文｜胡香赟 编辑｜海若镜 36氪获悉，专注非侵入式神经接口技术研发与产业化的「念象科技」已完成近千万元天使轮融资。本轮融资由永珺星芒领投，浦东创投、一村资本跟投，募集资金主要用于产品研发、团队扩建、本土sEMG数据集建设。 念象科技成立于2025年底，首款产品Omniband是一款腕戴式表面肌电（surface electromyography，简称sEMG）神经接口设备。它不直接采集大脑皮层信号，而是通过手腕处的神经肌肉电信号，解析手部运动意图和连续动态手势，进而用于手机、电脑、智能眼镜、智能家居等终端的人机交互。 除泛交互场景外，念象科技也将高精度手部运动数据视为另一条长期价值线。团队希望围绕手部姿态、肌肉发力、物体交互等标签，建设面向本土手部操作场景的大规模sEMG数据集，为具身智能、物理AI和世界模型训练提供数据支持。 创始人王译博士期间在新西兰奥克兰大学从事脑机接口方向研究，现任国家脑机接口产业联盟副主席，并入选上海市白玉兰人才计划，曾任应脉医疗首席科学家、智元机器人研发总监，完整实践过侵入式/非侵入式/介入式脑机接口、sEMG神经接口等脑机接口与具身智能人机交互等相关技术研发。 在王译看来，不同技术路线的共同目标，都是“给人的意图做翻译”。但相比医疗级脑机接口或侵入式方案，他更希望先做一款普通人能够接受、愿意佩戴、并能高频使用的产品。 因此，创办念象科技时，王译选择从神经接口腕带开始：这个方向在过去多年里曾因泛化性差、轻量化难而未能大规模落地，直到2025年，Meta在Nature上发表研究称，Scaling Law效应证实了通过数据积累可实现跨用户免校准识别，“神经腕带”的产业化窗口终于被打开。 以下为36氪与王译的对话（经编辑）： Q 为什么选择非侵入式神经接口这一技术路径，而非主流的头皮脑电（EEG）或侵入式路线？ 王译：市场上经常会把脑机接口理解成“植入芯片后就能读懂所有想法”，但这并不符合现阶段技术现实。人的意识传导和神经链路极其复杂，完整解析思维仍然很难。因此，完整做过侵入式、非侵入式EEG、EMG等路线后，我相信，脑机接口想真正惠及普通人，必须先找到一条技术扎实，同时又能被用户接受、佩戴的路径。 主流的侵入式和非侵入式脑机接口路线都存在一定短板。前者采集脑电信号需要通过手术植入设备，对身体损伤大，天然更适合医疗康复等特殊场景；后者主要面临信号不稳、识别精度不足、佩戴繁琐等问题，较难支撑日常高频次的交互使用。 sEMG神经接口的逻辑与此不同。大脑发出运动意图后，信号会经由脊髓、外周神经传递至手部肌肉，而肌肉收缩本身就是天然的信号放大器。我们采集经过放大的终端指令信号，清晰度高，无需再对杂乱的原始脑信号做复杂解码。因此在手腕采集肌电信号，既能做到无创安全，又能保证高信噪比，我坚信这会是未来人机交互的终极方向。 过去这个路线难落地，核心问题是泛化性差。不同用户的手势信号差异很大，要逐个校准。2019年，Meta收购CTRL-Labs之后，一直在寻找解决办法，去年发表的研究证实，sEMG领域同样适用类似大模型的Scaling Law，当训练数据覆盖100名以上用户，模型泛化能力会持续提升。叠加边缘算力迭代，跨用户、免校准的实时手势解析终于具备落地条件。 就念象科技而言，此前，我们基于小范围实验室数据训练的模型已具备基础泛化能力，但对比海外头部团队，本土专属数据集仍是核心短板。 因此，搭建本土数据集是团队现阶段的重点工作：我们计划打造手部操作领域对标ImageNet的sEMG公开数据集，重点采集国人手部姿态、肌肉发力、物体交互等多维度标签，划分交互、具身智能两大应用方向，补齐本土场景的数据空白。后续我们还将通过招募志愿者、开放开发者平台等方式持续扩充数据，驱动模型能力不断升级。 图源：念象科技 Q 做神经接口腕带，手腕处的信号干扰通常也比较大。团队如何解决运动伪影、信号噪声等核心问题？ 王译：运动伪影、信号漂移、环境噪声、个体信号差异，是sEMG设备长期面临的核心难点，我们主要从硬件、算法、模型三大维度系统性解决问题： 硬件上，我们通过差分电极和结构设计降低共模噪声，并优化佩戴稳定性，减少因位置变化和肢体活动带来的漂移。算法上，团队自研了面向sEMG的滤波和信号分离算法，用于过滤运动伪影、皮肤出汗等干扰。模型层面，我们采用多模态数据补位和交叉验证机制，让AI模型学习更丰富的信号特征，提升在不同用户、不同动作状态下的稳健性。 目前Omniband已能对手部全部20个关节动态角度进行连续估计。接下来，团队会继续提升免校准、跨用户泛化和长时间佩戴稳定性。 Q 念象科技的首款产品是一款非侵入式神经接口腕带Omniband。请介绍其研发进展；它主要通过采集肌电信号解码手势，这和传统运动手环传感器类产品存在哪些区别？ 王