在探索人类与数字世界、机器人交互的新路径中，脑机接口（BCI）正享受着镁光灯的追逐。然而，无论是需要开颅植入电极的侵入式方案，还是需要每天戴着布满金属触点、糊满生理盐水凝胶的湿式脑电帽，其极差的日常可穿戴性都将大众消费级市场死死挡在门外。人机交互的下一个黄金窗口，或许不需要向大脑深处钻孔，而是去聆听我们手腕里，那些被神经和肌肉天然放大后的电波信号。
2026年6月，总部位于上海的非侵入式神经接口科技初创公司念相科技（Nianxiang Technology）宣布，已成功完成近千万元人民币的天使轮融资。本轮融资由永俊星芒领投，浦东创投及一村资本联合跟投。所获资金将主要用于其核心产品——非侵入式 sEMG（表面肌电）神经接口手环 Omniband 的持续研发、技术基础设施的构建，以及国内首个用于具身智能手部操作的大规模神经生理数据集建设。
王毅博士的底气：跳出 scalp-EEG 的佩戴黑洞，用 sEMG 捕捉肌肉里的电波
念相科技由首席执行官王毅创立，他拥有奥克兰大学脑机接口博士学位，并担任国家脑机接口产业联盟副理事长，在神经信号处理与人机交互领域拥有极深造诣。王毅指出，手部是人类进行物理操作的最核心载体，而控制手指精细运动的神经电信号，在到达腕部肌肉时，其信号强度和信噪比比在大脑皮层表面要高出数个数量级。Omniband 神经接口手环在腕部布置了高灵敏度的表面肌电（sEMG）传感器阵列，无需任何植入，就能高精度捕捉并解码手部运动意图及连续动态手势，让日常穿戴成为可能。
Nature 上的 Meta 尺度定律：为什么 100 人的训练集是神经网络的破局之钥
在过去数十年里，肌电手势识别长期受困于“用户差异性”——不同人的手臂肌肉粗细、传感器佩戴位置的微小移动，都会导致训练好的模型彻底失效，每次佩戴都需要繁琐的重新校准。念相科技技术路线的破局，来自于 Meta 在 2025 年发表于 Nature 的里程碑式研究：该研究证实 sEMG 神经信号同样遵循 AI 的 Scaling Laws（尺度定律）——当训练数据集覆盖超过 100 个人的人体肌肉电信号时，模型的泛化能力将产生质的飞跃，实现跨用户的免校准手势识别。念相科技正是基于这一理论，构建了其独有的免校准多层神经网络模型，让 Omniband 做到了“即戴即用”。
永俊星芒与浦东创投：在前沿人机交互与 Physical AI 的底层基建上投石问路
本轮资方对念相科技的看好，不仅局限于其手环作为智能眼镜（AR/VR）、智能家居控制器的消费级潜力，更看重其在具身智能（Embodied AI）领域的“数据护城河卡位”。目前，全球都在研发人形机器人，但机器人的灵巧手（Dexterous Hands）在面对泡茶、扣纽扣等复杂精细操作时，依然显得极其笨拙。念相科技正利用 Omniband 采集海量高精度的真实人类手部运动数据，目标是建成中国首个大规模表面肌电（sEMG）手部运动公共数据集，充当手部操作领域的“ImageNet”，为机器人的具身智能大脑训练提供底层物理直觉。
从连续手势到工业级控制：三维手指角度估算的精度与电池续航的魔咒
然而，从实验室里的高精度 Demo 到大众日常佩戴的消费电子，Omniband 必须越过硬件功耗的物理大山。为了实时估算手指的 20 个关节角度，手环内的芯片必须以极高的采样频率（通常为 1000Hz 以上）吞吐多通道 sEMG 数据，并运行本地推理。这对于一只要求重量轻盈、佩戴无感的手环而言，会带来极其严峻的发热和电池续航危机——如果用户戴上后每隔三小时就需要充电，其商业价值将瞬间归零。此外，真实世界中用户的出汗、皮肤干燥度、手臂脂肪厚度等生理变异，依然对神经解译算法的鲁棒性提出了极其苛刻的挑战。如何在有限的算力和电池空间内，保障工业级的解译精度，将是王毅博士团队必须在量产前攻克的硬骨头。