作者丨齐铖湧
编辑丨岑 峰
引言：具身智能的“非典型”破局者
董豪是具身智能行业中的非典型代表。公众印象多停留在他29岁任北大博导的学术光环，或近期出任启元机器人首席科学家、攻坚家用具身智能的产业身份。然而鲜为人知的是，他在读博前曾有过三年创业经历，住过工厂八人间宿舍；在智元机器人创立初期，他也是最早加入的核心成员之一。
当行业热衷于大模型与通用机器人的宏大叙事时，董豪关注的是更务实的难题：依赖上万台真机进行后训练的成本高昂，难以落地。他给出的解决方案聚焦于三个关键词：HIL-UMI、Scaling Law和量产。这一答案背后，是他一路“压缩着走”的人生逻辑。
从硕士毕业回国创业穿戴设备，到帝国理工攻读博士并获奖，再到疫情期间的线上教学，以及随后加入智元机器人成立联合实验室，如今投身ToC具身智能赛道。董豪兼具创业实战、顶尖学术与头部产业经验。他在北大的静园中接受了访谈，分享了对具身智能行业的深度思考。
一个“压缩着走”的人
▎AI科技评论：你英本英硕四年读完，29岁成为北大博导。这个节奏在学术圈压缩了三五年，你自己意识到吗？
董豪：没刻意算过。英国学制本就较快，四年完成硕士是正常流程。
▎AI科技评论：但不到30岁入职北大并不寻常，且你拿到教职第一年便撞上疫情。
董豪：首次授课均为线上，学生不开摄像头、不互动，我只能全程单向输出。机器人专业无法远程实操，加上疫情反复封控，过程艰难。许多人未能坚持下来，我较为幸运。
▎AI科技评论：仅归结为运气？
董豪：更重要的是聚焦。机器人方向兼具学术价值与产业前景，两头都不浪费。
▎AI科技评论：“两头都不浪费”很符合你的风格，你似乎不喜欢单维度做事。
董豪：可能吧。例如我开发的AI框架，原为实验室内部工具，开源后用户激增并获奖。一项工作衍生多重价值，效率更高。
一位90后北大副教授的创业往事
▎AI科技评论：2012年硕士毕业时，导师郭毅可院士劝你读博，你却选择回国创业，具体情况如何？
董豪：郭老师支持我的决定，甚至提供了资金。2015年我返回读博时，他也给予充分自由，让我自选课题。
▎AI科技评论：创业方向是可穿戴设备？
董豪：是的，当时风口正盛。创业期间住在工厂，条件艰苦，虽是八人间，但我独自占用整个房间，相对舒适。
▎AI科技评论：那三年应该很苦。
董豪：苦倒不至于，关键是见证了一个创业团队完整的生命周期。我们率先布局便携脑机接口（面向未来）和智能手环（面向当下）。但小米、华为等大厂入局后，凭借供应链优势迅速挤压市场，我们眼睁睁看着机会流失。
▎AI科技评论：硬科技创业最难的是什么？
董豪：量产。样机半年可成，但百台规模的生产需控制成本、保证良品率与耐用性，耗时一两年。任何微调都涉及模具修改、产线调整及重新验证，周期以半年计。三年时间，试错机会寥寥。
▎AI科技评论：现在看到智元和启元推进量产，有何感受？
董豪：量产极难。外行看数字，内行看细节。测试项厚如书本，整机制造需逐一攻克标准，难度远超以往的小型硬件。
▎AI科技评论：被大厂碾压是什么感觉？
董豪：深感无力。巨头拥有供应链、渠道和品牌全链条优势。这段经历让我明白，前沿技术与市场之间存在时间间隔，这是花费三年购买的认知。
▎AI科技评论：很多创业者十年走完的周期，你三年走完了。
董豪：确实如此。
▎AI科技评论：这叫止损。
董豪：我不后悔。研究与实战不同，但必须下场。如同造车，融资不造必死，造了虽有四分之三死亡率，但仍有胜算。
▎AI科技评论：你认为当前许多具身创业公司采取“等待策略”不对？
董豪：存钱无法抵御巨头竞争。搏一搏尚有一线生机，正如造车行业，参与才有胜算。
▎AI科技评论：具身公司该如何花钱？
董豪：具身智能市场空间巨大，突破点多。ToB场景如工厂分拣，短期收益较好，无需模型具备过多通用能力。具体投入取决于主攻方向。
▎AI科技评论：这似乎与启元的策略不一致？
董豪：启元旨在直击终局。
▎AI科技评论：什么是终局？
董豪：面向家庭的消费场景必须实现通用作业智能，即通才具身智能大模型。其他场景未必有此需求。
从智元到启元：最难的那个选项
▎AI科技评论：很多人称你是“社交小天才”，为何离开智元创立启元？
董豪：我认为行业需共同努力。分工不同，智元侧重ToB落地，而启元专注ToC。家庭机器人需具备真正的“大脑”，包括通用导航、交互及作业智能，泛化要求最高，是前沿研究的最佳战场。
▎AI科技评论：举个例子？
董豪：如同民航与军用发动机，要求截然不同。工业具身无需模型处理百种任务，但ToC场景必须如此。
▎AI科技评论：从智元到启元，难度升级？
董豪：该踩的坑都得踩。等待策略不可取，依赖他人烧钱探路，即便成功也非己有。
▎AI科技评论：跨界产业的感受？
董豪：工程化节奏与学术迥异。早年科研经费有限，买不起昂贵的灵巧手，只能拼凑使用。如今大模型研究需大规模算力与工程基础设施，学术与产业结合势在必行。
▎AI科技评论：对年轻人创业的看法？
董豪：新一代条件优越，技术视野与融资环境更佳。我看好他们的方向，但建议先在大平台夯实技术、积累供应链与团队资源，时机成熟再创业。快不是问题，无积累的快才是隐患。
▎AI科技评论：启元的时间规划？
董豪：长线看三年。优先切入低风险场景，如衣物整理。叠衣失败无安全风险，可重试。我们已实现全自主洗衣流程：路径规划、开关门、抓取重试均无人介入。策略是先打穿核心能力，再横向拓展。
技术判断：胜负手在后训练
▎AI科技评论：你提出“预训练和后训练不是比例关系，而是阶段性更替”，这与主流观点不同？
董豪：阶段不同。预训练构建世界观，通过大数据提升初始成功率，但存在上限。大规模后训练将超越预训练，成为核心。
▎AI科技评论：上限在哪？
董豪：模仿学习仅能冷启动。真实世界分布复杂，机器人犯错后需自我调整，而演示数据全是正确轨迹，无法提供纠错经验。
▎AI科技评论：所以要上强化学习。
董豪：对。AlphaGo与ChatGPT的成功均依赖强化学习。机器人泛化与极致成功率的胜负手在于可规模化的后训练。上半场拼模仿学习点亮机器人，下半场拼低成本构建纠错网络。
▎AI科技评论：后训练规模化卡在真机上？
董豪：物理约束显著。万台真机同时训练成本极高。智元三年量产两万台已属不易。
▎AI科技评论：所以启元做HIL-UMI，无本体数据采集的后训练？
董豪：对。通过穿戴式或手持相机记录人类操作，转化为可训练轨迹。同等预算下模型能力提升更高，针对性优化缺陷，使成功率逼近100%。
▎AI科技评论：有了万级数据采集，后训练就能规模化？
董豪：仅一半。另一半在于数据效率。利用世界模型或生成式AI，一条真机轨迹可生成50条等效样本，放大真机数据价值50倍。人类示教、真机锚点与生成式扩增结合，才能实现“可规模化的后训练”。
横向 Scaling Law：性格的理论化
▎AI科技评论：为何在Scaling Law中增加“任务量”这一轴？
董豪：许多公司处于低效增长：每做一个新场景需从零开始，边际收益递减。横向扩展后，新任务初始成功率提高，所需样本量下降，越学越省。
▎AI科技评论：这是否是你“不在一根轴上死磕、双维加速”性格的理论化？
董豪：有可能。北大研究与启元实践并非两份工作，而是同一件事的两面：一边创新技术范式，一边进行规模化验证，相互支撑。
关于“节奏”
▎AI科技评论：滑雪时恐惧会导致身体后躲进而摔倒，你怎么看？
董豪：关键在于控制节奏，而非消除恐惧。
▎AI科技评论：压缩时间的人是否容易因速度快而失控？
董豪：无论科研还是公司运营，节奏至关重要。快不是问题，乱才是。需把控好研发资源的投入时机与力度。
后记
访谈在北大计算机学院前沿计算研究中心所在地——静园五院进行。该中心由图灵奖得主John Hopcroft和高文院士创建，旨在培养新一代计算机人才，追求有影响力的科研，不设论文数量与经费指标，评审接轨国际。
董豪在此深耕教育与科研，启元的前沿研究也在此发生。他的言语、人生与理论呈现出一种共性：“压缩”。将十年路径压缩至五年，将一条数据价值放大五十倍，为一维行业增加新轴。“横向Scaling Law”不仅是技术趋势，更是他的自我写照。
对话宋鸿涌：All In完全人形，5年把机器人送上月球
深访清华丁文伯：做到第一再改规则，靠触觉给机器人装上脊髓 | GAIRTalk04
未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！
公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。
未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！
公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。