机器之心发布

近期，圈刚AI领域涌现出一个高频热词：Loop Engineering（循环工程）。开始

这一概念源于 AI Agent 语境，两位类闭核心逻辑直指痛点：摒弃对单次 Prompt 的后博环数依赖，转而构建可持续运行的士盯上人闭环系统。该系统具备“接收任务-调用工具-评估结果-识别偏差-自我修正”的圈刚完整链路，直至目标达成。开始这标志着 AI 工程范式正从 prompt-centric（提示词中心）向 workflow-centric（工作流中心）深刻转型。两位类闭

在具身智能（Embodied AI）领域，后博环数这一挑战被进一步放大。士盯上人软件层面的圈刚 Loop 处理的是代码、接口与日志；而机器人层面的开始 Loop 直面真实物理世界：视觉误差、运动控制、两位类闭本体反馈、后博环数环境扰动以及不可预知的士盯上人失败。

Loop Engineering 的核心价值在于：真正的可扩展智能，并非一次性输出答案，而是在持续反馈中不断逼近最优解。

人类：最成熟的闭环系统原型

人类完成任何动作，本质上都是一个精密的持续闭环过程：

1. 感知与意图：眼睛锁定目标，大脑结合上下文形成行动意图。
2. 执行：神经系统将指令下发至肌肉，肌肉开始执行动作。
3. 反馈与修正：视觉、本体感觉、触觉及误差信号实时回流，帮助大脑动态调整轨迹、力度与姿态。

简言之，人类始终处于 “感知 — 决策 — 执行 — 反馈 — 修正”的闭环环路中与世界交互。

这也解释了为何具身智能领域正疯狂争抢 ego-centric（第一人称视角）和 human-centric（以人为中心）的数据。真机数据昂贵且采集缓慢，真实世界交互极其复杂；相比之下，人类第一视角数据不仅易于规模化，更高度还原真实任务场景。

然而，当前大多数 human-centric 数据仅记录了“人做了什么”。对于构建真正的闭环智能而言，更关键的数据维度是：人为什么这样做？准备怎么做？进展如何？以及如何根据反馈进行修正？

这正是初创公司 脸谱心智（Facemind）试图切入的关键赛道。

从世界模型架构到数据范式革新

脸谱心智由两位 95 后博士 陆弘远和 韦怡然创立。公司早期从端侧全模态模型起步，随后将战略重心转向更底层的 世界模型（World Models）研究。

近期，他们在世界模型领域取得架构突破，发布了 Looped World Models。

• 论文链接：https://arxiv.org/abs/2606.18208

据团队介绍，这是全球首个基于 Loop Transformer的世界模型。其核心创新在于：通过参数共享的 Transformer Block，对潜在状态（Latent State）进行迭代式精炼（Refinement）。模型在内部进行多轮滚动与修正，从而逼近更稳定的环境状态理解。

这相当于将 Loop 机制引入世界模型的架构底层：模型不再是一次性理解环境，而是在隐藏状态中反复更新对环境和动力学的判断。

LoopWM 在 ego-centric 和 human-centric 数据上展现了卓越的 数据效率（Data Efficiency）和 性能表现。但这引出了一个更深层的问题：数据侧是否还有升级空间？

目前，大多数 Ego 数据主要记录“人看到了什么”和“做了什么”。虽然能覆盖大量真实场景并提供丰富的操作样本，但它对 “动作背后的因果逻辑”记录尚不完整。

一个动作并非从画面直接跳跃至结果，中间包含目标锁定、动作预备、意图形成、肌肉执行、反馈感知及实时修正等复杂环节。若缺失这些过程记录，模型学到的仅是行为轨迹；若能同步采集、对齐并结构化这些过程，模型才有机会习得动作背后的 闭环策略。

于是，焦点从模型架构转向了 数据范式：在现有数据之外，能否采集到更优质、更完整的闭环操作数据？

脸谱心智给出的答案是：Ego-NeuroLoop。

数据范式 Ego-NeuroLoop：将人类闭环转化为训练资产

Ego-NeuroLoop旨在采集的不仅是手部最终动作，而是一组围绕人类操作全过程的多模态闭环数据。

具体而言，该范式整合了四类关键信号：

1. World Camera（环境视觉）：捕捉人与环境的交互上下文，记录物体位置及场景信息。
2. Gaze（视线追踪）：记录视线的发现、锁定及持续关注点，反映注意力落点。
3. EEG（脑电图）：捕捉与动作意图、状态切换、误差感知相关的神经信号，判断动作准备时机及偏差意识。
4. sEMG（表面肌电图）：捕捉肌肉激活状态及发力变化，反映执行细节。

传统 Ego 数据主要记录“视觉输入-手部输出-任务结果”。而 Ego-NeuroLoop将这些信号置于同一时间轴，构建连续的闭环链路：
* 视觉提供世界状态；
* 视线指示目标位置；
* EEG提供注意力、意图及状态变化线索；
* sEMG提供执行与发力线索。

多模态反馈共同解释了人类如何在操作中不断修正。如果说普通第一视角视频是在录制一部“动作电影”，那么 Ego-NeuroLoop更像是在记录一套人类闭环控制系统的 运行日志。其核心价值在于将人类在真实操作中“做对”或“纠错”的过程数据，转化为高质量的训练资产。

数据采集 NeuroMatrix：低成本获取关键闭环信号

第一层基础设施是数据采集装置 NeuroMatrix，负责多模态信号的同步采集。其核心设计逻辑遵循“先高精度，后低成本”的路径：

1. 高精度基座训练：初期使用高精度设备采集 EEG 和 sEMG 数据，训练基座模型，建立人类动作意图、神经信号与肌肉执行之间的精确映射关系。
2. 信号地图构建：基于上述映射，识别与手臂、手指动作高度相关的脑区信号、头皮电极通道及肌肉区域。
3. 硬件降本与量产：围绕关键信号点位进行硬件收缩，减少电极数量，压缩传感器规模，将采集装置推向 数千元级成本区间。

这一步解决了采集半径与成本瓶颈，将原本数十万级、仅限少数实验室负担的数据生产能力，转化为可扩展、高频次、贴近真实场景的大规模数据获取能力。

数据增强 NeuroBooster：神经信号的 VLM

第二层核心是多模态基座模型 NeuroBooster，可被视为 “神经信号的 VLM”。

• VLM 的作用：解决图像与文本的对齐问题。
• NeuroBooster 的作用：解决视觉、视线、EEG、sEMG 之间的对齐、配对、映射及增强重建问题。

NeuroMatrix 采集信号后，数据进入 NeuroBooster 进行处理。如果说 VLM 将图像和文本映射到统一语义空间，那么 NeuroBooster 则将多模态生理信号映射到 统一闭环表征空间，使模型理解动作如何从目标、意图、执行到反馈修正一步步生成。

训练路径概括为三步：

1. 时间对齐与语义映射：基于高精度 NeuroMatrix 形成的信号地图，学习不同模态间的时间对齐关系及语义对应。
2. 配对关系建立：围绕手臂、手指动作，建立脑区信号、电极通道、肌肉区域与视觉目标区域之间的配对关系。
3. 噪声增强与重建：针对低成本、低信噪比、多模态不同步的数据进行增强重建，将其转化为模型可消费的 Ego-NeuroLoop 数据。

为何这一步至关重要？
低成本设备必然带来噪声：
* EEG受电极阻抗、接触质量、头动伪迹影响；
* sEMG受佩戴偏移、肌肉串扰、动作噪声影响；
* 视觉存在遮挡、模糊及视角变化；
* Gaze可能漂移或短时丢失。

NeuroBooster 的价值在于利用多模态互补性进行 增强重建：
* EEG 弱时，由 sEMG 和 Gaze 补充执行与目标信息；
* sEMG 噪声大时，由视觉和 EEG 提供动作阶段与意图线索；
* Gaze 漂移时，由 World Camera 和动作状态恢复目标上下文；
* 视觉遮挡时，由 EEG 和 sEMG 补充意图与执行状态。

最终，模型接收到的是一条经过同步、对齐、配对映射、信号增强和结构化处理的 闭环时间轴：环境状态、目标位置、意图出现时刻、肌肉响应、动作展开过程、反馈发生机制及下一步修正策略。

这才是 Ego-NeuroLoop 真正赋予具身智能模型的核心能力。

从数据资产到闭环策略

Ego-NeuroLoop 的价值并非替代现有 ego-centric 数据，而是在其基础上补全更完整的闭环信号。

现有第一视角数据提供了真实场景、任务及行为轨迹，有助于世界模型学习环境变化。但引入视线、EEG、sEMG 等多模态信号后，数据维度从“人做了什么”升级为 “人为什么这样做”以及 “如何在反馈中把事情做对”。

通过 NeuroMatrix 和 NeuroBooster，低成本设备采集的多模态信号被映射为稳定的闭环语义，为模型提供了更接近人类动作生成过程的数据流：
环境感知→ 目光锁定→ 神经状态变化→ 肌肉执行→ 反馈修正

模型可从这类数据中学习：
* 如何在复杂环境中锁定关键目标；
* 如何在动作发起前形成可执行意图；
* 如何在执行中依据反馈实时修正；
* 如何在失败时切换策略，避免机械重试。

这些能力依赖于目标、意图、执行与反馈之间形成连续的闭环。这正是该方案试图采集的核心资产：人类闭环策略。

结语

Loop Engineering 的兴起，标志着业界开始严肃探讨一个问题：智能系统不能仅会“回答”，更需具备“运行、验证、修正”的能力。

对于具身智能而言，这一进程需更进一步。关键不仅在于将 AI 嵌入 Loop，或高效利用现有第一视角数据，更在于能否获取更优质、更闭环的人类操作数据。

从这个视角看，脸谱心智提出的 Ego-NeuroLoop 及其背后的 NeuroMatrix 和 NeuroBooster，旨在解决一个更底层的问题：如果未来机器人要像人一样理解世界、组织动作、利用反馈并持续修正，那么训练数据能否先清晰记录“人是如何做到这一切的”？

这条技术路线，正从世界模型架构的创新，延伸至具身智能数据范式的革新。