技术深度解析
该公司的战略转向，建立在一套将医疗BCI原理重新应用于机器人驱动的复杂技术栈之上。其系统架构包含三个核心层：高级意图解析器、中级自适应控制器和底层触觉驱动单元。
1. 高级意图解析器： 此软件层是连接AI认知的桥梁。它不再解码人类患者的运动皮层信号，而是解读来自AI规划器（例如「拧开瓶盖」）的结构化任务指令。它利用与其神经解码器类似的基于Transformer的模型，将抽象指令分解为运动基元和对物体可操作性的映射图。该领域一个相关的关键开源项目是 `facebookresearch/habitat-sim`，这是一个用于训练具身AI代理的高性能3D模拟器，为此类解析器模型提供了必要的训练环境。
2. 中级自适应控制器： 这是该公司的核心技术瑰宝，由其假肢系统改造而来。它结合使用了模型预测控制（MPC） 和阻抗控制算法。MPC在短时间范围内规划手指轨迹和力曲线，而阻抗控制器则根据触觉反馈实时调整每个关节的刚度和阻尼，从而实现与未知物体的柔顺、稳定交互。这种双重方法对于应对现实世界的「不确定性」至关重要。
3. 底层触觉驱动单元： 物理手部很可能采用混合驱动系统。为实现强力抓握，可能使用由紧凑型高扭矩电机驱动的腱传动机制。为实现精细触感和灵巧操作，则可能集成流体弹性体致动器或形状记忆合金，以提供柔软、贴合的运动。其传感系统密集，集成了用于压力映射的压阻式触觉阵列、用于力测量的应变片以及用于本体感觉的IMU传感器。来自这些传感器的数据通过卡尔曼滤波器进行融合，以提供统一、低延迟的状态估计。
此类系统的一个关键基准是YCB物体集操作得分，它衡量的是对一套标准化家用和工业物体进行操作的成功率。虽然该公司的具体得分属于商业机密，但行业最先进研究平台的标准可提供参考背景。
| 平台 / 方案 | 驱动类型 | YCB成功率 (%) | 延迟 (指令到动作) | 关键局限 |
|---|---|---|---|---|
| Shadow Dexterous Hand | 电动，腱驱动 | ~65% (在受控实验室环境下) | 20-50ms | 脆弱，极其昂贵（10万美元以上），控制复杂 |
| Allegro Hand (Wonik Robotics) | 电动，关节直驱 | ~55% | 10-30ms | 刚度大，缺乏精细触觉感知 |
| 软体机器人夹爪 (例如 RightHand Robotics) | 气动/软体 | ~40% (针对拾取，非灵巧操作) | 100-200ms | 仅限于夹取/抓握，无法进行手内操作 |
| BCI独角兽宣称目标 | 混合 (电动 + 软体) | 目标 >75% | 目标 <15ms | 未经验证，成本待定 |
数据启示： 表格揭示了清晰的性能-成本权衡。高灵巧度（Shadow Hand）伴随着难以承受的成本和脆弱性，而商业解决方案则为可靠性牺牲了操作能力。如果BCI独角兽的目标指标得以实现，将意味着在创建一个*实用化*的高灵巧度平台方面取得重大飞跃，结合了速度、成功率以及推测更好的成本效益。
关键参与者与案例研究
此次转向使该公司进入一个全新且竞争激烈的领域，与老牌机器人公司、AI实验室及其他神经科技公司产生交集。
* 转向的独角兽 (例如 BrainCo, NeuroXess - 示例)： 其独特资产是长达十年的人类操作意图临床数据，以及执行这些意图的相应自适应控制算法。与纯粹的机器人公司不同，他们从对生物顺应性和感觉运动整合的深刻理解出发。其首个案例研究很可能是与物流机器人制造商（如Geek+ 或Quicktron）合作，将自动化应用于超越简单货品拣选的复杂物料分拣与装配任务。
* 老牌机器人巨头： Boston Dynamics（凭借其Atlas机器人）和Tesla（凭借Optimus）正在内部开发灵巧操作技术，并将其视为核心的、一体化的能力。它们代表了「垂直整合」模式，如果它们成功，可能会限制独立部件供应商的市场空间。
* AI研究实验室： Google的DeepMind 在机器人操作领域做出了开创性工作，例如 RT-2 和 Open X-Embodiment 等模型。他们的重点在于「大脑」（AI策略）。一家提供性能优越、传感器丰富的「身体」（手部）的公司，可以与之形成强大的合作伙伴关系，共同打造顶级的具身智能技术栈。