝叶斯大脑（Bayesian Brain）。

贝叶斯大脑：大脑一直在预测世界

在神经科学领域，“贝叶斯大脑”理论常与预测处理（Predictive Processing）及自由能原则（Free Energy Principle）并列讨论。

其核心思想在于：大脑并非被动接收信息的容器，而是一个主动预测器官。

基于过往经验和当前上下文，大脑会对外部世界及自身身体状态生成概率化预期，并通过感官反馈进行校准。

△图片为AI生成

你下一秒会看到什么、伸手会碰到什么、目标是否仍在原位，大脑都在提前计算。

当真实感官输入返回后，预测值与现实值之间的差值即为预测误差。这一误差驱动内部模型不断向前更新。

若借用AI领域的概念类比，大脑本身就在运行一套世界模型。

AI中的世界模型研究“环境如何随动作变化”，而人类大脑的做法与之相似，区别在于人类这套系统是天然与身体共生的。视觉、视线、触觉、本体感觉、肌肉反馈、注意力及误差信号，全部运行在同一条链路上。

具身智能真正渴望学习的，正是这种机制。

机器人若要进入厨房、仓库、实验室或家庭等真实场景，仅靠视觉识别和动作模仿是远远不够的。

真实世界充满不确定性：物体可能打滑、阻挡、形态改变或突然打断任务。目标选择、动作启动时机、偏差修正及失败后的策略切换，这些能力无法仅通过一段视频习得。

具身智能真正稀缺的，不是更像“录像机”的数据，而是更像“大脑运行日志”的数据。

摄像头能拍到手的动作，却拍不到大脑的思维过程。

摄像头拍到了手，但拍不到大脑

过去一年，以ego-centric（第一人称）和human-centric（人类中心）视角的数据成为具身智能的主流燃料。

由于机器人真机数据采集成本高、速度慢、设备昂贵且场景覆盖有限，相比之下，人类第一视角数据的采集门槛极低。一人一相机，即可产出大量原始任务素材。

这类数据能记录环境要素、物体状态变化、手物接触方式及任务结果，为模型提供了真实世界操作的基础素材。

然而，第一视角视频存在天然边界：它主要记录的是“行为结果”。

• 摄像头能看到手伸向杯子，却看不到人为什么先看杯沿；
• 能看到杯子被拿起，却看不到动作准备何时出现；
• 能看到手指接触物体，却看不到肌肉发力如何变化；
• 能看到任务成败，却看不到反馈误差如何触发下一步修正。

现有的human-centric数据更像是一个“行为结果库”，仅记录动作轨迹和最终结果。

具身智能真正需要学习的是“行为生成机制”——目标如何被发现、注意力如何切换、意图如何形成、肌肉如何执行、反馈如何改变动作。

如果大脑是一套预测式世界模型，训练数据就必须尽可能记录这套模型的运行全过程。不仅要记录“人看到了什么、手做了什么”，还要覆盖“人如何预测、如何行动、如何反馈、如何更新”。

FaceMind（脸谱心智）正是为了填补这一缺口而生。

该公司由两位95后博士 陆弘远、韦怡然创立，早期从端侧全模态模型切入，随后将研究重心转向更底层的世界模型方向。

△脸谱心智Founder陆弘远

但他们更关键的切入点，是将贝叶斯大脑理论转译为具身智能的数据工程问题。

神经科学认为，大脑通过内部模型预测世界，利用反馈误差更新模型；AI中的世界模型，也旨在让智能体理解环境随动作的变化规律。

要将两者打通，需要一类新数据，用于记录人类大脑、身体和环境形成的闭环。

Ego-NeuroLoop应运而生。

它并非单纯增加视频采集量，也不是对现有动作数据重新打标。

它采集的是人类完成任务时的闭环过程：人看哪里、何时准备动作、肌肉如何启动、反馈如何出现、动作如何修正。

贝叶斯大脑中的“预测、误差、更新”机制，正通过Ego-NeuroLoop转化为机器人可学习的数据资产。

给大脑和肌肉也装上摄像头

Ego-NeuroLoop将人类操作过程拆解为四类同步信号：world camera（世界相机）、gaze（视线）、EEG（脑电）和sEMG（表面肌电），分别对应外部环境、注意力、神经状态和肌肉执行。

△图片为AI生成

• World camera 记录环境：
  桌面上有什么、目标物体在哪、手物接触方式、任务进度。这一层提供的是世界模型的外部输入。

• Gaze 记录视线：
  动作发生前，眼睛往往先到。先看目标，再看可抓取区，必要时扫视障碍物或下一步放置点。视线轨迹帮助模型从复杂环境中筛选出当前真正相关的信息。

• EEG 补充动作前的“前奏”：
  脑电虽无法读取完整想法，但能捕捉动作准备、注意状态、任务切换、误差感知等信号。手未动而神经系统已进入准备状态，这一时间差唯有EEG能记录。

• sEMG 将动作落实于肌肉：
  手臂、手腕、手指何时激活、发力如何变化、修正发生在哪个阶段。相比仅看手部轨迹，sEMG提供了执行力度和控制细节。

将四类信号置于同一条时间轴上，一个动作便从单一轨迹转化为完整链路：

目标被发现 → 注意力聚焦 → 神经系统进入准备 → 肌肉激活 → 手接触物体 → 反馈回流 → 力度与轨迹重新调整。

模型从这类数据中学到的，不仅是“人怎么做”，更是“人凭什么做对”。

先在实验室画满地图，再把设备做小

数据范式已定，首要任务是采集。

FaceMind提出的硬件方案名为 NeuroMatrix，负责同步采集视觉、视线、EEG、sEMG四类信号。

△图片为AI生成

当前最大的现实挑战在于成本和部署难度。

高精度脑电、肌电和视线追踪设备多适用于实验室，通道多、成本高、佩戴复杂，难以直接应用于真实世界的大规模任务。

NeuroMatrix的策略是：先用高精度版本建立“信号地图”。

在高精度阶段，系统获取完整的脑电、肌电、视线和视觉数据，分析动作意图与脑区信号的对应关系，明确哪些头皮电极通道、哪些肌肉区域、哪些视觉目标之间存在稳定关联。

地图绘制完成后，硬件设计围绕关键位置收缩，减少电极数量，压缩传感器点位，致力于让设备更轻、更便宜、更易佩戴。

这一步决定了数据生产的扩展边界。

具身智能需要长期、稳定、贴近真实场景的数据供应，少量实验室级样本无法支撑通用机器人的训练。若不降低采集门槛，人类闭环操作数据便无法进入高频、大规模的生产阶段。

四路信号，互相兜底

采集到的原始数据尚不能直接使用，因为这些信号均存在噪声。

• EEG易受电极接触、头动、眨眼及环境干扰影响；
• sEMG受佩戴偏移、肌肉串扰及动作幅度影响；
• Gaze可能漂移或短时丢失；
• 视觉数据亦难逃遮挡、模糊和视角变化。

此外，多模态数据的时间同步难题，使得原始信号难以直接转化为训练样本。

为此，FaceMind推出了第二层解决方案：NeuroBooster。

这是一个面向神经和身体信号的多模态基座模型，能将粗糙、异步、低信噪比的原始数据，整理为模型可消费的闭环时间轴。

类比而言，VLM对齐的是图像与文本，而 NeuroBooster 对齐的是视觉、视线、EEG、sEMG。

该系统的核心在于模态互补：

• 当EEG信号微弱时，Gaze和sEMG可补充目标与执行信息；
• 当sEMG噪声较大时，视觉和EEG有助于判断动作所处阶段；
• 当Gaze漂移时，World Camera和手部状态可将上下文拉回；
• 当视觉被遮挡时，神经和肌肉信号仍能保留意图与执行线索。

经过时间对齐、信号配对、增强重建和结构化输出后，模型获取的不再是孤立传感器记录，而是一条完整的操作链路：看到了什么、注意哪里、准备做什么、如何发力、反馈如何出现、下一步如何调整。

数据竞争将进入“闭环质量”阶段

具身智能数据的竞争，过去主要围绕规模、场景、动作展开。

谁的数据量大、覆盖任务多、动作样本丰富，谁就更有可能训练出强策略模型。

但下一轮竞争的核心指标已变为：闭环质量。

以“拿杯子”动作为例：

• 普通视频提供的是轨迹数据：手从哪里来、到哪里去、杯子是否被拿起。
• FaceMind Ego-NeuroLoop提供的是更细颗粒度的过程：目标如何被发现、注意力如何转移、动作准备何时出现、肌肉何时发力、接触后反馈如何改变后续动作。

两种数据喂养出的模型，能力边界差异显著：

仅学习轨迹的模型，容易停留在表层模仿。它擅长复现见过的场景，但当物体打滑、光线变化或任务被打断时，由于缺乏内部状态判断，它无法识别偏差环节。

而学习过闭环过程的模型，则多了一层能力：它见过人类在相同偏差面前如何调整发力、重新分配注意力、切换策略，从而有机会将这些修正逻辑迁移至自身决策中。

从这个角度看，Ego-NeuroLoop的意义在于将训练数据从“行为库”推向“闭环库”。

它不仅记录人类做了什么，更记录大脑、身体和环境如何协同把事情做成。

机器人缺的世界模型，长在人类大脑里

机器人缺失的世界模型，可能正藏在人类大脑中。

更准确地说，藏在大脑、身体和环境的连续交互中。

贝叶斯大脑理论提供了一个框架：大脑通过内部模型预测世界，用感官输入校准预测，用误差推动模型更新。

具身智能走向真实操作，需要的是同一套能力。机器人不能只“看见”世界，还得“预测”世界；不能只“执行”动作，还得根据反馈“更新”下一步动作。

FaceMind的做法是，沿着这一框架从数据端一路铺到模型端：

1. Ego-NeuroLoop定义了新的数据范式；
2. NeuroMatrix降低了多模态信号采集的门槛；
3. NeuroBooster将低成本信号对齐增强为模型可用格式。

在模型侧，FaceMind此前发布的 Looped World Models（循环世界模型），利用参数共享的Transformer Block对环境状态进行迭代式更新，使世界模型在内部完成多轮修正。

数据侧采闭环，模型侧跑闭环，两头接上了。

这条路线真正赌注在于：机器人要更像人一样完成任务，瓶颈不仅在于模型架构，更在于训练数据记录了人类操作的哪一层。

轨迹、结果、成功率，这些是表层。

预测、反馈、修正，这些或许才是控制策略真正生长的土壤。