新闻雷峰网今天

启元机器人董豪：HIL-UMI与生成式扩增破解具身后训练规模化瓶颈

启元首席科学家董豪提出具身智能胜负手在于可规模化的后训练，发布HIL-UMI无本体数据采集方案。通过穿戴设备采集轨迹结合生成式AI将真机数据价值放大50倍，解决万台真机训练成本难题，并已在自主洗衣场景验证全无人闭环作业能力。

AI 整理

仿真与训练
数据与采集
具身模型

本文由 AI 根据公开内容整理，可能有误，请以原文为准：90 后北大副教授董豪：启元机器人，正在勇闯具身终局（雷峰网）

核心内容

启元机器人首席科学家、北大副教授董豪针对家用具身智能落地难点，提出以HIL-UMI、Scaling Law和量产为核心的技术路径。他指出预训练仅能完成冷启动，泛化与高成功率依赖大规模强化学习后训练，但万台真机并行训练成本过高。为此，启元确立了面向ToC家庭场景的终局思维，优先攻克衣物整理等高容错、高频次任务，目前已实现包含自主规划、开门抓取及失败重试的全自主洗衣流程无人介入闭环。

为解决物理约束下的数据规模化问题，启元采用HIL-UMI方案，利用穿戴式或手持相机替代本体采集操作轨迹，直接转化为可训练数据以针对性优化模型缺陷。同时引入世界模型与生成式AI进行数据增强，单条真机轨迹可生成50条物体摆放与空间位置各异的等效样本，使真机数据价值放大50倍。该组合策略构建了“人类示教+真机锚点+生成式扩增”的可规模化后训练体系，旨在以最低边际成本构建机器人纠错网络。

关键看点

HIL-UMI采集：采用穿戴/手持相机记录操作过程并转为可训练轨迹，无需操作本体即可支持后训练与模型缺陷定向优化
生成式数据扩增：利用世界模型将1条真机轨迹生成50条等效样本，覆盖不同物体摆放与空间位置，真机数据价值放大50倍
后训练范式：明确模仿学习仅用于冷启动，核心泛化能力依赖强化学习，主张后训练规模将超越预训练并决定最终成功率
落地验证场景：选择高安全边界的衣物整理作为切入点，已跑通自主规划路径、开合洗衣机门及抓取失败主动重试的全无人流程

工程与产业观察

董豪提出的HIL-UMI与生成式扩增组合，为具身智能后训练提供了脱离“万台真机堆料”的低成本工程解法。将真机数据价值放大50倍的思路，实质是将算力换数据的逻辑从纯仿真延伸至真实轨迹增强，对缓解高质量具身数据稀缺具有直接参考价值。其优先在高容错家务场景验证闭环的策略，也为ToC机器人商业化提供了务实的渐进式落地坐标。