智能AI
morning
训练世界模型,开始从人类的肌肉和脑子里偷师了
2026-07-02
1 阅读
约9分钟阅读
思邈
字号:
< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 训练世界模型,开始从人类的肌肉和脑子里偷师了 思邈 2026-07-02 13:44:25 来源: 量子位 具身智能数采迎来了新范式 允中 发自 凹非寺 量子位 | 公众号 QbitAI 具身智能数据的竞争,正在从“量大管饱”进入下一关。 过去一年,第一视角视频成了机器人训练的主流燃料。人戴上相机做饭、整理桌面、开抽屉,就能产出大量操作样本。 数据量的问题初步缓解,但一个更深的缺口浮出来了: 这些视频只记录了人做了什么,没有记录人为什么这样做,更没记录动作执行中大脑和身体如何实时修正。 FaceMind脸谱心智 想填的,就是这个缺口。 这家由两位95后博士创立的公司,提出了一套全新的 Ego-NeuroLoop 数据范式。 它同时采集四类信号,把人类完成一个动作时“看哪里、准备做什么、肌肉怎么发力、反馈怎么修正”的完整闭环,压进同一条时间轴。 配套的硬件方案 NeuroMatrix 负责降低采集门槛,信号处理层 NeuroBooster 负责把噪声拉满的原始数据对齐成模型能“吃”的格式。 △图片为AI生成 而这一整套思路的起点,来自神经科学里一条被反复验证的理论:贝叶斯大脑。 贝叶斯大脑:大脑一直在预测世界 神经科学里有一条被反复验证的理论,叫 “贝叶斯大脑” ,常和预测处理、自由能原则放在一起讨论。 它的核心思想是,大脑不是被动接收信息的容器,它一直在 主动预测 。基于过去经验和当前上下文,大脑会对外部世界和身体状态生成概率化预期,再拿感官反馈去校准。 △图片为AI生成 你下一秒会看到什么、手伸出去会碰到什么,目标还在不在刚才那个位置,大脑全在提前算。 真实感官输入回来后,预测和现实一对比,差值就成了预测误差。误差推着内部模型往前更新。 拿AI领域的概念类比,大脑本身就在跑一套世界模型。 AI里的世界模型研究 环境如何随动作变化 ,大脑做的事很像,只不过人类这套系统天然和身体长在一起。视觉、视线、触觉、本体感觉、肌肉反馈、注意力、误差信号,全跑在同一条链路上。 具身智能想学的,恰恰是这个。 机器人要进入厨房、仓库、实验室、家庭这样的真实场景,光有视觉识别和动作模仿还不够。 真实世界会滑、会挡、会变、会突然打断任务。目标怎么选,动作什么时候启动,偏差出现后怎么修正,失败了怎么换策略,这些能力单靠一段视频学不到。 具身智能真正缺的,不是更像录像机的数据,是更像 大脑运行日志的数据 。 摄像头拍到了手,但拍不到大脑 过去一年,ego-centric、human-centric数据成为具身智能的主流燃料。 机器人真机数据采集成本高、速度慢、设备贵,场景覆盖有限。 相比之下,人类第一视角数据的采集门槛低得多,一个人戴上相机做饭、整理桌面、开抽屉、拿工具,就能产出大量原始任务素材。 这类数据能记录环境里有什么,物体怎么变化,手和物体如何接触,任务最后有没有完成。对模型来说,这些都是真实世界操作的基础材料。 但第一视角视频有一个天然边界: 它主要记录人做了什么 。 摄像头能看到手伸向杯子,却看不到 人为什么先看杯沿 ; 能看到杯子被拿起来,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 ; 能看到任务成功或失败,却看不到 反馈误差怎样触发下一步修正 。 现有human-centric数据更像一个行为结果库,记录的是动作轨迹和任务结果。 具身智能真正需要学的东西,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,反馈怎么改变动作。 如果大脑是一套预测式世界模型,训练数据就要尽可能记录这套模型的运行过程。不只是“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脸谱心智想填的就是这个缺口。 这家公司由两位95后博士 陆弘远、韦怡然 创立,早期从端侧全模态模型切入,随后把研究重心转向 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,是把贝叶斯大脑理论转译成具身智能的数据问题。 神经科学认为,大脑通过内部模型预测世界,用反馈误差更新模型;AI里的世界模型,也想让智能体理解环境如何随动作变化。 具身智能要把两者接起来,就需要一类新数据,以此来记录 人类大脑、身体和环境如何形成闭环 。 Ego-NeuroLoop 就是在这个背景下出现的。 它不是单纯多采一点视频,也不是把人类动作再标一遍标签。 它要采的是人类完成任务时的闭环过程:人看哪里,什么时候准备动作,肌肉如何启动,反馈怎样出现,动作又如何被修正。 贝叶斯大脑里的 “预测、误差、更新”机制 ,正在借由Ego-NeuroLoop变成机器人可以学习的数据资产。 给大脑和肌肉也装上摄像头 Ego-NeuroLoop把人类操作过程拆成四类同步信号:world camera、gaze、EEG和sEMG,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 其中,world camera记录 环境 。 桌面上有什么,目标物体在哪,手和物体怎么接触,任务走到了哪一步。这一层提供的是 世界模型的外部输入 。 gaze记录 视线 。 人做动作之前,眼睛往往先到。先看目标,再看可抓取区域,必要时扫一眼障碍物或下一步的放置位置。视线轨迹能帮模型从复杂环境里筛出当前真正相关的信息。 EEG补的则是动作发生之前那段“前奏”。 脑电读不出完整想法,但 动作准备、注意状态、任务切换、误差感知 这些信号它都能捕捉。 手还没动,神经系统已经进入准备状态,这个时间差只有EEG能记录。 sEMG把动作落到 肌肉 层面。 手臂、手腕、手指什么时候激活,发力怎么变化,动作修正发生在哪个阶段。相比只看手部轨迹,sEMG多给出的是执行力度和控制细节。 四类信号放到同一条时间轴上,一个动作就从一段轨迹变成一条完整链路—— 目标被发现,注意力聚焦,神经系统进入准备,肌肉开始激活,手接触物体,反馈回流,力度和轨迹被重新调整。 模型从这类数据里学到的,不只是“人怎么做”,还有“人凭什么做对的”。 先在实验室画满地图,再把设备做小 数据定义好了,得先采得到。 FaceMind给出的硬件方案叫 NeuroMatrix ,负责同步采集视觉、视线、EEG、sEMG四类信号。 △图片为AI生成 这里最大的现实问题,是成本和部署难度。 高精度脑电、肌电和视线追踪设备往往更适合实验室环境,通道多、成本高、佩戴复杂,很难直接铺到真实世界的大规模任务里。 NeuroMatrix的思路,是先用高精度版本建立 信号地图 。 高精度阶段拿到的是完整的脑电、肌电、视线和视觉数据。 系统在这一步分析动作意图和脑区信号的对应关系,搞清楚哪些头皮电极通道、哪些肌肉区域、哪些视觉目标之间存在稳定关联。 地图画完之后,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,把设备往更轻、更便宜、更容易戴上就走的方向做。 这一步决定数据生产能铺多远。 具身智能需
这篇文章对您有帮助吗?
订阅66必读
每日精选科技资讯,直达你的邮箱