Mit der Fokussierung auf die nächste Generation der Mensch-Maschine-Interaktion und verkörperten Dateneingängen hat „Nianxiang Technology“ eine Angel-Finanzierung in Höhe von fast 10 Millionen Yuan abgeschlossen | Exklusiv von 36Kr

Text | Hu Xiangyun

Redaktion | Hai Ruojing

36Kr hat erfahren, dass das Unternehmen „Nianxiang Technology“, das sich auf die Forschung, Entwicklung und Industrialisierung nicht-invasiver neuronaler Schnittstellen-Technologien konzentriert, eine Angel-Runde von fast zehn Millionen Yuan abgeschlossen hat. Diese Finanzierungsrunde wurde von Yongjun Xingmang angeführt, während Pudong Venture Capital und Yicun Capital mitinvestierten. Die gesammelten Mittel werden hauptsächlich für die Produktentwicklung, die Erweiterung des Teams und den Aufbau eines lokalen sEMG-Datensatzes verwendet.

Nianxiang Technology wurde Ende 2025 gegründet. Sein erstes Produkt, das Omniband, ist ein handgelenkgetragenes Gerät für die Oberflächen-EMG (surface electromyography, kurz sEMG), eine neuronale Schnittstelle. Es sammelt nicht direkt Signale aus der Großhirnrinde, sondern analysiert über die neuromuskulären elektrischen Signale am Handgelenk die Bewegungsabsichten der Hand und kontinuierliche dynamische Gesten. Dadurch kann es für die Mensch-Maschine-Interaktion bei Endgeräten wie Mobiltelefonen, Computern, Smartbrillen und intelligenter Hausausstattung verwendet werden.

Abgesehen von den allgemeinen Interaktionsszenarien sieht Nianxiang Technology auch die hochpräzisen Bewegungsdaten der Hand als eine weitere langfristige Wertschöpfungslinie. Das Team möchte einen großen lokalen sEMG-Datensatz für die handgesteuerten Szenarien aufbauen, der auf Tags wie Handhaltung, Muskelkraft und Objektinteraktion basiert. Dadurch soll Datenunterstützung für die Embodied AI, die Physikalische AI und das Training von Weltmodellen bereitgestellt werden.

Der Gründer, Dr. Wang Yi, hat während seiner Promotion an der Universität Auckland in Neuseeland an der Forschung in der Richtung Brain-Computer-Interface gearbeitet. Er ist derzeit stellvertretender Vorsitzender der nationalen Brain-Computer-Interface-Industrieallianz und gehört zur Shanghai Baiyulan Talent-Programm. Er war zuvor Chefwissenschaftler bei Yingmai Medical und Leiter der Forschung und Entwicklung bei Zhiyuan Robotics. Er hat die Forschung und Entwicklung von Brain-Computer-Interface-Technologien wie invasiven, nicht-invasiven und intervenierenden Brain-Computer-Interfaces sowie sEMG-neuronalen Schnittstellen und der Mensch-Maschine-Interaktion in der Embodied AI vollständig praktiziert.

Nach Ansicht von Wang Yi ist das gemeinsame Ziel verschiedener Technologierouten, „die Absichten des Menschen zu übersetzen“. Im Vergleich zu medizinischen Brain-Computer-Interfaces oder invasiven Lösungen möchte er jedoch zunächst ein Produkt entwickeln, das von normalen Menschen akzeptiert, gerne getragen und häufig verwendet wird.

Deshalb entschied sich Wang Yi bei der Gründung von Nianxiang Technology, mit einem neuronalen Handgelenksband zu beginnen: Dieser Bereich konnte in den letzten Jahren aufgrund der schlechten Generalisierbarkeit und der Schwierigkeiten bei der Leichtbauweise nicht in großem Maßstab umgesetzt werden. Erst 2025 veröffentlichte Meta in der Zeitschrift Nature eine Studie, in der die Scaling Law-Effekte bestätigten, dass durch die Datensammlung eine kalibrierungsfreie Erkennung über verschiedene Benutzer hinweg möglich ist. So wurde endlich das Fenster für die Industrialisierung des „neuronalen Handgelenksbands“ geöffnet.

Im Folgenden finden Sie das Interview von 36Kr mit Wang Yi (bearbeitet):

Frage: Warum haben Sie sich für die Technologieroute des nicht-invasiven neuronalen Schnittstellen gewählt, anstatt für die gängigen EEG (elektroenzephalographischen) oder invasive Routen?

Wang Yi: Im Markt wird das Brain-Computer-Interface oft so verstanden, dass man „alle Gedanken lesen kann, nachdem man einen Chip implantiert hat“. Dies entspricht jedoch nicht der gegenwärtigen technologischen Realität. Die Bewusstseinleitung und die neuronalen Verbindungen des Menschen sind äußerst komplex, und die vollständige Analyse des Denkens ist immer noch sehr schwierig. Deshalb bin ich nach der praktischen Umsetzung von invasiven, nicht-invasiven EEG- und EMG-Routen überzeugt, dass das Brain-Computer-Interface, um die normalen Menschen wirklich zu profitieren, zunächst eine Technologieroute finden muss, die solide ist und von den Benutzern akzeptiert und getragen werden kann.

Sowohl die gängigen invasiven als auch die nicht-invasiven Brain-Computer-Interface-Routen haben gewisse Nachteile. Bei der invasiven Route muss die EEG-Signalaufzeichnung durch die chirurgische Implantation eines Geräts erfolgen, was eine große körperliche Schädigung verursacht und daher natürlicherweise eher für medizinische Rehabilitationsszenarien geeignet ist. Die nicht-invasive Route hat hauptsächlich Probleme wie instabile Signale, unzureichende Erkennungsgenauigkeit und umständliches Tragen, was es schwierig macht, die tägliche häufige Interaktion zu unterstützen.

Die Logik des sEMG-neuronalen Schnittstellen ist anders. Nachdem das Gehirn die Bewegungsabsicht sendet, werden die Signale über das Rückenmark und die peripheren Nerven an die Handmuskeln übertragen. Die Muskelkontraktion selbst ist ein natürlicher Signalverstärker. Wir sammeln die verstärkten Endbefehlssignale, die eine hohe Klarheit haben und keine komplexe Decodierung der ungeordneten ursprünglichen Gehirnsignale erfordern. Deshalb kann die Aufzeichnung der EMG-Signale am Handgelenk sowohl nicht-invasiv und sicher als auch ein hohes Signal-Rausch-Verhältnis gewährleisten. Ich bin überzeugt, dass dies die endgültige Richtung der zukünftigen Mensch-Maschine-Interaktion sein wird.

Der Kern des Problems, dass diese Route in der Vergangenheit schwer umzusetzen war, lag in der schlechten Generalisierbarkeit. Die Gestensignale unterschiedlicher Benutzer variieren stark, und es muss für jeden Benutzer kalibriert werden. Seit Meta 2019 CTRL-Labs erworben hat, hat es ständig nach einer Lösung gesucht. Die im vergangenen Jahr veröffentlichte Studie hat bestätigt, dass die Scaling Law, ähnlich wie bei großen Modellen, auch im sEMG-Bereich gilt. Wenn die Trainingsdaten über 100 Benutzer abdecken, wird die Generalisierungsfähigkeit des Modells kontinuierlich verbessert. Zusammen mit der Iteration der Edge-Rechenleistung ist die Echtzeit-Gestenanalyse über verschiedene Benutzer hinweg und ohne Kalibrierung endlich umsetzbar.

Für Nianxiang Technology hat das zuvor auf einer kleinen Labor-Datenmenge trainierte Modell bereits eine grundlegende Generalisierungsfähigkeit. Im Vergleich zu den weltweit führenden Teams ist jedoch der lokale spezifische Datensatz immer noch der Kern-Mangel.

Deshalb ist der Aufbau eines lokalen Datensatzes derzeit die Schwerpunktarbeit des Teams: Wir planen, einen öffentlichen sEMG-Datensatz im Bereich der Handhabung zu erstellen, der dem ImageNet entspricht. Wir werden hauptsächlich die mehrdimensionalen Tags wie die Haltung der chinesischen Bevölkerung, die Muskelkraft und die Objektinteraktion sammeln und die beiden Anwendungsrichtungen Interaktion und Embodied AI aufteilen, um die Lücke in den lokalen Szenariodaten zu schließen. Später werden wir auch durch die Rekrutierung von Freiwilligen und die Öffnung einer Entwicklerplattform die Daten kontinuierlich erweitern, um die Fähigkeit des Modells ständig zu verbessern.

Quelle: Nianxiang Technology

Frage: Bei der Herstellung eines neuronalen Handgelenksbands ist das Signalrauschen am Handgelenk normalerweise auch relativ groß. Wie löst das Team die Kernprobleme wie Bewegungsartefakte und Signalrauschen?

Wang Yi: Bewegungsartefakte, Signaldrift, Umgebungsrauschen und individuelle Signaldifferenzen sind die langfristigen Kernschwierigkeiten von sEMG-Geräten. Wir lösen die Probleme hauptsächlich aus drei Dimensionen: Hardware, Algorithmus und Modell.

Bei der Hardware reduzieren wir das gemeinsame Modusrauschen durch differenzielle Elektroden und strukturelle Gestaltung und optimieren die Tragstabilität, um die Drift aufgrund von Positionsänderungen und Körperbewegungen zu verringern. Bei den Algorithmen haben wir selbst entwickelte Filter- und Signaltrennalgorithmen für sEMG entwickelt, um Störungen wie Bewegungsartefakte und Schweiß auf der Haut zu filtern. Auf der Modell-Ebene verwenden wir einen Mechanismus der multimodalen Datenkompensation und Kreuzvalidierung, damit das AI-Modell reichhaltigere Signalmerkmale lernt und die Robustheit bei verschiedenen Benutzern und Bewegungsstatus verbessert wird.

Derzeit kann das Omniband die dynamischen Winkel aller 20 Handgelenke kontinuierlich schätzen. Im nächsten Schritt wird das Team die kalibrierungsfreie, über Benutzer hinweg generalisierte und langfristige Tragstabilität weiter verbessern.

Frage: Das erste Produkt von Nianxiang Technology ist ein nicht-invasives neuronales Handgelenksband, das Omniband. Bitte geben Sie uns einen Überblick über den Entwicklungsstand. Es dekodiert Gesten hauptsächlich durch die Aufzeichnung von EMG-Signalen. In welchen Punkten unterscheidet es sich von herkömmlichen Bewegungssensorprodukten wie Armbanduhren?

Wang Yi: Das Omniband gehört im weiteren Sinne auch zu den Brain-Computer-Interface-Produkten. Es sammelt nicht direkt Signale aus der Großhirnrinde, sondern stützt sich auf mehrkanalige, hochbandbreite EMG-Sensoren in Kombination mit einem AI-Dekodierungsmodell, um die Bewegungsabsichten der menschlichen Hand zu analysieren. Derzeit befindet sich das Produkt in der Phase des Prototyps.

Im Gegensatz zu herkömmlichen Bewegungssensor-Armbanduhren, die nur grundlegende Bewegungsdaten wie Schritte, Herzfrequenz und Bewegungsdauer aufzeichnen können, kann das Omniband direkt die Bewegungsabsichten der Benutzer erfassen, die Winkel aller Handgelenke und die Muskelkraft analysieren und feine Handbewegungen und kontinuierliche dynamische Gesten erkennen. Basierend auf dem standardmäßigen HID-Bluetooth-Protokoll kann das Produkt Mobiltelefone, Computer, Smartbrillen, intelligente Haushaltsgeräte und andere Geräte berührungslos steuern. Es kann auch die Luftschrift ermöglichen und eine unsichtbare Tastatur und Maus schaffen, um die Beschränkungen von physischen Eingabegeräten zu überwinden.

Zugleich können die hochpräzisen Bewegungsdaten der Hand, die vom Gerät gesammelt werden, auch die Kern-Datenunterstützung für die Embodied AI, die Physikalische AI und das Weltmodell bieten. Später werden wir auch neue Sensoren hinzufügen und die Anwendungsbereiche kontinuierlich erweitern.

Frage: Aus den praktischen Testsergebnissen heraus, welches ist derzeit das am besten funktionierende Anwendungsfeld des Omniband? Ist das Produkt bereits „out-of-the-box“ einsatzbereit? Wie lange braucht ein neuer Benutzer, um es zu bedienen?

Wang Yi: Derzeit haben wir die besten Ergebnisse in den allgemeinen Interaktionsszenarien erzielt. Die Benutzererfahrung bei der Steuerung von Spielen und Kurzvideos ist am besten. Kurzfristig wird das Team sich zunächst auf die Produkte für die Gesteninteraktion konzentrieren. Der Datensammelbetrieb für die Embodied AI wird auch gemäß dem Plan stetig vorangetrieben. Derzeit ist das Produkt noch nicht vollständig „out-of-the-box“ einsatzbereit, aber neue Benutzer müssen nur 30 - 60 Sekunden für die schnelle Kalibrierung aufwenden und einige grundlegende Bewegungen ausführen, um es zu bedienen. Die Lernschwelle ist sehr niedrig. Das Team arbeitet an der kalibrierungsfreien und stabileren Erkennungsfähigkeit über verschiedene Benutzer hinweg. Das Ziel ist es, die Nutzerschwelle weiter auf ein Niveau zu senken, das für Konsumentenprodukte akzeptabel ist.

Frage: Bitte geben Sie uns einen kurzen Überblick über die Markt- und Kommerzialisierungsstrategie des Unternehmens.

Wang Yi: Wir verfolgen insgesamt eine Kommerzialisierungsstrategie von „zunächst B, dann C“. In der ersten Phase konzentrieren wir uns auf den B2B-Markt und bieten Universitäten und großen Unternehmen Dienstleistungen wie maßgeschneiderte Interaktionen, Datensammlung für die Embodied AI und SDK-Lizenzen an. Auf diese Weise können wir sowohl die technische Lösung validieren als auch kontinuierlich Daten aus verschiedenen Szenarien sammeln.

Mit der stetigen Verbesserung des Produkts werden wir in der Folge Schritt für Schritt Produkte für Tech-Enthusiasten, Liebhaber von fortschrittlichen Technologien und die breitere Konsumentenbasis anbieten. Das Unternehmen hat die Massenproduktion von Konsumentenprodukten vollständig in Gang gesetzt. Im nächsten Schritt werden wir die Hardware- und Softwarelösungen sowie die Anwendungsumgebung stetig verbessern und die Markteinführung für den B2C-Markt beschleunigen.