推荐语
具身智能不缺钱，也不缺演示，真正稀缺的是一条能复现的 Scaling 曲线。去年 11月，北美的 Generalist 发布 GEN-0，称首次在机器人身上观察到了这条曲线：预训练数据和算力越多，模型在下游任务上的表现就越稳定、可预测地提升。支撑这条曲线的，是超过 27 万小时的真实世界操作数据，和每周新增上万小时的采集速度。对绝大多数公司来说，曲线已经有人跑出来了，燃料却还没有。
燃料从哪来，行业也开始有了线索。今年 4 月，Generalist 发布 GEN-1，披露其基础模型预训练没有使用机器人数据，用的是人戴着低成本穿戴设备采到的数据。人类数据由此被推到台前。但要让它真正成为燃料，前提是能用起来。行业里更多的人类数据散落在各处，设备不同，视角不同，格式不同，谁也用不了谁的。
把这些“用不上”的人类数据变得能用，是行元智能押下的第一注。
创始人杨世琦是一位卷发的 00 后，语速极快，思维更快。人类数据成为行业共识之前，他已经把它当主线做了快两年。在 UCSD 王小龙组读研时，他做跨本体操作；2025 年 3 月，他作为共同第一作者参与的论文《Humanoid Policy ~ Human Policy》，是较早把第一视角人类数据和人形机器人数据放在一起训练的工作之一。
行业里最流行的说法，是把人类数据当成真机数据的便宜版本。他最不认同的就是这一点。在他看来，人类数据里有遥操作采不到的东西：人的意图，长程任务的结构，还有被采集效率筛掉的边界情况。他的说法是：Human data is latent robot data。
所以行元不画数据金字塔，把不同来源的数据都编译进同一套人类表征，真机数据也不例外。这次发布的 Chorus（众行），是这个判断第一次做出成品：一款兼容多种异构数据的机器人跨本体数据引擎。
行元的测算是，经过 Chorus 处理，1 小时人类数据可以转化为约 40 个训练样本等效小时。
杨世琦也不喜欢被归进 neolab。前沿探索和模型设计他都在做，但更多精力放在系统设计上：把数据、模型、硬件和部署连成一个能在真实世界里运转、持续学习的系统。所以他更像一个超级工程师，既要探技术的边界，也要碰硬件，啃部署里最脏、最琐碎的问题。
行元的工程师文化落在几个完整的选择上：数据管线 7 天迭代一版，新本体 3 天接入，数据池子够大之前不刷榜。它也在做减法：不造本体，模型研发只做 10 赫兹以上的 System 1；模型做到 70 分就上岗，出错由人接管，每一次纠正都回流成训练数据。在这套系统里，部署本身就是学习的一部分。他反复追问的只有两件事：数据能被复用多少次，模型多久能迭代一轮。
四位联创的分工覆盖数据、模型、训练基础设施和机器人系统。杨世琦更侧重系统设计，把训练、部署和数据回流串成一个闭环，让模型在真实场景里边干活、边学习、边迭代。这支团队给出的时间表很有野心：明年年中，内部模型追平北美头部公司同时期的水平。杨世琦的理由很直接：具身的技术窗口只有三到五年，三年之后大概就是小修小补了。
这条路比讲故事慢，也比讲故事难。但在一个窗口期只有几年的赛道里，比的不是谁更聪明，而是谁迭代得更快。
这是行元智能第一次系统性地对外发声。以下是我们和杨世琦的对话。
01 具身智能缺的不是模型，是一条Scaling曲线
ZP：用最直白的话说，行元在做什么？
杨世琦：其实从“行元”这个名字就能看出来我们想做什么。
语言模型以 Token（词元）为基本单元来理解和生成语言。但机器人不一样，机器人最终是要在真实世界里做事情的，所以我们想到了 Action，也就是“行动”。行元对应的就是“Action Token”，我们希望未来能够真正定义机器人的 Action Token，让机器人像语言模型学习语言一样，能够学习和理解人类的行动，并最终在物理世界中自主行动。
而技术上的关键词是 Scaling。机器人之所以要把 Scaling 放到这么靠前，是因为它现在还规模化不起来。我们给的解法是人。
为什么是人？第一，和我个人的经历有关，我是比较早开始做跨本体研究的一批人。从机器人学习的角度看，人和机器人在完成操作任务时有很多相似之处，可以把人看作一种特殊的本体。第二，Scaling 需要燃料。大语言模型发展得快，是因为有互联网，机器人没有这样自然积累的数据来源。而人每天都在做操作，把这些经验转化为机器人能学的数据，就是最自然的切入点。
ZP：反过来看，具身行业的哪些努力，一开始就很难通向 Scaling？
杨世琦：有两类：一类是方向选错了，一类是顺序排错了。
先说方向。做 Scaling，第一个问题不是模型能学会什么，而是数据能不能大规模生产出来。能往模型里加的模态很多，可每多要一种，数据就更难生产一分。比如想做物体状态预测，就得有真值标注。小模型配上精细数据，效果一定好看。但这类数据很难大量拿到，拿到了也不一定准，到了真实部署更是根本监督不到。前几年仿真到真实的迁移，卡的也是这个：实验室里不缺数据，缺的是能与真实世界对齐的数据。要求越多，越难规模化。
再说顺序。今天把大量精力花在迭代模型架构上，或者不加约束地把模型放大，可能都不如先把基础设施做好。这个行业没有公认的评测基准，数据该看哪些指标，大家也没对齐过。没有尺子，模型就没法迭代，数据也没法复用。用一次就作废的数据，是纯浪费。
所以要先从机器人真实干活的需求出发，把指标和数据标准定义清楚：什么数据值得收，收进来怎么用，后续迭代中能复用多少次。有了这些，模型迭代才能持续积累。
ZP：所以你们的北极星是 Scaling 效率，拆开就是数据复用程度和模型迭代速度。但先做基础设施，头一年注定会慢，这个代价值得吗？
杨世琦：值得。先迭代模型，在 3 到 6 个月的尺度上最舒服；做基础设施，舒服的尺度可能是一年，头一年会慢一些。这是品味的选择，但区别在于，基础设施一旦转起来就会越来越快。
一开始，几个聪明人确实能把一件事做好。但拉长到几年，比的是谁能持续跑得快。如果你五个月迭代一次，别人一个月迭代十次，这样持续几年，积累下来的差距就很难靠聪明追回来了。
自动驾驶就是个参照。后来几条路线的差异确实变模糊了，但投入同样的资源，先把体系跑起来的公司还是跑得更好。对创业公司来说，我们要做的就是在每个能接受的时间尺度上做到最快、最好。
ZP：先做基础设施的判断是从哪里来的？你们算基础设施派吗？
杨世琦：这谈不上派系，更多是风格选择。原因有两个：一是我们自己的经历和品味，二是已经有成功的先例。
北美大多数团队的品味是系统先行。具身很难只靠一个聪明的点子取胜，更多是把重要的、能快速接入的东西组合起来，自上而下地调优整个系统。从这个视角更容易把有用的东西拉进来，开始做 Scaling。回看机器人学习的发展，很多突破也不是什么大突破，都是在数据和模型上一点点往上加，π（Physical Intelligence）也是这么一步步做过来的。这在北美是跑通了的，我们也受过这样的训练。
大语言模型这边，它已经从前沿学科变成了能变现的商业模式。不管是国外公司，还是国内的 Kimi、智谱，都很重基础设施。我们也相信基础设施在更长的路上一定能带来更多的效率提升。
ZP：为什么不自己造机器人本体？
杨世琦：首先，本体研发涉及供应链和硬件自研，这不是模型团队最擅长的事情。其次，自己造本体有可能拖慢模型迭代。硬件有自己的研发周期，而我们需要的是在每个阶段，拿到合适的本体验证模型。
所以我们保留了专门的嵌入式软件和硬件团队，做接入和适配，不做本体研发。在厂家提供正常可用的 SDK 的情况下，我们现在通常三天就能把一个新本体接入、调好。不同场景需要不同的本体，我们也希望按任务选择合适的硬件。这既能避免被自己的本体绑定，也会促使模型和数据体系更早面对跨本体的问题。
ZP： 除了不造本体，你们的基础模型也只做 System 1。System 1 和 System 2 分别指什么？为什么这么划分？
杨世琦：System 1 可以理解为负责实时感知和动作执行的快系统，System 2 是负责思考和规划的慢系统。
两者对频率的要求完全不一样。System 2 更接近长任务规划、记忆和长程信息理解，不需要高频。System 1 的频率至少要锁在 10 赫兹以上。我也不希望动作是半开环的，尤其遇到突发情况，反应超过 1 秒其实就是开环了。
所以在 System 2 上我们做减法，不重复投入，搭好 harness，把合作方的大模型能力接进我们的机器人系统。行元的定义是机器人基模公司，我们做的是 System 1 的基础模型。
ZP：落到具体发布上，行元把技术拆成了 Continuo、Chorus、Duet 三个篇章。为什么这么拆，三者是什么关系？
杨世琦： 这三个篇章其实讲的是同一件事：在今天这个阶段，机器人怎么做 Scaling 最有效，人又能在其中起到什么作用。
Continuo(随行)对应For Human，回答的是智能如何持续感知和理解人的日常经历，从而帮助人更好地进行记录和规划生活。它跑在 always-on 的设备上，做连续视频理解、记忆和持续重规划。Chorus（众行）对应 From Human，就是这次发布的，回答的是分散、异构的人类经验怎么变成不同本体都能学的数据：人类数据进去，机器人数据出来。Duet（同行）对应 With Human，回答的是模型还不完美的时候怎么部署，怎么从人的帮助里持续学习。它是我们的 Robot OS，机器人自己干活，出错由人接管，很快会发。
放在一起，就是 Infrastructure → Model → System 的飞轮。Continuo 和 Chorus 一起解决燃料问题：Continuo 管增量，让第一视角数据在日常生活里自然长出来；Chorus 管存量，把采集标准不统一的数据编译进同一套人类表征。Duet 把模型送进真实场景，人接管时产生的纠错数据再流回训练。所以这不是三条平行的业务线，三件事合起来，是连接 Model Scaling 和 Robot Deploy 最小的那个闭环。
Chorus 是这次的重点，可以先从它讲起。
02 Chorus：把稀缺的人类数据「扩容 40 倍」
ZP： 那就先说 Chorus。它能把 1 小时人类操作数据转化为约 40 个训练样本等效小时，这个效果是怎么做出来的？
杨世琦：行业还是缺数据，但缺数据的原因正在变：过去更多是原始数据不够，现在越来越多是数据有了，却用不起来。
今天数据厂商很多，开源社区里也有大量数据，可它们采集不规范，也没有统一指标。哪怕都是第一视角数据，彼此也很难通用。每家都在重复造轮子，这是最大的浪费。
过去的思路是限制采集：规定用什么设备、按什么流程采。我们反过来，把门槛降到最低，只要是第一视角、两只手在画面里，基本就能用。相机外参有更好，没有也行，脏数据交给模型去消化。所以我们专门训了一个高度自动化的数据管线，用来处理数据本身。以前是让人去迁就数据标准，现在是让模型去适应各种数据。
40 倍是这样算出来的。先做指令增广，同一段动作配上不同细粒度的语言指令，放大约 3 倍。再做跨本体适配，把这些数据适配到不同机器人身上，目前能再放大约 16 倍。适配效率大概是 85%，折算下来，3 × 16 × 0.85，大约就是 40 倍。这里的 16 倍只是现阶段的数字，主要取决于能适配多少种机器人。随着更多本体接入，这个倍数还会继续往上走。
说到底，Chorus 只做一件事：让同一份数据被用很多次。我们的 System 1 模型还要一段时间才发，但数据模型可以先走。先把燃料备足，再点火。
ZP：和业内现有的数据管线相比，Chorus 的核心优势是什么？
杨世琦：有三点。
第一是兼容性。智能眼镜、头戴相机、胸前相机、腕部相机、UMI，这些设备的视角、标定和尺度都不一样，Chorus 能把它们统一到同一个运动空间里。
第二，处理维度显著更多，比如我们会标注因果信息。一个 10 秒的任务，看上去后 5 秒更重要，前 5 秒没做什么实质的事，但前 5 秒同样会对后面产生因果影响。我们通过因果学习判断前 5 秒里哪些动作权重更高，就能更精细地筛选数据，知道模型的注意力该放在哪。
第三是稳定性。在我们内部测试中，处理后的人类数据映射到真机上，稳定性肉眼可见地好。
ZP：同样是解决数据问题，人类数据和遥操作、UMI 有什么本质区别？
杨世琦：是两种思路。一种是从当前效率最高的数据形式出发，比如遥操作，也就是人远程操控真机来采集数据。它能满足你对数据的几乎所有需求，所以到现在做后训练（在预训练模型基础上针对具体任务的训练）还要用。UMI（斯坦福等团队提出的手持夹爪采集方案，人拿着带相机的夹爪模仿机器人操作）是针对遥操作效率不够做的改良。有人把它归到人类数据，但实质上它更偏机器人数据，因为它没有解决数据来源的问题，数据还是要专门造出来。
另一种是反过来：先看世界上已经有哪些数据、哪种最接近我们需要的，再想办法迁移过来，这就是人类数据。所以在我的定义里，UMI 更接近遥操作，人类数据就是人类数据。它最大的要求是必须在日常生活中自然产生，我们要解决的是怎么把这些自然产生的数据用起来。
ZP：人类数据现在很热，你最不认同外界的哪种理解？
杨世琦：最不认同的，是把人类数据当成机器人数据的便宜版本。大家习惯排一个阶梯：机器人数据不够就用 UMI 解决，UMI 解决不了就上人类数据。但它们之间的区别其实很多。
第一是人的意图和习惯。机器人要进入日常生活，光把任务做完还不够，还得符合人的直觉和习惯。