行元智能杨世琦押注机器人词元，推出Chorus引擎实现40倍数据扩容

在具身智能创业热潮中，多数团队正加速推进机器人整机研发与大模型架构迭代，而00后创始人杨世琦领导的行元智能却选择了截然不同的路径：不做硬件本体，专注构建机器人领域的“词元”基础设施。

2025年7月回国后，杨世琦花了数月调研国内具身智能真实进展。作为曾参与全球最早人类数据驱动机器人训练研究的学者，他发现行业普遍存在“Demo迷思”——大量团队热衷于发布视觉-语言-动作模型（VLA）或世界模型（World Model），但缺乏对系统如何持续迭代、能力如何规模化扩展的清晰路径。他指出：“具身行业普遍偏重以Demo或Paper反映学习能力，部分演示背后的真实模型能力甚至需要打问号。”

基于此判断，行元智能自2025年6月成立起便明确战略边界：坚决不自研机器人本体。“中国已有成熟且庞大的机器人硬件供应链”，杨世琦解释，与其重复投入硬件制造，不如聚焦更底层的数据与系统瓶颈。

这一思路直接导向其核心产品——将于2025年10月27日发布的跨本体数据引擎“Chorus众行”。Chorus旨在解决机器人训练长期面临的“数据荒”问题：传统遥操作成本高昂、UMI等方案仍受限于设备依赖，而现实世界中海量人类操作视频因视角遮挡、轨迹不完整、本体结构差异等问题，难以直接用于训练。

Chorus的处理管线包含原子动作识别、语义标注、三维运动重建、轨迹优化及跨本体映射五个关键环节。其目标是将单份人类经验转化为可复用于多种机器人本体的高质量动作轨迹。在当前测试配置下，该引擎实现了约85%的有效数据转化率；1小时经预筛选的人类视频可生成约13.6小时跨本体动作轨迹；结合3倍指令增广后，最终达成约40倍的有效训练数据扩容。

例如，一段用户佩戴智能眼镜拍摄的拧瓶盖视频，经Chorus处理后，不仅能适配双臂协作机械臂，还可映射至人形机器人或轮式移动平台的不同关节构型，大幅降低数据采集边际成本。

杨世琦强调，数据规模化并非简单堆量。“数据与模型的Scaling需协同设计”，只有当数据规模与质量匹配模型训练需求，才可能验证机器人学习中的Scaling Law。这也正是行元智能提出“System Scaling”理念的原因：从数据供给出发，打通模型训练与真实场景部署的反馈闭环，推动能力持续迭代。

行元智能的命名即源于此愿景——“行”取自行动（Action），“元”对应词元（Token）。杨世琦希望未来能定义机器人的“Action Token”，如同大语言模型以Token为基本单位实现理解与生成，机器人基础模型也需建立统一的动作表征体系。“大语言模型已在理解、记忆和规划上取得突破，但机器人最终必须把理解转化为动作”，他说。

值得注意的是，这一策略恰逢具身智能资本逻辑深刻转变的节点。2026年以来，资本市场对赛道态度发生180°转向：早期仅凭样机与炫酷演示即可获得高估值的时代已结束。宇树科技登陆科创板后市值近乎腰斩，梅卡曼德港股超高认购却首日破发;智元机器人虽启动新一轮融资、估值传约500亿元，IPO却已暂缓。

二级市场投资者不再为概念买单，转而关注订单质量、客户复购与商业化成色。在此背景下，行元智能的“非整机”路径反而显现出差异化价值：它不参与硬件内卷，而是为整个生态提供可复用的底层数据基建。

行业分化正在加剧。据Wind统计，港交所有超50家具身智能企业排队候场;但产业链现实是，上游零部件厂商如珞石、仙工、梅卡曼德已顺利上市，而人形整机本体企业闯关阻力显著增大。北京近期亦推动建设“国际一流词元分发交易平台”，印证Token正从技术术语演变为AI服务的核心计量与定价单位。

行元智能的Chorus引擎尚未公开具体合作客户，但其技术路线已引发学界与产业界关注。有业内人士指出，若该引擎能稳定输出高质量跨本体动作数据集，有望成为连接人类行为与机器人执行的关键中间层，类似ImageNet之于计算机视觉的奠基作用。

目前，行元智能团队仍处于技术验证与早期客户对接阶段。杨世琦表示，下一阶段重点将是验证模型能力随数据规模增长的实际提升效果，并在真实工业场景中完成闭环测试。

具身智能的真正考验，从来不是能否做出一台会动的机器人;而是能否让机器人像人类一样，从日常经验中持续学习、泛化与进化。行元智能选择从“词元”出发，试图为这场进化搭建可扩展的底层语言——这或许比制造更多样机更具长期意义。