来源：21世纪经济报道

21世纪经济报道记者 邓浩

这不是科幻，机器人要和脑机接口结合，并在康养场景落地。

1月28日，上海张江，在第二届傅利叶具身智能生态峰会暨张江机器人开发者先锋大会上，傅利叶智能创始人顾捷抛出了一个清晰的时间表：其融合脑机接口技术的康复机器人解决方案，将在未来1至2年内实现规模化落地。

顾捷称，“当患者在训练过程中产生了运动意图，但肌肉水平却又无法完成时，机器人能够通过脑机识别意图，在意识形成的当下提供恰当的助力，就完成了一次从中枢到外周的完整闭环训练。”

（图片来源：记者摄于现场）

脑机技术成熟

脑机接口并非新概念。科幻电影《黑客帝国》、《环太平洋》早已描绘了人类意识操控机械的瑰丽想象。在医疗领域，十年前美国加州理工学院的演示——让瘫痪患者通过脑内芯片控制机械臂喝啤酒——曾震撼世界。然而，从震撼演示到稳定、可规模化的临床产品，这条路上布满了工程荆棘。

“其实早在2017年，我们就已经在内部启动了脑机接口与外骨骼结合的预研，并实现了通过脑电信号控制外骨骼行走的demo。”顾捷在主题演讲中回顾。但他随即话锋一转，“在当时，我们也清醒地看到了工程瓶颈：信号噪声高、稳定性不足、难以规模化部署。”

这正是脑机接口此前长期徘徊在实验室和极少数临床案例中的核心原因。传统的侵入式方案需要开颅手术，风险与伦理门槛极高；而非侵入式脑电（EEG）方案，则受困于信号微弱、易受干扰、解读维度有限等问题，难以实现复杂、精准的意图识别。

不过，转折点在过去两年悄然到来。顾捷判断，两大决定性变化为脑机接口的临床应用扫清了关键障碍。

首先是硬件的快速成熟与多元化。 在前述大会上的圆桌论坛，格式塔科技创始人彭雷重点推介的“超声脑机接口”，代表了一条备受关注的新路径。与传统电信号读取不同，超声波能非侵入地穿透颅骨，实现全脑范围内的多点聚焦调控与血流信号成像。

“这是一个能够对全脑进行多点读写的技术平台，”彭雷解释，“电学脑机接口最大的问题在于，你必须将电极放置在特定的脑区，这意味着，一旦植入，位置就无法改变，除非再次进行手术，而且它始终局限于局部神经元信号的读写能力。”

顾捷接受21世纪经济报道等媒体采访时表示，“首先，相关设备已经开始实现便携化和小型化，并且在中国产业的推动下，已经能够大规模量产。其次，其技术栈从传统的脑电（EEG）发展到近红外光谱（NIRS），再到未来的超声波技术，提供了多种选择。这表明脑机接口设备的技术正在逐步成熟。”

据了解，以前，将脑机接口与机器人结合进行基础任务时面临较大挑战，但现在借助便携式设备，操作变得更加自然和顺畅。举例而言，当前的脑电设备（如格式塔的超声方式）相对更便携，能够在监控的同时兼顾便携性。

此外，值得一提的关键突破，源于软件与算法层，即大模型的革命性赋能。

“以前处理脑电信号，主要依赖FFT（快速傅里叶变换）、频谱分析等传统处理方法。这些方法在处理非线性、高维度的脑电信号时，能力非常有限。”顾捷指出，“但基于大模型，我们发现可以更有效地对复杂的脑电信号进行分类和解析，从而实现更精准的意图识别。这让脑机接口从单纯的信号触发转向了意图分类，最终有可能实现意图解码。”

具身黄金窗口

脑机接口提供了“读懂人心”的钥匙，但价值的最终实现，必须依赖一个能在物理世界中精准、安全执行任务的“身体”。这正是“具身智能”与脑机接口融合的商业逻辑所在，顾捷判断，产业正进入一个前所未有的“黄金窗口期”。

傅利叶在前述大会上，发布了面向康养场景的具身智能解决方案“脑机具身智能康复港”，推动康复效率和效果的系统性提升。

据介绍，其在2025年率先将人形机器人引入康复认知训练，创造更优更智能的治疗方案。此次最新发布的脑机方案，则让康复治疗第一次具备了真正从“大脑意图出发”的闭环能力。

具体而言，通过脑机接口，机器人得以识别用户的主动意图与激活状态，在关键时间窗内动态调整辅助策略，放大使用者的主动意识，强化神经参与度。基于神经可塑性原理，让机器人教大脑重新学会控制身体，从而提升康复的效率与效果。

顾捷对21世纪经济报道记者描绘了具身智能在康养市场的演进路径，“最早是在康复医院，对应的是一个严肃医疗场景下的医疗级设备市场；随后扩展到养老院、护理院，这一阶段的诉求不仅包括基础养老和护理，还增加了陪伴等需求，形成一个更复合的服务市场；再往后，最终可能真正进入家庭——从医院，到养老院，再到家庭，这是清晰的演进方向。”

顾捷进一步表示，“如果未来五年到十年，相关技术和服务能够真正落地家庭，那将是一个万亿级的市场。”

但是，目前不管是脑机接口，还是具身智能，全球范围内都缺乏大规模的数据集，也缺乏相应的软硬件基础设施，产业发展尚需足够耐心，比如长期的数据积累，跨学科的持续协作。

在顾捷看来，对机器人未来能否具备泛化能力而言，数据极其关键，但并非越大越好。

首先，数据质量至关重要。例如，重复执行同一个任务1,000次甚至1万次，有时并无实际价值；真正有价值的是在不同任务之间切换，并包含成功与失败的完整过程。这类数据才能形成高质量的学习样本。

其次，数据集不能只依赖机器人自身采集的数据。虽然互联网上存在大量视频数据，但其局限在于：这些数据通常不是第一人称视角，难以反映人类真实的操作意图和交互逻辑。

顾捷认为，理想的数据构成应按以下比例构建：以互联网上的公开视频数据作为大规模基座、叠加大量第一人称人类交互数据、再融合具体场景中产生的小批量但高价值的机器人实采数据。

顾捷表示，“尽管这部分机器人数据占比相对较小，但其绝对量级未来也可能达到亿级。通过严格的数据筛选、精准标注和有机整合，最终形成一个高质量的综合数据集，用于训练具身智能模型。这将使机器人在面对多样化任务时，具备更强的理解、推理与执行能力。”

记者从傅利叶获悉，具身智能方向正处于明显加速通道，同时开始显示出一定技术收敛趋势。今年到明年，傅利叶重点是聚焦本体和载体的打造，确保其质量、量产性和综合功能都达到最优水平。同时深耕应用场景，进行验证和优化；深化与场景方的合作，推动系统级集成与应用开发，共建生态。