OriginFlow与灵心巧手达成战略合作

　　8月13日，OriginFlow与灵心巧手签署战略合作协议。未来，双方将结合灵心巧手在灵巧手硬件和机器人操作数据方面的积累，以及OriginFlow在神经运动接口、多模态数据与动作模型方面的探索，深化在数据采集联合研究、产品与系统适配、联合商业运营、行业标准探索等方向展开合作。
 

　　OriginFlow创始人兼CEO秦深涛与灵心巧手创始人兼CTO周永代表双方签署战略合作协议，并交流对未来更深入合作的期待和希冀。
 

图片来源：OriginFlow
 

　　本次战略合作不只是连接两项技术，更是让硬件、数据与智能汇入同一条通往未来的路径。当智能开始走出屏幕、进入物理世界，我们需要教会机器的，不只是如何思考，更是如何理解并回应真实世界。
 

　　同期，OriginFlow受邀参加Linkerbot Demo Day具身智能数采专场活动。活动聚焦具身智能发展中的关键问题：如何以更高质量、更低成本、更高效率的方式获取动作数据，帮助机器人理解人类动作、掌握灵巧操作，并从实验室走向复杂的真实场景。
 

　　从“能采集”
 

　　走向“可训练、可迁移”
 

　　随着具身智能加速发展，数据正成为影响机器人能力演进的重要因素。与语言和视觉数据相比，动作数据直接产生于真实的物理交互，不仅包含运动轨迹，还涉及接触、力度、摩擦和反馈等信息。
 

　　每一条高质量动作数据，都在记录人类与世界相处的经验；当这些经验被机器理解，它们就可能转化为服务更多人的能力。
 

　　但机器人在实验室中完成单一任务，并不意味着已经具备真实场景下的通用能力。环境、物体、光线以及机器人本体构型的变化，都可能影响任务执行效果。
 

　　因此，依托于OriginFlow建立的覆盖采集、清洗、标注、质检和交付的完整链路，让更大量、更多样、更全面的数据真正进入模型训练与验证环节，将人类数据与机器数据对齐。
 

　　具身智能数采的价值不只在于数据量的增加，更在于能真正将数据应用于模型训练，加快智能演进，让机器人更快走近生产、生活。
 

　　解码真实动作
 

　　补充视觉之外的交互信息
 

　　OriginFlow当前的技术架构由 PULSE、CHORD 和 AVATAR 三个模块组成，分别对应人体信号表征、多模态状态建模和机器人控制。
 

　　PULSE （Pre-trained Universal Latent Signal Encoder）：
 

　　PULSE处理表面肌电信号(sEMG)。相比视觉只能观测动作结果，sEMG能够提供肌肉激活、发力和运动意图等信息。其生成的表征随后进入CHORD，参与多模态建模。
 

　　CHORD (Cross-model Harmonization of Representations & Dynamics)：
 

　　CHORD融含Video、Audio、IMU和sEMG等多模态信息，将场景、运动、姿态和发力信号映射到统一表征，并进一步重建pose/force/tendon等物理信号，完整记录人类的物理交互过程。
 

　　AVATAR (Action Vocabulary Aligned Transfer for All Robots)：
 

　　AVATAR承接CHORD输出的物理信号，并进一步映射为机器人动作。其中，action expert负责动作生成，tendon control负责将动作转换为机器人可执行的力与控制信号。
 

　　通过对姿态、接触与驱动力的综合建模，机器人有望更加完整地理解人类与物理世界交互的过程。
 

　　让Action成为可规模化重建的基础模态
 

　　在大语言模型的发展过程中，规模化文本数据推动了语言能力持续提升；在自动驾驶领域，长期运行的数据闭环促进了视觉感知与规划能力迭代。面向具身智能，如何建设面向动作数据的规模化基础设施，正在成为行业探索的重要方向。OriginFlow提出Human Tokenizer路径，以肌电、视觉、惯性单元和语言等信息构成动作发生的完整上下文，通过「CHORD」来建模人与世界的物理交互。在此基础上，通过NeuroScale技术范式，对动作、力度与接触进行结构化表达，使动作逐步成为与语言、视觉同等地位的基础模态。
 

　　针对肌电模态容易受到个体差异、佩戴状态、生理噪声、环境干扰和运动伪迹影响的问题，OriginFlow还介绍了覆盖电极、芯片研发、信号增强和数据传输的全链路设计，并通过data scaling和model scaling不断提升
 

　　latent signal的信噪比，实现「PULSE模型」在跨天、跨人、跨设备和跨行为场景下的泛化表现。
 

　　携手推动具身智能走向真实世界
 

　　从让机器人“看见”物理世界，到进一步理解“如何接触、如何发力、如何完成复杂物理交互”，具身智能的数据范式仍在持续演进。
 

　　具身智能的远方，不是让机器取代人的双手，而是让每一份人类智慧都能被延伸，让技术抵达更多真实、艰难而值得改变的地方。