秦旭，雪梦未来创始人、董事长，北京大学2018级计算机学院校友。研究生毕业于北京大学计算机学院，专业为计算机应用技术。中关村 U30、胡润 U30；来自高文院士、智源创始院长黄铁军领衔的北京大学编解码国家工程实验室团队。曾在人工智能、模式识别、计算机视觉等领域发表多篇国际顶级学术会议论文，单篇论文引用量 2400+。
PhysicalAI的下一场竞争，正在从模型、本体和演示，转向数据供给。目前，雪梦未来（SnowOrigin）团队已获龚虹嘉、陆奇及海外机构投资，这支北大背景团队通过神经腕带、第一视角采集设备和自研NMH解码模型（Neuralmathhybrid）AI解码模型，实时解码sEMG运动神经信号，把人类真实操作中的姿态、力、微控制和环境上下文转成结构化线索，推动具身智能数据采集进入新阶段。
前两年，行业更关心机器人能不能站稳、能不能跑跳、能不能抓起桌上的物体。到了今天，问题更指向底层：机器人到底要靠什么数据学会真实世界？
一个人拿起杯子、拧开瓶盖、整理衣物，并不只是把手从A点移到B点。动作发生前，他已经有了意图；接触物体时，肌肉在预备发力；动作遇阻后，手指和手腕会连续微调。许多关键信息没有出现在画面中央，也不在最后的任务结果里。
目前，行业正逐步形成共识：人类第一视角、手部信息、sEMG运动神经信号和机器人对齐数据，正在成为机器人学习的重要方向。
图片数据来源：向硅行，国泰海通证券研究
EgoScale把大规模第一视角人类视频带入机器人灵巧操作研究；EgoLive强调真实任务中的第一视角数据和多模态标注；EgoEMG则把双侧EMG与第一视角视觉结合，用来研究手部姿态估计。
雪梦未来正补上这条从人到环境、从意图到动作的数据链路：一端记录人如何产生意图、如何驱动身体、如何在接触中微调；另一端记录操作发生的真实现场，包括环境、物体、空间关系和动作轨迹。
只有当这两类信息被同步捕捉，并以足够低的成本走入日常场景，PhysicalAI才可能获得真正可规模化的人类具身数据。
据悉，雪梦未来已获「中国最牛天使投资人」龚虹嘉、陆奇创办的奇绩创坛，以及海外产业资本的投资背书。龚虹嘉是中国知名天使投资人，因早期投资海康威视闻名；陆奇是奇绩创坛创始人，曾任微软全球执行副总裁、百度集团总裁兼COO。
具身数据，正在从配套工作变成基础设施
兴业证券计算机行业研究指出，具身智能亟需训练数据ScaleUp，供给缺口巨大。以具身智能为代表的物理Al落地需要大量、高质量的预训练数据。现阶段，数据已成为机器人大脑模型泛化能力提升、机器人量产的核心瓶颈之一。
图片数据来源：深度投研洞见，国泰海通证券研究
真机遥操质量高，更靠近机器人执行端，但成本高、效率低；UMI便携、低成本，但跨本体迁移仍有挑战；第一人称视角容易规模化，却常常缺少动作学和接触信息；仿真可以补长尾，但仍要面对现实差距。
数据来源：智元2024年度新品发布会，兴业证券经济与金融研究院整理
人类日常操作，正在成为机器人学习的重要来源。但第一视角视频并不能回答所有问题。
四个痛点：真实、完整、精细、迁移
高质量具身数据至少要回答四个问题。
第一，够真实吗？
机器人未来要在家庭、工厂、商超、医院、农业场景里工作，数据就不能长期停在实验台。真实世界里的光线、遮挡、材质、空间约束和人类动作习惯，都会影响模型能否泛化。
第二，够完整吗？
一段视频能记录画面，却未必记录完整任务。高质量数据需要环境、双手、物体、动作过程和任务结果一起出现。只看到手移动，不知道手面对什么物体、在什么空间里操作，模型很难学到稳定经验。
第三，够精细吗？
很多动作的关键不在轨迹，而在接触。拿玻璃杯和拿铁锤，手的轨迹可能相似，发力方式完全不同；拧松瓶盖和拧紧瓶盖，画面变化很小，肌肉激活已经不同。视觉能看到结果，却很难直接看到人如何预备发力、如何微调、如何在失败后修正。
第四，能迁移吗？
人类自然动作不能原封不动塞给机器人。它要被翻译成机器人可学习、可对齐的数据。真机数据、第一视角视频、仿真数据和人端运动信号，最终要进入同一个训练和验证闭环。
这四个问题，构成了具身数采真正的门槛。
数据来源：3DCV、Xbotics具身智能实验室、蚂蚁数科、海外独角兽微信公众号，兴业证券经济与金融研究院整理
雪梦未来定义未来具身数采终局方案
雪梦未来的技术起点是sEMG运动神经信号解码，自2022年7月成立至今，雪梦未来即围绕肌电与运动神经信号解码、手部姿态识别和人机交互入口开展探索，并逐步完成算法、硬件、电极设计、生产工艺等全栈攻坚，专注于产品验证和场景落地。
EMG来自肌肉活动电信号，能反映肌肉激活、动作意图、发力趋势和微控制变化。
从人机交互看，EMG可以让输入更轻。用户不方便说话、不方便抬手、不方便看屏幕时，神经腕带仍有机会捕捉低幅度、连续、隐蔽的控制意图。
从具身数据采集角度，EMG的价值在于补上视频难以捕捉的人端信号：动作发生前的意图、运动中的姿态变化，以及发力趋势和微控制线索。
目前，雪梦未来已形成神经腕带、全景头环和自研解码模型组成的全栈技术体系。神经腕带采集多通道sEMG运动神经相关信号；全景头环记录第一视角环境、对象、空间关系和轨迹；解码模型则尝试把人端信号转成姿态、发力趋势、微控制等结构化线索。
投资人押中的变量
对一家仍处早期的硬科技公司来说，产品形态会迭代，应用场景会扩展，但最早被验证的，往往是团队能不能把长周期技术做成可交付系统。
雪梦未来的团队底色，正来自AI、计算机视觉、人机交互和工程落地的交叉地带。创始人秦旭研究生毕业于北京大学计算机学院，来自高文院士、智源黄铁军院长领衔的北大编解码国家工程实验室团队，长期深耕人工智能、模式识别、计算机视觉等方向，发表多篇国际顶级学术会议论文，创始团队单篇AI顶级论文引用量2400+。
联合创始人王智林研究生毕业于北航软件开发环境国家重点实验室团队，具备AI、计算机视觉研究背景和头部科技企业工程实践经验。团队同时汇聚了来自北大信息技术高等研究院、清华人机交互方向的学术与产业资源，使雪梦未来在神经信号解码、低摩擦人机交互和具身数据采集之间，具备从底层技术到工程交付的复合能力。
这也是雪梦未来获得知名投资人持续关注的原因之一。龚虹嘉是中国硬科技投资圈极具标志性的人物，因早期投资海康威视并获得超高回报而被市场熟知，长期被视为少数真正穿越周期、押中过产业级公司的天使投资人。陆奇则长期处在全球AI与技术创业生态前沿，曾任微软全球执行副总裁、百度集团总裁兼COO，后创立奇绩创坛，持续发掘和陪跑早期科技创业团队。
知名投资人押注，也让雪梦未来的故事被放到更大的产业坐标里：AI正从文本、图像和代码走向物理世界，而PhysicalAI最稀缺的数据，恰恰来自人类如何在真实场景中与世界交互。
过去，这些经验自然发生，又自然消失。雪梦未来试图用神经腕带、全景头环和NMH解码模型，把它们记录下来、结构化，再转成模型可用的数据资产。
具身智能的竞争重心，正悄然前移至数据源头。
—精彩回顾—
推荐关注
