不做硅谷follower：幾個讀博的年輕人，押注雙足人形的一體化大腦

一個機器人駕駛卡丁車在賽道上飛馳，過彎、加速、打方向，一鏡到底。沒想到我們的機器人現在已經可以在卡丁車賽道炫技了呢！等等？這和我在WRC看到的畫風不一樣啊！展會上的機器人跑步、還有火花加閃電，沒想到視頻裡的機器人什麼時候揹著人類偷偷報名賽車培訓班了？它完全是個老司機，高速過彎、靈活避障，跑一圈下來一氣呵成。和以往那些機器人慢吞吞走過去、彎腰拿東西的demo相比，這段視頻裡的機器人真的自己坐進了車裡，手眼腳同步協同，在全速狀態下完成多接觸點平衡和精細力控。我把視頻放上來大家品品。

這種人形雙足機器人能夠眼、手、足，全身協同，在高速運動、複雜姿態的變化下的全身協調完成細節操作，在此前的人形機器人演示裡幾乎沒出現過。放出這段視頻的，是一家叫共生知行的公司。共生知行做的，是雙足人形機器人的端到端感控一體化「大腦」，也就是基座模型。創始人丁鵬翔96年出生，核心團隊其餘成員全是00後，全員博士在讀，公司成立剛滿兩個月。對於這個看上去有點「不務正業」的Demo，丁鵬翔這樣解釋： 我希望機器人能更像人，而不是隻去做一些很機械的服務功能。好比人能開卡丁車，機器人也能幹。一個問題隨之而來：為什麼一群連畢業證都還沒拿到的年輕人，敢去碰具身智能裡最難、最前沿的那條賽道？

押最難的路：研究過分層，現在要挑戰端到端 「端到端」雙足人形機器人模型這個賽道新到什麼程度？新到市面上找不到現成的人才。按丁鵬翔的說法，這個方向近兩年才熱起來，懂技術的人還在讀博士，他們幾乎沒辦法從人才庫裡找到符合需求的人。已畢業多年的跟不上節奏，沒讀到博士的，對底層的理解又差一口氣。最前沿的突破，就握在這一批頂尖博士生手裡。共生知行的團隊就是這樣一批年輕又前沿的人。他們斬獲了國內具身智能領域最具分量的學術榮譽——兩項 Best Paper，並有一項入選 Best Paper Candidate；也打造了國內首個 GitHub Stars 突破 2K 的具身基座模型。

更重要的是，他們並非風口到來後的追隨者，而是國內最早一批探索具身基座模型的先行者，也是這個賽道最堅定的長期主義者。團隊累計發表40餘篇頂會論文，技術版圖覆蓋感知、決策、控制、數據與系統全棧；從雙系統、輕量化到多構型，一系列行業首創工作，都出自這支年輕團隊。他們的判斷很明確：機器人最終最廣泛進入人類生活的形態是雙足； 按照自動駕駛和大模型的進化路徑，端到端是效率最高的技術模式。這個判斷源自他們的一線研究經驗。早在2023年12月，丁鵬翔就開始給四足機器人裝「大腦」 。

他以一作身份發佈QUAR-VLA，是首個面向四足機器人的VLA任務範式，讓上層模型（大腦）負責理解視覺、 語言和任務意圖，再把決策交給底層運動系統（小腦）執行。這套「大腦管理解決策、小腦管運動執行」的分層思路，就是行業裡說的分層，今天 Figure這樣的公司都在沿用方案。在隨後的研究中，他逐漸發現了問題。他把分層描述為「理論上可行、但是不那麼優雅的方案」： 大腦和小腦各做各的，每接一個新任務，都要對上游輸出做定製化微調，才能把效果調好。更深一層，是結構上的先天缺陷。大腦和小腦分開訓練，部署時再拼起來，每個局部更好，也不能保證整體最優； 兩層之間每翻譯一次，就增加一次級聯誤差和信息損失。

丁鵬翔判斷，「只要分層，中間就有信息瓶頸，這種接口設計決定了分層架構無法實現真正意義上的Scaling。」 這一判斷也來自他對自動駕駛和大模型發展的長期觀察。早期自動駕駛依賴感知、預測、規劃、控制多個模塊協同，後來開始探索讓模型直接從數據中學習駕駛能力。特斯拉FSD轉向端到端後，性能大幅提升。在丁鵬翔看來，機器人可能也會經歷類似變化，讓模型從數據中學習完整的「感知—理解—行動」過程。他的邏輯是，從2023年開始已經把分層路線反覆做過，如果判斷未來的數據規模化最終會把系統推向端到端，就沒有必要再繞一次彎。這一步在2026年正在發生。

谷歌的Gemini Robotics 2已經用單一策略把從腳到指尖的全身動作統一進一個模型； RSS 2026的頂會共識卻寫明，端到端單模型無法覆蓋全身複雜動態，分層模塊化是現階段最優落地方案。共生知行押的純端到端，是一條更激進、更少人走的路。為什麼偏偏是雙足？丁鵬翔的答案是第一性原理：人類社會的建築、工具、環境，全是照著人的身體構型造的。輪式只能固定在產線和商場裡幹活，雙足能出門、上下樓、開車，還能跨場景完成不同任務。通用性意味著成本攤薄，雙足還有擬人化的親和感。時機同樣關鍵。2026年4月之前，雙足人形連通用遙操作模型都沒有，沒有數據來源就訓不出基座。

直到英偉達Sonic開源，行業才有了大規模生產數據的基石。這個方向已經不再處於「想訓也沒有數據」的早期階段，又還沒有成熟到路線完全收斂，共生知行賭的就是中間這個窗口。技術分水嶺：別人在學運動學，他們在啃動力學 先弄清一個分水嶺：現在絕大多數機器人基座模型，學的其實是運動學。運動學關心從A點到B點，手移動到哪裡、抓沒抓住，固定基座機械臂這麼幹沒問題，因為它不會倒。雙足機器人伸手去夠一個東西，身體重心會同時發生變化； 下蹲拿物體時，腰部要前傾，踝關節和腿部要重新分配力度、保持平衡； 再疊加摩擦、碰撞、慣性和接觸，模型面對的已經是一套全身動力學。

據丁鵬翔介紹，一臺g1雙足人形有29個自由度，比機械臂的7個自由度複雜得多。過去機器人學的是「動作軌跡」，人形機器人要學「身體如何在物理世界中行動」。從運動學到動力學，從完成任務到保持穩定，這是雙足機器人模型真正的技術分水嶺。這能解釋共生知行為什麼把模型一路做到Joint Target，也就是關節目標層。分層方案裡，大腦先輸出運動學目標，下游小腦再解算成關節動作； 共生知行把這個中間環節拿掉，讓模型直接面對幾十個關節的身體狀態。問題隨之而來：把小腦拿掉，機器人還站得穩嗎？光靠模仿學習，模型只學會標準動作，沒見過執行中各種踉蹌的身體狀態，遇到陌生狀態就可能直接摔倒。它缺的是從失敗裡站穩的能力。

共生知行的核心，是一套「任務行為建模—運動先驗蒸餾」的雙域協同優化機制。一條優化通路延續行為克隆，保證任務精度與動作擬合能力；另一條通過DriftDistill，將底層控制器積累的穩定性、抗擾動與Failure Recovery能力，轉化為統一模型的內生運動先驗。它並非簡單疊加兩個Loss，而是將「準確完成任務」與「穩定控制身體」兩類能力融入同一模型，讓大模型同時獲得任務智能與身體智能。如果DriftDistill能隨模型和數據量繼續擴展，它試圖解決的就是一個更大的問題： 在認知Scaling之外，機器人能不能連運動控制能力也一起Scaling。

丁鵬翔將這一運動能力匯聚模塊稱為Motion Expert（運動專家模型），目前規模接近1B，並通過蒸餾不斷吸收不同運控模型的能力。再往前一步，端到端大模型還要解決機器人輸出的力。今天很多機器人系統主要控制位置，但機器人真正進入現實世界後，位置正確並不等於任務完成。手伸到抽屜把手上，卻不知道該用多大力，門依然打不開；給人遞東西時位置沒問題，力量過大同樣不安全。共生知行的技術路線是先把Force Expert作為安全接觸專家，讓它學習施力、柔順、阻抗和接觸反饋，再通過策略蒸餾逐步融入Motion Expert和最終的端到端模型。位置決定機器人能不能「到那裡」，力決定它能不能真正「把事情做好」。

這也是共生「全身物理世界模型」的含義：讓模型理解身體怎樣受力、失衡、接觸，再把這些約束直接變成動作。數據、湧現，和一張冷靜的時間表 模型真正訓練起來，首先撞上的就是數據荒。全球合規機器人數據截至2026年初大約50萬小時，不足大語言模型的兩萬分之一。尷尬的是，很多數據採的是站定操作，機器人在格子間裡原地幹活，對全身移動操作幫助有限。共生知行的Blog放出了約1萬多小時數據，自採其中幾千小時。全身協調模型真正稀缺的是真實生活裡的強耦合全身移動操作數據，比如騎單車、開卡丁車、給籃球打氣等。

他們的解法是TrajBooster：從機械臂或輪式機器人身上提取末端軌跡，讓人形機器人在仿真裡追蹤這條軌跡並保持平衡，把不同來源的動作統一到同一個空間裡，複用機械臂已經定義好的任務多樣性，低成本給預訓練提供數據。談到模型能力，丁鵬翔幾乎不用「泛化」這個詞。用他的話說，「這個詞沒什麼營養，像說一個人好一樣空。」 他要的是「湧現」：在關節角層面，比如給模型訓練的是走和跳的數據，它在測試的時候自己組合出跑這個新的技能。因為只有到關節層面，部分動作能力才可能組合出全新動作。時間表上，他的判斷很冷靜。他推斷，十萬小時左右數據更多還是實驗室級Demo，真正有大規模商業意義，可能要等到百萬小時之後。

現在行業甚至連最合適的數據形式都沒有收斂，肌電、外骨骼、動捕、Pico遙操等路線仍在競爭。在他看來，人形機器人當前最難的三個問題，第一是感知和控制究竟應該怎樣Combine，第二是應該用什麼類型的數據，第三才是數據規模本身。丁鵬翔希望，有一天由中國團隊設計出來的機器人模型架構，也能反過來被北美同行廣泛採用。我們不希望當Follower，我們希望去引領技術的發展。回到那輛卡丁車。讓它全速過彎的，是一群還沒畢業的年輕人。他們押的，是具身智能裡最難、最前沿的方向。賭的是端到端終將取代分層。行業還遠沒有到可以證明終局路線已經跑通的時候，甚至丁鵬翔自己也承認，整個雙足基礎模型行業都還沒有真正收斂。

但一支創業團隊的前沿性，有時候恰恰不在於把一個成熟答案做得更快，而在於它能不能比同行更早看見下一道真正重要的問題，並且敢在答案還不明朗時動手去解。版權所有，未經授權不得以任何形式轉載及使用，違者必究。