不做硅谷follower：几个读博的年轻人，押注双足人形的一体化大脑

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 不做硅谷follower：几个读博的年轻人，押注双足人形的一体化大脑 衡宇 2026-08-23 17:29:59 来源： 量子位 乔不迟 发自 凹非寺 量子位 | 公众号 QbitAI 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 。 我把视频放上来大家品品。 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D