行元智能发布Chorus引擎：押注机器人“词元”，以数据规模化破解具身智能瓶颈

事件概述

行元智能（Xingyuan Intelligence）由曾任北美顶尖机器人实验室研究员的杨世琦于2026年6月创立。团队摒弃了当前具身智能行业普遍采用的“本体制造+大模型架构”路线，转而专注于解决机器人训练数据供给与复用的核心痛点。2026年10月27日，行元智能正式发布跨本体数据引擎“Chorus众行”，标志着其以“机器人词元（Action Token）”为核心理念的技术路径进入实质落地阶段。

核心信息

1. Chorus引擎的技术突破与数据效能
Chorus引擎的核心目标是打通从人类行为到机器人动作的底层基础设施。针对人类视频数据存在的手部遮挡、视角变化及轨迹不完整等问题，Chorus通过以下技术管线进行处理：

• 数据处理流程：原子动作识别 -> 语义标注 -> 三维运动重建 -> 轨迹优化 -> 跨本体映射。
• 多源数据整合：能够清洗并重构来自智能眼镜、胸戴相机、UMI设备等多源的人类操作视频。
• 规模化扩容效果：在测试配置下，Chorus实现了约85%的有效数据转化率。通过适配16种机器人本体，1小时预筛选的人类视频可生成约13.6小时的跨本体动作轨迹；结合3倍指令增广后，最终实现约40倍的有效训练数据扩容。

2. “不做本体”的战略逻辑
行元智能明确拒绝自建硬件本体，主要基于以下考量：

• 供应链成熟度：中国拥有成熟且庞大的机器人硬件供应链，自建本体资本投入巨大且易拖慢软件迭代速度。
• 客户实际需求：工业客户更关注能否稳定完成特定工序的系统能力，而非整机形态。
• 专注核心壁垒：将资源集中于数据体系与模型算法，避免陷入硬件同质化竞争。

3. System Scaling（系统规模化）实施路径
行元智能强调数据规模与模型能力的协同设计，并通过真实场景部署实现持续迭代：

• 人机协作机制：当机器人在处理分布外（OOD）状况卡顿时，普通工人可通过简单设备在2-3秒内接管纠偏，人工干预经验随即回流至训练系统。
• 迭代效率指标：重点关注“数据复用次数”与“模型迭代周期”。在物流等场景中，初期采用“一拖一”（一名工人监督一台机器人），随模型成功率提升逐步过渡到“一拖三”。

值得关注

• 行业阶段判断：杨世琦指出，当前具身智能行业仍处于“非标自动化”阶段，距离机器人广泛承担通用劳动力尚需3-4年的技术沉淀。Chorus的发布被视为这一探索过程的起点，旨在让机器智能具备自主成长的能力，而不仅仅是完成单一任务。
• 概念创新：类比大语言模型中的“Token”，行元智能试图定义机器人的“Action Token”，即从人类数据出发建立行动维度的智能基础，这为具身智能的数据标准化提供了新的理论框架。