蘋果（Apple）機器學習研究團隊在近日，發表了一項名為「EMBridge」的最新研究成果，展示了一種能夠識別「未曾見過」之手勢的 AI 模型訓練框架。該項技術透過跨模態表徵學習（Cross-Modal Representation Learning），成功橋接了肌電圖（EMG）訊號，以及手部姿勢數據間的間隙，為未來穿戴式裝置的互動邏輯開闢了全新路徑。記者孟圓琦／編譯

蘋果（Apple）機器學習研究團隊在近日，發表了一項名為「EMBridge」的最新研究成果，展示了一種能夠識別「未曾見過」之手勢的 AI 模型訓練框架。該項技術透過跨模態表徵學習（Cross-Modal Representation Learning），成功橋接了肌電圖（EMG）訊號，以及手部姿勢數據間的間隙，為未來穿戴式裝置的互動邏輯開闢了全新路徑。這篇論文預計將於今年 4 月的 ICLR 2026 國際會議上正式發表。

[caption id="attachment_208925" align="alignnone" width="1376"] 為了減少因將相似手勢視為否定而導致的訓練誤差，研究人員教會模型識別姿勢何時代表相似的手部配置，從而使其能夠為這些姿勢生成軟目標，而不是將它們視為完全無關。（圖／AI生成）[/caption]

肌電圖（EMG）技術，主要用於測量肌肉收縮時產生的電活動，過去多見於醫療診斷與義肢控制。隨著擴增實境（AR）與虛擬實境（VR）技術的普及，包含 Meta 在內的科技巨頭，皆積極投入相關穿戴裝置的研發。而蘋果此次提出的 EMBridge 框架，核心突破在於其「零樣本」（Zero-shot）手勢分類能力，意即模型在未事先學習特定手勢數據的情況下，仍能透過肌肉訊號精準判斷使用者的意圖。

更多科技工作請上科技專區：https://techplus.1111.com.tw/

[caption id="attachment_208926" align="alignnone" width="1919"] 舉例來說，Meta 的 Ray-Ban Display 眼鏡採用了 EMG 技術，Meta 稱之為神經帶，這是一種戴在手腕上的設備，根據該公司的描述，它可以「解讀你的肌肉訊號來操控 Meta Ray-Ban Display 的功能」。（圖／擷取自Meta Store Support YT）[/caption]

在實驗過程中，研究人員使用了包含 370 小時肌電訊號與同步手部姿勢數據的「emg2pose」大型數據集，以及「NinaPro」數據集進行測試。研究團隊採用跨模態架構，先分別對 EMG 和手勢姿勢進行預訓練，隨後透過對齊機制讓 EMG 編碼器學習姿勢編碼器的特徵。此外，研究人員還引入了遮蓋姿勢重建技術，要求模型僅憑 EMG 資訊還原被隱藏的手部姿勢，進一步強化了系統的泛化能力。

研究結果顯示，EMBridge 在多項基準測試中均優於現有方法，且僅需使用 40% 的訓練數據即可達成卓越的識別效果。研究團隊指出，該框架在解決相似手勢的誤判問題上表現優異，能自動識別手型結構相似的姿勢並進行軟目標（Soft targets）處理，而非將其視為完全無關的錯誤訊號。

儘管該研究報告未指名任何特定的產品應用，但市場分析指出，此技術未來極有可能整合至 Apple Watch 或傳聞中的智慧眼鏡。透過監測腕部的肌肉活動，使用者將能以極其細微且直覺的手勢控制 Apple Vision Pro、iPhone 或 Mac。

蘋果在論文中總結道，EMBridge 是首個在穿戴式 EMG 訊號上實現零樣本手勢分類的框架，這標誌著穿戴式人機互動（HCI）技術正朝向實用化與高度通用化邁進了一大步。

延伸閱讀：
599美元震撼市場！外媒評測MacBook Neo：體驗極佳的平價入門神機
Gemin結合Google「這4大」神器 讓生產力直接原地起飛、效率神助攻

資料來源：9to5mac

這篇文章 手勢不用教也能懂？蘋果新 AI 達成「零樣本」手勢識別突破 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

過去為了優化 AI 演算法，會將用戶數據上傳到資料中心伺服器中進行機器學習；現在為了保護用戶隱私，加上邊緣運算 …

過去為了優化 AI 演算法，會將用戶數據上傳到資料中心伺服器中進行機器學習；現在為了保護用戶隱私，加上邊緣運算的趨勢，聯合學習只需要將「模型訓練」導入各個用戶的裝置上，接著演算法就會將「用戶裝置上整合得到的相關數據」，直接送到資料中心伺服器上，這樣就能用來強化中心伺服器的演算力，也能確保用戶隱私受到保護。

韓國近日則開發出了將可以在多數移動機器上學習人工智能（AI）模型的聯合學習技術，讓學習速度加快4.5倍的方法論。

聯合學習是谷歌提出的一種新的機器學習技術，在不洩露個人信息的情況下，可以利用龐大的用戶機器上的數據，開發醫療AI技術等。以穀歌為首，蘋果、淘寶等世界頂級技術企業正在廣泛引進該技術。

但是，AI模型學習是在用戶的智能手機上進行的，因此很容易會引起機器超負荷、電池消耗及性能低下等問題。研究組測定了參與聯合學習的用戶機器上的數據樣本，讓學生選擇最佳樣本，從而提高了AI學習速度。通過優化性能，在沒有模型準確度下降的情況下，將學習速度提高了4.5倍。通過這種方式，可以將用戶智能手機的超負荷問題最小化。

主導研究計畫的李成柱教授表示，聯合學習是許多世界企業使用的重要技術。此次研究結果提高了聯合學習的學習速度等，具有重大意義；這項技術在電腦視覺、自然語言處理、移動傳感器數據等多種應用方面都表現出良好的性能，未來將有更廣泛的應用。（記者／白水堯）

這篇文章 韓國AI新技術　聯合學習加速4.5倍 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。