FaceMind提出Ego-NeuroLoop：用脑电+肌电记录人类操作闭环，为具身智能训练注入“大脑运行日志”

事件概述

具身智能数据竞争正从“量大管饱”进入“闭环质量”阶段。FaceMind脸谱心智（由两位95后博士陆弘远、韦怡然创立）提出全新数据范式Ego-NeuroLoop，旨在弥补现有第一视角视频数据只记录“人做了什么”、未记录“大脑和身体如何实时修正”的缺口。

核心信息

• 理论基础：Ego-NeuroLoop基于神经科学中的“贝叶斯大脑”理论——大脑不是被动接收信息，而是主动预测世界，再用感官反馈校准预测、更新内部模型。该理论与AI世界模型“环境如何随动作变化”一脉相承。
• 数据构成：同时采集四类同步信号：
  • World Camera：记录外部环境与手-物交互。
  • Gaze：记录视线轨迹，反映注意力切换。
  • EEG：捕捉动作准备、注意状态、任务切换、误差感知等神经前奏。
  • sEMG：记录肌肉激活时机与发力变化。
    四路信号对齐到同一条时间轴，形成目标发现→注意力聚焦→神经准备→肌肉激活→接触反馈→力度调整的完整链路。
• 硬件方案NeuroMatrix：先用高精度设备建立信号地图，确定脑区、肌肉、视觉目标之间的稳定关联，再围绕关键位置压缩传感器，降低采集门槛，使数据生产可大规模部署。
• 信号处理层NeuroBooster：多模态基座模型，将粗糙、异步的低信噪比原始数据对齐为模型可消费的闭环时间轴。通过模态互补（如EEG弱时用Gaze/sEMG补，Gaze漂移时用视觉+手部状态拉回），提升信号鲁棒性。

值得关注

Ego-NeuroLoop将训练数据从“行为库”推向“闭环库”，使模型不仅能学动作轨迹，还能学到预测、反馈、修正机制。这改变了具身智能竞争的关键指标：从数据规模、场景覆盖转向闭环质量。FaceMind此前发布的Looped World Models（循环世界模型）已在模型侧实现迭代式状态更新，数据侧与模型侧形成闭环。

该路线的核心假设：机器人要像人一样完成任务，瓶颈不仅在模型架构，更在于训练数据是否记录了人类操作的深层逻辑——预测、反馈、修正而非仅轨迹与结果。