近期，AI工程领域一个名为“Loop Engineering”的概念引发广泛关注。与侧重于为智能体搭建工具、权限、状态等运行框架的Harness Engineering不同，Loop Engineering聚焦于构建能让AI持续运转的闭环系统，涵盖执行、检查、修正、再推进等任务环节。从过去人们手动引导模型逐句交互、反复修改，到如今设计自动闭环系统让模型自主迭代，这一转变背后，本质上是AI角色从一次性回答问题向持续性完成任务的升级。
在众多应用场景中，Coding Agent率先实现突破，其关键在于率先受益于“反馈红利”。在软件领域，AI能获取丰富且高质量的反馈，代码能否运行、测试是否通过、编译器报错信息等，这些反馈清晰、密集且成本低，还能反复触发。与聊天场景中用户模糊反馈不同，软件工程为智能体提供了近乎理想的训练环境，动作可执行、结果可验证、失败可定位、修正可继续。随着Coding Agent的发展，开发者与它的交互数据不断积累，这些数据记录了人类在闭环中评价和修正AI工作的过程，为模型能力提升提供了有力支撑，也让Loop Engineering在Coding Agent领域率先显现成效。
然而，当把Loop Engineering的理念应用于具身智能领域时，挑战接踵而至。软件中的反馈以日志形式呈现，而机器人面对的是真实世界，反馈信息复杂多样，杯子是否滑落、夹爪是否打偏等问题难以用简单错误信息描述。此前，机器人学习主要依赖遥操作数据，即人类操作员控制机器人完成任务并记录相关数据。虽然大规模机器人数据集提升了机器人泛化能力，但遥操作存在诸多局限，如采集成本高、速度慢，操作员易疲劳导致动作变形，且记录的数据难以体现人类操作策略的形成过程。
为解决数据问题，第一视角人类数据（egocentric data）受到重视。人们通过佩戴头显、眼镜等设备记录日常活动中的视觉、手部动作和物体交互信息。这类数据具有成本低、自然、规模大等优势，覆盖了大量机器人难以进入的真实场景。但它也存在明显不足，主要是以观察为主，缺乏对人类动作闭环过程中关键信息的记录，如目标锁定时机、动作发起准备信号、失败后策略切换原因等。
人类自身是高度成熟的闭环系统，做动作并非直线过程。以拿起杯子为例，眼睛先扫描环境锁定目标，大脑结合任务形成意图，神经系统下达动作准备信号，肌肉激活执行动作，同时视觉、触觉等感官不断反馈信息，若出现偏差则及时修正。具身智能真正需要学习的正是这种闭环控制策略。
在此背景下，脸谱心智提出了Ego-NeuroLoop数据范式，旨在采集人类操作闭环数据。与普通第一视角视频不同，Ego-NeuroLoop将世界相机记录的视觉上下文、视线记录的注意力信息、脑电信号捕捉的神经层信息、肌电信号捕捉的肌肉激活信息等多类信号整合到同一条时间轴上，完整记录人类动作从目标发现、意图形成、执行到反馈修正的全过程。
为实现Ego-NeuroLoop数据采集，脸谱心智设计了NeuroMatrix数据采集装置。该装置需同步采集多种信号，面临高精度设备昂贵复杂、低成本设备噪声大等问题。其解决方案是先用高精度版本建立“人类闭环信号地图”，明确各类信号间的对应关系，再据此简化硬件，降低成本，提高可部署性，解决采集半径问题。
针对低成本设备带来的信号质量问题，脸谱心智开发了NeuroBooster，可看作“神经信号的VLM”。它通过学习高精度数据形成的信号地图，掌握不同模态间的时间对齐和语义对应关系，建立各信号间的配对关系，并对低成本数据进行增强和重建，使模型获得结构化的闭环时间轴数据。
Ego-NeuroLoop并非要取代现有数据，而是补充缺失的反馈信号。第一视角视频让模型学习到观察和结果，加入视线、脑电、肌电等信号后，模型才能进一步学习人类闭环策略。在复杂真实环境中，机器人需要具备目标识别、意图形成、反馈微调、策略切换等能力，这些都需要完整的闭环数据支持。从模型架构到agent系统，再到训练数据，都需要围绕闭环理念进行设计，而记录清楚人类如何正确完成动作，或许是机器人发展的关键一步。
