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？

「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。