雪梦未来（SnowOrigin）团队获龚虹嘉、陆奇及海外机构投资。这支北大背景创业团队从 sEMG 运动神经信号解码切入，试图用神经腕带、全景头环和自研 NMH 解码模型，把人类真实操作中的意图、姿态、力、微控制和环境上下文，转化为 Physical AI 可学习的数据线索。
如果说上一轮 AI 的基础燃料是互联网文本、图像和视频，那么 Physical AI 面临的是另一类更难获得的数据：人在真实世界中如何看、如何动手、如何接触、如何用力、如何在失败后修正。
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，问题开始往前移：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。
雪梦未来从 sEMG 运动神经信号解码切入，试图通过神经腕带、全景头环和自研 NMH 解码模型，把人类真实操作中的意图、姿态、发力趋势、微控制和环境上下文，整理成 Physical AI 可以学习的数据线索。
龚虹嘉、陆奇和海外机构齐下注
目前，雪梦未来已获龚虹嘉、陆奇及海外机构投资。
龚虹嘉是中国知名天使投资人，因早期投资海康威视被市场熟知。陆奇则长期处在 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。
两位投资人及海外机构的参与，让这家成立于 2022 年 7 月的北大背景创业团队被放到更大的产业坐标里。
雪梦未来创始人秦旭毕业于北京大学计算机学院计算机应用技术专业，来自高文院士、黄铁军院长领衔的北京大学编解码国家工程实验室。联合创始人王智林毕业于北京航空航天大学软件开发环境国家重点实验室，长期从事人工智能、计算机视觉方向研究。
雪梦未来早期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持续布局，并逐步补齐算法、硬件、电极设计、生产工艺等全栈能力。
当 AI 从文本、图像和代码走向物理世界，人类如何与真实世界交互，将成为下一代训练数据来源。
具身智能的数据缺口
随着具身智能和 Physical AI 快速发展，行业对高质量真实世界数据的需求显著提升。
现有主流采集方式各有价值，也各有边界。
第一视角视频可以记录人看到了什么、做了什么；动作捕捉能够提供空间轨迹；遥操作系统更接近机器人执行空间；仿真可以补充长尾场景。
但这些方式往往更擅长记录动作结果或空间轨迹，对动作发生前后的操控意图、发力过程和细微调整覆盖不足。
公开研究也在把注意力推向人类日常操作。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，用于手部姿态估计。
四个问题：真实、完整、精细、迁移
高质量具身数据至少要回答四个问题。
够真实吗？
机器人未来要进入家庭、工厂、商超、医院、农业等场景，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。
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。
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。
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。
EMG 参与构成高质量无本体具身数据
雪梦未来的技术起点，是 sEMG 运动神经信号解码。EMG 可以提供人端运动意图、肌肉激活、发力趋势和微控制变化等信息。
视觉回答看到了什么，动捕回答动作在哪里发生、动作结果，机器人日志回答机器执行了什么，触觉或力传感器回答接触状态如何变化。EMG 则可以补充意图和发力趋势如何形成。
当这些信号被放到同一条时间轴上，数据就不再只是分散的传感器记录，而更接近一次真实操作的完整过程。
神经接口腕带壁垒在工程化
雪梦未来成立于 2022 年 7 月，早期以 sEMG 运动神经信号解码为切入点，围绕肌电采集、手部姿态识别和人机交互入口持续布局。
在创始人秦旭看来，肌电手环的原理并不神秘，真正困难的是把实验室里的信号变成可量产、可连续佩戴、可在真实环境里工作的系统。
可穿戴设备需要在通道数、采样率、信噪比、尺寸、功耗、蓝牙传输和佩戴舒适度之间做取舍；电极又要面对运动噪声、接触噪声、传输噪声，以及不同人群皮肤阻抗和肌肉结构差异。
如果这套能力进一步用于具身数据采集，关键就不只是识别手势，而是把手势、发力趋势、环境画面、物体状态和任务阶段同步为可训练数据。
对模型团队而言，这类数据的价值可能体现在更细的动作边界、更自然的失败修正、更清楚的任务阶段，以及对人类操作逻辑的补充。
一只腕带，两条路径
目前，雪梦未来同步推进两条商业化路径。
一方面，公司面向具身智能机器人、AI 眼镜等终端提供更自然的人机交互入口，降低交互门槛，提升连续交互体验。
人机交互方向已有头部 AI 眼镜公司表达合作意向。对下一代智能终端来说，语音、触屏和手柄都有边界，神经腕带试图补上的是更贴近身体、更少打扰的输入方式。
另一方面，雪梦未来建设面向 Physical AI 的人类具身数据基础设施，为机器人训练、世界模型和具身智能模型提供底层数据服务。其潜在客户包括高校及科研院所、具身智能和灵巧手厂商、具身模型团队、电子硬件设备厂商和 AI 眼镜厂商等。
这条路径仍处在早期阶段。对雪梦未来而言，硬件量产一致性、跨人群泛化、数据标准化、客户交付和场景拓展，都会决定其能否把技术路线转化为稳定商业能力。
但在具身智能加速进入数据竞争阶段的当下，围绕人类真实操作过程建立新的数据入口，已成为值得关注的方向。