具身智能数据竞争正从“量大管饱”转向“闭环质量”。通过记录人类大脑的预测-误差-更新过程，机器人有望获得真正的世界模型，而非仅靠视频模仿。
过去一年，具身智能的数据燃料主要是第一视角视频，但这类数据只记录“做了什么”，缺失了“为什么做”和“如何修正”的关键信息。FaceMind脸谱心智提出Ego-NeuroLoop数据范式，旨在填补这一缺口。
该范式基于神经科学的“贝叶斯大脑”理论，同步采集四类信号：world camera（环境视觉）、gaze（视线注意力）、EEG（脑电神经状态）和sEMG（表面肌电执行信号）。这四路信号被压缩到同一条时间轴，形成从目标发现、注意力聚焦、神经准备、肌肉激活到反馈修正的完整闭环。配套硬件NeuroMatrix先用高精度设备建立信号地图，再收缩为低成本、易部署的方案；信号处理层NeuroBooster则像多模态基座模型，将噪声大、异步的原始信号对齐增强为模型可用的闭环数据。
这种数据范式让机器人从“行为库”转向“闭环库”。普通视频只能让模型模仿轨迹，而闭环数据让模型见过人类在偏差出现时如何调整发力、重新分配注意力、切换策略。FaceMind此前发布的Looped World Models已在模型侧实现参数共享的迭代式更新，与数据侧的闭环采集形成呼应。这标志着具身智能的竞争核心正从规模转向闭环质量，机器人缺的世界模型，或许就藏在人类大脑、身体和环境的连续交互中。