文｜胡香赟
编辑｜海若镜
36氪获悉，专注于非侵入式神经接口技术研发与产业化的「念象科技」已顺利完成近千万元天使轮融资。本轮融资由永珺星芒担任领投方，浦东创投、一村资本参与跟投，所募资金将重点投入产品研发迭代、核心团队扩充以及本土化sEMG数据集的系统性建设。
念象科技创立于2025年末，其首款硬件产品Omniband是一款腕戴式表面肌电（surface electromyography，简称sEMG）神经接口设备。该设备并不直接读取大脑皮层电信号，而是通过精准捕捉手腕区域的神经肌肉活动信号，解码用户的手部运动意图与连续动态手势，并可无缝接入手机、PC、AR/VR智能眼镜及智能家居等主流终端，实现自然、低延迟的人机交互。
除面向泛在交互场景外，念象科技亦将高保真手部运动数据视为另一条关键价值主线。团队正着力构建覆盖国人典型操作习惯的大规模本土sEMG数据集，围绕手部姿态、肌肉激活模式、物体接触力学等多维标签展开采集与标注，旨在为具身智能体训练、物理世界AI建模及通用世界模型提供高质量底层数据支撑。
公司创始人王译博士曾在新西兰奥克兰大学深耕脑机接口方向研究；现任国家脑机接口产业联盟副主席，入选上海市白玉兰人才计划；此前历任应脉医疗首席科学家、智元机器人研发总监，完整主导并落地过侵入式、非侵入式（EEG）、介入式脑机接口及sEMG神经接口等多技术路径的研发实践。
在王译看来，各类脑机接口技术路线的本质目标高度一致——“为人的真实意图做精准翻译”。但相较于聚焦临床康复的医疗级方案或高风险侵入式路径，他更倾向于率先打造一款普通人愿意长期佩戴、高频使用且无心理负担的产品。
因此，在创立念象科技之初，王译果断选择从神经接口腕带切入：这一方向虽在过去多年受限于跨用户泛化能力弱、轻量化设计难等瓶颈而迟迟未能规模化落地，但至2025年，Meta在《Nature》刊发的关键研究表明，“Scaling Law”效应同样适用于sEMG领域——即当训练样本覆盖超百名真实用户后，模型跨个体识别能力将呈现持续跃升趋势，“神经腕带”的产业化临界点已然到来。
以下为36氪与王译的深度对话（经整理精编）：
Q 为何选定非侵入式sEMG作为核心技术路径，而非当前更常见的头皮脑电（EEG）或侵入式方案？
王译：公众常误以为脑机接口=“植入芯片即刻读懂全部思维”，这显然脱离当下技术现实。人类意识传导机制极为复杂，对抽象思维的完整解码仍属远期目标。在全面实践过侵入式、非侵入式EEG、EMG等多种技术路线后，我确信：要让脑机接口真正走进大众生活，必须找到一条既技术可靠、又具备强用户接受度的可行路径。
主流侵入式方案需外科手术植入电极，存在不可逆生理损伤风险，天然适配医疗康复等刚性需求场景；而传统非侵入式EEG则普遍面临信号信噪比低、识别鲁棒性差、佩戴体验不佳等痛点，难以支撑日常高频交互。
sEMG的技术逻辑则截然不同：大脑发出运动指令后，信号经脊髓与外周神经传导至手部肌肉，而肌肉收缩本身即是天然的生物信号放大器。我们直接采集已被放大的末端执行信号，信源清晰、干扰少，无需对原始脑电信号进行高难度逆向解码。因此，在手腕处部署传感器，既能实现完全无创、零风险，又能保障优异信噪比——这正是未来人机交互最值得深耕的方向。
过去该路径难以普及，主因在于泛化性能不足：不同用户的肌电信号差异显著，需逐人校准。自2019年Meta收购CTRL-Labs起，业界便持续攻关此难题；去年发表的研究最终证实，sEMG领域同样遵循类似大模型的Scaling Law——当训练数据覆盖100+真实用户时，模型跨用户识别能力将稳步增强。叠加边缘AI算力的快速演进，“免校准+实时解析”的神经腕带终于具备商业化落地基础。
对念象科技而言，基于小规模实验室数据训练的初代模型已初步展现泛化潜力，但对比国际头部团队，本土专属高质量sEMG数据集仍是亟待补齐的核心短板。
因此，建设国家级标准级sEMG数据基础设施成为团队现阶段重中之重：我们正规划打造手部动作领域对标ImageNet的开源sEMG基准数据集，重点覆盖中国人群的手部形态、发力特征、交互习惯等多维标签，并按“泛在交互”与“具身智能”两大应用维度进行结构化划分，填补本土场景数据空白。后续还将通过志愿者招募、开发者生态共建等方式持续扩充数据规模，反哺模型持续进化。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
图源：念象科技
Q 腕部是人体运动最频繁区域之一，信号干扰尤为突出。团队如何应对运动伪影、基线漂移等关键挑战？
王译：运动伪影、信号漂移、环境电磁噪声及个体间生理差异，始终是sEMG设备落地的核心障碍。我们采取硬件—算法—模型三层协同策略系统性破局：
硬件层面，采用高精度差分电极阵列配合人体工学结构设计，有效抑制共模干扰；同时优化腕带贴合度与动态稳定性，大幅降低因肢体活动或佩戴位移引发的信号漂移。算法层面，自主研发面向sEMG信号特性的自适应滤波与成分分离算法，可针对性消除运动抖动、汗液导电变化等干扰源。模型层面，引入多模态信号补位机制与交叉验证框架，使AI模型能学习更鲁棒、更具泛化性的特征表征，显著提升在不同用户、不同动作状态下的识别稳健性。
目前Omniband已实现对手部全部20个关节角度的毫秒级连续估计。下一阶段，团队将持续强化免校准能力、跨用户泛化性能及长时间佩戴可靠性。
Q 念象科技首发产品Omniband是一款非侵入式神经接口腕带，请介绍其研发进展；它与传统运动手环在技术原理与功能边界上有何本质区别？
王译：Omniband广义上属于新一代脑机接口终端设备，其不依赖大脑皮层信号采集，而是依托多通道、高采样率肌电传感模组与端侧AI解码引擎，直击人体运动意图源头。当前产品已完成工程样机验证，进入量产前关键调优阶段。
区别于仅记录步数、心率、卡路里等宏观运动结果的传统手环，Omniband可实时捕获用户“想做什么”的原始意图信号，精准解析全手20关节动态角度、肌肉群发力强度，并识别微米级手部微动作与连续轨迹手势。基于标准HID蓝牙协议，设备支持隔空操控智能手机、笔记本电脑、AR眼镜及家居IoT设备，亦可实现空中手写、虚拟键鼠等创新交互范式，彻底摆脱实体输入设备束缚。
此外，设备所采集的毫米级手部运动数据，亦可作为具身智能体训练、物理世界AI建模及世界模型构建的核心数据燃料。未来我们将逐步集成更多传感模组，拓展至触觉反馈、力觉感知等新维度。
Q 当前Omniband在哪些实际应用场景中体验最为成熟？产品是否达到“开箱即用”水平？新用户上手周期约为多久？
王译：目前我们在泛在交互类场景打磨最为深入，尤其在游戏操控、短视频手势快进/点赞等高频轻交互环节，用户体验反馈最优。短期将优先推进手势交互型消费产品落地，同时稳步推进具身智能数据采集服务的商业化进程。当前产品尚未实现完全“零门槛开箱即用”，但新用户仅需完成30–60秒简易校准流程，配合3–5组基础手势即可快速上手，学习成本极低。团队正加速攻关免校准识别与长时佩戴稳定性，目标是将使用门槛压缩至与主流消费电子设备持平的水平。
Q 请简述公司的市场定位与商业化路径规划。
王译：公司整体遵循“先B后C”的渐进式商业化策略。第一阶段聚焦B端市场，面向高校科研机构、头部科技企业及工业仿真平台，提供定制化交互解决方案、具身行为数据采集服务及SDK工具链授权，既可快速验证技术可行性，又能持续沉淀多场景真实数据资产。
随着产品成熟度与生态完善度不断提升，后续将分阶段面向极客社群、前沿科技爱好者及大众消费群体推出系列化产品。目前消费级版本量产筹备工作已全面启动，团队正同步优化软硬件协同体验、丰富应用生态矩阵，全力加速向C端市场规模化渗透。
