北大副教授董豪出任启元机器人首席科学家，聚焦ToC具身智能与量产落地

一句话结论

董豪任启元机器人首席科学家，推动ToC具身智能通过HIL-UMI数据放大与横向Scaling实现量产。

关键要点

启元机器人定位ToC家庭消费场景，目标为通用作业智能。
HIL-UMI通过穿戴/手持相机采集人类操作轨迹，世界模型可将1条真机轨迹生成50条等效样本。
董豪认为大规模后训练将超越预训练重要性，胜负手在于可规模化的后训练。
智元机器人成立3年量产2万台，启元长线规划按三年推进，优先验证低风险场景如衣物折叠。
董豪本科及硕士毕业于英国，博士毕业于帝国理工学院，现任北大副教授及博导。

背景与事实

董豪，1990年代出生的90后学者，现年约29岁，现任北京大学副教授、博士生导师，同时担任启元机器人首席科学家。他的学术背景横跨英国本科与硕士阶段，博士毕业于帝国理工学院。2012年硕士毕业后回国创业，从事可穿戴设备及脑机接口研发，期间曾住过工厂八人间宿舍，三年后因市场被小米、华为等大厂挤压而结束创业。2015年他返回帝国理工学院攻读博士，期间开发的开源框架获得ACM MM最佳开源软件奖。毕业后入职北京大学，在前沿计算研究中心从事教育与科研工作，该中心由图灵奖得主John Hopcroft和高文院士创建，对论文数量及申请经费无硬性要求，评审方式与国际接轨。

2023年，董豪加入智元机器人（Zhiyuan Robotics）核心团队，并成立北大智元联合实验室。在此前合作中，他曾与杨耀东、王鹤共同承担北京科协灵巧操作项目，因经费限制需购买单只价格10万美元的Shadow Hand灵巧手，两人分别购买左手和右手共用。随后，董豪出任启元机器人（Qiyuan Robot）首席科学家，该机器人的前沿学术研究仍在北大前沿计算研究中心进行。启元机器人聚焦ToC（家庭消费）具身智能场景，目标是实现通用作业智能。其核心技术路径包括HIL-UMI（无本体数据采集后训练）、横向Scaling Law和量产能力。

在数据与方法论上，董豪提出预训练与后训练是阶段性更替而非比例关系，认为大规模后训练将超过预训练的重要性。具体而言，HIL-UMI技术通过穿戴式或手持相机记录人类操作并转化为训练轨迹；利用世界模型或生成式AI，可将一条真机轨迹生成50条等效样本，从而放大真机数据价值50倍。其理念强调“压缩”，将十年的发展路径压缩至五年，使单条数据产生五十条数据的价值。智元机器人成立3年已量产2万台，为行业提供了量产参考。启元机器人的长线规划按三年推进，优先在低风险场景（如衣物折叠）验证全自主流程，再横向拓展至更多场景。

影响分析

对中文开发者与从业者而言，启元机器人的技术路线揭示了具身智能从“预训练主导”向“后训练主导”的范式转移，这将显著降低对海量真机数据的依赖门槛。HIL-UMI通过人类操作轨迹生成等效样本的方法，为资源有限的小团队或初创企业提供了低成本的数据增强路径，使得在家庭ToC场景中快速迭代成为可能。横向Scaling Law的提出意味着，单一任务的成功可通过横向扩展至其他任务实现规模效应，这对设计模块化具身智能系统、优化算法泛化能力具有直接指导意义。从业者需关注后训练架构的可规模化能力，而非仅堆砌预训练数据量，以在量产阶段保持竞争优势。

适用边界

该结论主要适用于具备一定算法研发能力、能够部署世界模型或生成式AI进行数据增强的具身智能团队，且目标场景为家庭ToC及低风险作业环境。对于高安全要求（如医疗、重型工业）或对实时性、可靠性有极端要求的场景，HIL-UMI生成的50条等效样本可能缺乏足够的物理一致性验证，不直接适用。此外，横向Scaling Law的有效性依赖于底层数据的多样性与质量，若源数据分布狭窄，横向拓展可能失效。