周末在家刷社交平台,一个视频惊艳到我了。
一个机器人驾驶卡丁车在赛道上飞驰,过弯、加速、打方向,一镜到底。
没想到我们的机器人现在已经可以在卡丁车赛道炫技了呢!
等等?
这和我在WRC看到的画风不一样啊!
展会上的机器人跑步、还有火花加闪电,没想到视频里的机器人什么时候背着人类偷偷报名赛车培训班了?
它完全是个老司机,高速过弯、灵活避障,跑一圈下来一气呵成。
和以往那些机器人慢吞吞走过去、弯腰拿东西的demo相比,这段视频里的机器人真的自己坐进了车里,手眼脚同步协同,在全速状态下完成多接触点平衡和精细力控。
这种人形双足机器人能够眼、手、足,全身协同,在高速运动、复杂姿态的变化下的全身协调完成细节操作,在此前的人形机器人演示里几乎没出现过。
放出这段视频的,是一家叫共生知行的公司。
共生知行做的,是双足人形机器人的端到端感控一体化「大脑」,也就是基座模型。
创始人丁鹏翔96年出生,核心团队其余成员全是00后,全员博士在读,公司成立刚满两个月。
对于这个看上去有点「不务正业」的Demo,丁鹏翔这样解释:
我希望机器人能更像人,而不是只去做一些很机械的服务功能。好比人能开卡丁车,机器人也能干。
一个问题随之而来:为什么一群连毕业证都还没拿到的年轻人,敢去碰具身智能里最难、最前沿的那条赛道?
押最难的路:研究过分层,现在要挑战端到端
「端到端」双足人形机器人模型这个赛道新到什么程度?
新到市面上找不到现成的人才。
按丁鹏翔的说法,这个方向近两年才热起来,懂技术的人还在读博士,他们几乎没办法从人才库里找到符合需求的人。
已毕业多年的跟不上节奏,没读到博士的,对底层的理解又差一口气。最前沿的突破,就握在这一批顶尖博士生手里。
共生知行的团队就是这样一批年轻又前沿的人。
他们斩获了国内具身智能领域最具分量的学术荣誉——两项 Best Paper,并有一项入选 Best Paper Candidate;也打造了国内首个 GitHub Stars 突破 2K 的具身基座模型。
更重要的是,他们并非风口到来后的追随者,而是国内最早一批探索具身基座模型的先行者,也是这个赛道最坚定的长期主义者。团队累计发表40余篇顶会论文,技术版图覆盖感知、决策、控制、数据与系统全栈;从双系统、轻量化到多构型,一系列行业首创工作,都出自这支年轻团队。
他们的判断很明确:机器人最终最广泛进入人类生活的形态是双足;
按照自动驾驶和大模型的进化路径,端到端是效率最高的技术模式。
这个判断源自他们的一线研究经验。
早在2023年12月,丁鹏翔就开始给四足机器人装「大脑」 。
他以一作身份发布QUAR-VLA,是首个面向四足机器人的VLA任务范式,让上层模型(大脑)负责理解视觉、 语言和任务意图,再把决策交给底层运动系统(小脑)执行。
这套「大脑管理解决策、小脑管运动执行」的分层思路,就是行业里说的分层,今天 Figure这样的公司都在沿用方案。
在随后的研究中,他逐渐发现了问题。
他把分层描述为「理论上可行、但是不那么优雅的方案」:
大脑和小脑各做各的,每接一个新任务,都要对上游输出做定制化微调,才能把效果调好。
更深一层,是结构上的先天缺陷。
大脑和小脑分开训练,部署时再拼起来,每个局部更好,也不能保证整体最优;
两层之间每翻译一次,就增加一次级联误差和信息损失。
丁鹏翔判断,「只要分层,中间就有信息瓶颈,这种接口设计决定了分层架构无法实现真正意义上的Scaling。」
这一判断也来自他对自动驾驶和大模型发展的长期观察。
早期自动驾驶依赖感知、预测、规划、控制多个模块协同,后来开始探索让模型直接从数据中学习驾驶能力。
特斯拉FSD转向端到端后,性能大幅提升。
在丁鹏翔看来,机器人可能也会经历类似变化,让模型从数据中学习完整的「感知—理解—行动」过程。
他的逻辑是,从2023年开始已经把分层路线反复做过,如果判断未来的数据规模化最终会把系统推向端到端,就没有必要再绕一次弯。
这一步在2026年正在发生。
谷歌的Gemini Robotics 2已经用单一策略把从脚到指尖的全身动作统一进一个模型;
RSS 2026的顶会共识却写明,端到端单模型无法覆盖全身复杂动态,分层模块化是现阶段最优落地方案。
共生知行押的纯端到端,是一条更激进、更少人走的路。
为什么偏偏是双足?丁鹏翔的答案是第一性原理:人类社会的建筑、工具、环境,全是照着人的身体构型造的。
轮式只能固定在产线和商场里干活,双足能出门、上下楼、开车,还能跨场景完成不同任务。
通用性意味着成本摊薄,双足还有拟人化的亲和感。
时机同样关键。2026年4月之前,双足人形连通用遥操作模型都没有,没有数据来源就训不出基座。
直到英伟达Sonic开源,行业才有了大规模生产数据的基石。
这个方向已经不再处于「想训也没有数据」的早期阶段,又还没有成熟到路线完全收敛,共生知行赌的就是中间这个窗口。
技术分水岭:别人在学运动学,他们在啃动力学
先弄清一个分水岭:现在绝大多数机器人基座模型,学的其实是运动学。
运动学关心从A点到B点,手移动到哪里、抓没抓住,固定基座机械臂这么干没问题,因为它不会倒。
双足机器人伸手去够一个东西,身体重心会同时发生变化;
下蹲拿物体时,腰部要前倾,踝关节和腿部要重新分配力度、保持平衡;
再叠加摩擦、碰撞、惯性和接触,模型面对的已经是一套全身动力学。
据丁鹏翔介绍,一台g1双足人形有29个自由度,比机械臂的7个自由度复杂得多。
过去机器人学的是「动作轨迹」,人形机器人要学「身体如何在物理世界中行动」。
从运动学到动力学,从完成任务到保持稳定,这是双足机器人模型真正的技术分水岭。
这能解释共生知行为什么把模型一路做到Joint Target,也就是关节目标层。
分层方案里,大脑先输出运动学目标,下游小脑再解算成关节动作;
共生知行把这个中间环节拿掉,让模型直接面对几十个关节的身体状态。
问题随之而来:把小脑拿掉,机器人还站得稳吗?
光靠模仿学习,模型只学会标准动作,没见过执行中各种踉跄的身体状态,遇到陌生状态就可能直接摔倒。
它缺的是从失败里站稳的能力。
共生知行的核心,是一套「任务行为建模—运动先验蒸馏」的双域协同优化机制。
一条优化通路延续行为克隆,保证任务精度与动作拟合能力;另一条通过DriftDistill,将底层控制器积累的稳定性、抗扰动与Failure Recovery能力,转化为统一模型的内生运动先验。
它并非简单叠加两个Loss,而是将「准确完成任务」与「稳定控制身体」两类能力融入同一模型,让大模型同时获得任务智能与身体智能。
如果DriftDistill能随模型和数据量继续扩展,它试图解决的就是一个更大的问题:
在认知Scaling之外,机器人能不能连运动控制能力也一起Scaling。
丁鹏翔将这一运动能力汇聚模块称为Motion Expert(运动专家模型),目前规模接近1B,并通过蒸馏不断吸收不同运控模型的能力。
再往前一步,端到端大模型还要解决机器人输出的力。
今天很多机器人系统主要控制位置,但机器人真正进入现实世界后,位置正确并不等于任务完成。
手伸到抽屉把手上,却不知道该用多大力,门依然打不开;给人递东西时位置没问题,力量过大同样不安全。
共生知行的技术路线是先把Force Expert作为安全接触专家,让它学习施力、柔顺、阻抗和接触反馈,再通过策略蒸馏逐步融入Motion Expert和最终的端到端模型。
位置决定机器人能不能「到那里」,力决定它能不能真正「把事情做好」。
这也是共生「全身物理世界模型」的含义:让模型理解身体怎样受力、失衡、接触,再把这些约束直接变成动作。
数据、涌现,和一张冷静的时间表
模型真正训练起来,首先撞上的就是数据荒。
全球合规机器人数据截至2026年初大约50万小时,不足大语言模型的两万分之一。
尴尬的是,很多数据采的是站定操作,机器人在格子间里原地干活,对全身移动操作帮助有限。
共生知行的Blog放出了约1万多小时数据,自采其中几千小时。
全身协调模型真正稀缺的是真实生活里的强耦合全身移动操作数据,比如骑单车、开卡丁车、给篮球打气等。
他们的解法是TrajBooster:从机械臂或轮式机器人身上提取末端轨迹,让人形机器人在仿真里追踪这条轨迹并保持平衡,把不同来源的动作统一到同一个空间里,复用机械臂已经定义好的任务多样性,低成本给预训练提供数据。
谈到模型能力,丁鹏翔几乎不用「泛化」这个词。
用他的话说,「这个词没什么营养,像说一个人好一样空。」
他要的是「涌现」:在关节角层面,比如给模型训练的是走和跳的数据,它在测试的时候自己组合出跑这个新的技能。
因为只有到关节层面,部分动作能力才可能组合出全新动作。
时间表上,他的判断很冷静。
他推断,十万小时左右数据更多还是实验室级Demo,真正有大规模商业意义,可能要等到百万小时之后。
现在行业甚至连最合适的数据形式都没有收敛,肌电、外骨骼、动捕、Pico遥操等路线仍在竞争。
在他看来,人形机器人当前最难的三个问题,第一是感知和控制究竟应该怎样Combine,第二是应该用什么类型的数据,第三才是数据规模本身。
丁鹏翔希望,有一天由中国团队设计出来的机器人模型架构,也能反过来被北美同行广泛采用。
我们不希望当Follower,我们希望去引领技术的发展。
回到那辆卡丁车。
让它全速过弯的,是一群还没毕业的年轻人。
他们押的,是具身智能里最难、最前沿的方向。
赌的是端到端终将取代分层。
行业还远没有到可以证明终局路线已经跑通的时候,甚至丁鹏翔自己也承认,整个双足基础模型行业都还没有真正收敛。
但一支创业团队的前沿性,有时候恰恰不在于把一个成熟答案做得更快,而在于它能不能比同行更早看见下一道真正重要的问题,并且敢在答案还不明朗时动手去解。
本文来自微信公众号“量子位”(ID:QbitAI),作者:乔不迟
