SONIC：没人教过它走路

教机器人走路的经典做法，是当驯兽师：你没法拆开它的脑子往里塞知识，只能立规矩——做对了给分，做错了扣分，让它自己在仿真里试出高分动作。这套「给分规则」行话叫奖励函数（reward function，白话：机器人的 KPI）。听起来不难吧？下面是一台仿真里的 G1，四条最常用的规矩摆在桌上。勾选你觉得能教会它走路的组合，点「开练」。

注意它有多聪明——聪明得全用在钻空子上。只奖励「往前」，它发现一头栽出去是前进最快的方式；加上「别摔」，它学会像幽灵一样曳步滑行，KPI 满分，姿态吓人；再加上「省电」，它干脆罚站，一分电都不花。这不是这台机器人笨，恰恰是它太会考试：规则度量的是分数，不是你心里那个「走路」。强化学习圈给这个现象起了名字：奖励骇客（reward hacking）。而真正让工程师头秃的还在后面——假设你熬了几个月，真调出一套能看的走路 KPI。点「换个任务：跳舞」。

全军覆没。你为「走路」调的每一个权重，对「跳舞」都是废纸；爬起来、打拳、下蹲，每一样都得从头再来。论文开篇就把这本账摊开了：过去十年 AI 靠「做大」起飞——GPT 用两万五千块 GPU 训练——而人形机器人的控制policy，主流还是三层的小网络、几块 GPU、一次只学一个任务。不是不想 scale，是「一个任务一套 KPI」这条路在结构上就没法 scale。然而，有一种任务天生不需要写 KPI——它的标准答案，在人类身上已经录了几十年。

换个教法。不定义「什么是好」，直接给它一段真人的动作录像——动作捕捉（motion capture，白话：给真人贴满反光点，把骨架动画逐帧录下来）——然后命令只剩一条：跟上这个影子，每一帧都跟上。这个任务叫运动跟踪（motion tracking）。它和考卷式 KPI 的差别，全在学习信号的密度上。拖动时间轴，看两种教法一路上各自攒下多少条「学习信号」：

拖到头，账已经悬殊得不像同一门生意：考卷式攒了 0 条信号——还没走到终点，一分都没发；影子式已经攒了两千多条——每秒 50 帧，每帧 14 个部位（头、手腕、脚踝……），每个部位都有一支红色小线段在说「你偏了这么多，往这边修」。KPI 要人想破头去写，影子自带每一帧的标准答案。更妙的是教材现成：动捕是电影和游戏行业攒了几十年的家底，走跑跳舞、打斗、搬箱子、醉步全有。SONIC 团队搞来 700 小时动捕，把人的骨架逐帧换算到 G1 的 29 个关节上（这一步叫重定向），筛掉机器人做不到的动作（爬楼梯、盘腿坐），剩下 611 小时——一亿帧，每秒 50 帧的标准答案，33 个大类、8447 个动作小类。

然而「追影子」这个任务并不新，前人做过一票（论文老实列了七八家）。为什么以前没起飞？因为以前从没有人把它当 GPT 练——数据几小时、模型几层、GPU 几块。SONIC 的赌注就一句话：这个任务的信号密度，配得上一次真正的「做大」。

三个旋钮一起拧到底：模型从 120 万参数加到 4200 万；数据从 400 万帧加到 1 亿帧；算力从 16 块 GPU 加到 128 块，共 21000 GPU·时——一块卡不吃不睡要跑两年半。考题也够狠：考卷全是训练里从没出现过的动作种类（182 个全新小类，比如没学过的舞种）。先押注，再看结果：模型加大 35 倍，这些「没见过的动作」的跟踪成功率会怎么变？

成功率 98.0% → 99.6%，听着像在抠小数点？换个读法：一千次里摔 20 次，变成摔 4 次——失败被砍掉了五分之四。而且涨得最凶的恰恰是这些没见过的动作：如果只是死记硬背，见过的会更熟、没见过的原地踏步；实际是泛化在涨。跟踪精度也从 27.7 毫米进到 23.8 毫米——每个关节的平均偏差，比一元硬币的直径还小。数据轴、算力轴上是同样形状的曲线，而且到 1 亿帧还没见弯头。熟悉的配方第一次在陌生的地方生效了：scaling law，长进了身体。

然而，「会模仿一亿帧录像」听着还是像才艺表演。真本事得踢馆才见分晓——就说走路这个项目，行业里有的是练了专项十年功的冠军。

对手叫 OpenHomie：专为人形机器人走路设计的控制器，上半身听指挥、下半身专精速度跟踪，是这个单项上的行业强手。规则公平：同一台 G1、同一个物理引擎，给两边下同样的速度指令，看谁跟得上、谁先摔。拖动速度指令，从散步一路拖到冲刺：

1.5 m/s 之前平分秋色。1.5 一过，专项冠军的存活率直接跳水到 20% 以下；SONIC 一路稳到 4 m/s 附近——这已经是你在小区里狂追公交的速度。总账：存活率 98.5% 对 43.0%。为什么练「所有动作」的通才，反而在专项上赢了专才？因为专才的天花板是它的 KPI（你在第 1 节亲手领教过 KPI 的表达力），而通才的天花板是数据的多样性——一亿帧里藏着几千种「快要失去平衡时怎么办」。论文还补了一刀：OpenHomie 的算力加到 8 块 GPU 就再也涨不动了，SONIC 还在涨。多样性喂通才，比专精喂专才长得快。这句话你在语言模型那边听过一遍，现在身体也验证了。

真实世界也验了货：123 段动作上真机，成功率 99.2%，仿真里是 100%；偏差 25.7 毫米对仿真 22.3 毫米——最大的鸿沟在脚上（53.7 对 29.0 毫米），真实地面的摩擦从来不讲道理。然而说到底，tracker 只是个演员：给影子才会动。演出得有剧本——真上了街，谁来实时写影子？

行业的传统答案是动画库：预存几段走路、几段出拳，指令来了挑一段播放。毛病你在游戏里见过——两段动画切换的瞬间，角色僵住、跳帧、脚底打滑。SONIC 的编剧（论文叫它运动规划器）不查库存，它做填空题：把「现在的姿势」和「大约一两秒后要到达的姿势」钉在句子两头，中间的帧全部蒙住，让一个生成模型一轮一轮把空填上——和 BERT 做完形填空是同一门手艺，只不过词换成了姿势。选一个目标姿势，点「生成」，看它怎么填：

注意填空的顺序——不是从左到右，是先落最有把握的空，再逐轮啃难的，四轮收敛（每轮定稿多少个，按余弦节奏排定）。每段填空的长度 0.8 到 2.4 秒，由模型自己定；在笔记本上算一次不到 5 毫秒，在机器人肚子里的 Jetson 芯片上 12 毫秒；最快每 100 毫秒重写一次剧本——你手柄一推，下一段立刻改写。最妙的是账单：导航、拳击、蹲走、匍匐，加上醉步、伤腿、潜行这些走路风格，25 种技能每种只喂一段示范 clip，全部在训练结束之后才指定，一次都没重训。因为编剧真正会的是那门通用手艺——任何两个姿势之间的「接上」。技能，只是给填空题换个结尾。

然而剧本的来源远不止手柄：还有 VR 头盔、网络另一头的真人视频、会把音乐写成舞蹈的生成模型。每种来源的数据格式都不一样——难道每种都往策略里拉一根专线？

SONIC 的解法是在身体里立一道关卡：不管动作指令从哪来，一律先翻译成一种体内通用语——一个 64 维的离散编码，论文叫通用 token。三种来源各配一个翻译官（编码器）：机器人动作一个、真人骨架（视频/VR 全身）一个、「上半身三个点 + 下半身机器人动作」的混合遥操一个。翻译完，控制器只需要听得懂 token 这一种话。点下面三个输入源，看同一个「爬行」动作从三条路走进来，各自被翻译成什么：

看中间的 token 格子：三个来源翻出来的编码几乎一模一样——同一个动作，不管谁说的，进到体内都是同一句话。这不是碰巧，是训练时拿三条损失硬摁出来的：三个翻译官对同一动作的输出必须彼此靠拢（对齐损失）、从人的动作翻译过去再翻译回来必须还是原话（循环损失）、还有一条重建损失顺手把「人的骨架 → 机器人骨架」的换算学掉了——重定向不再是预处理，是翻译的一部分。点「拔掉插头」你已经看到了：没有这三条损失，三个翻译官各说各话，编码差距瞬间拉大 8 倍（0.57 → 4.23），从人类视频进来的动作直接没法看。而有它们在，用真人骨架控制和用机器人原生指令控制，精度只差 0.6 毫米。

现在退后一步看全景——这是组装时刻：§2 的追影子给了它一身功夫，§3 的大火把功夫炼到 99.6%，§5 的编剧实时写剧本，本节的三个翻译官把所有入口汇进同一个 token。一个 4200 万参数的策略，一套 token 接口，手柄、视频、VR、文字、音乐（文字和音乐先由一个叫 GEM 的生成模型写成人体动作，再走视频那条路进来）全部通吃。但这扇 token 之门真正的野心，是给一位你认识的客人留的——会说 token 的不止人类。

GR00T 篇的主角回来打工了：GR00T N1.5，那个看画面、听指令的 VLA 大模型，如今接上了 SONIC 的 token 接口。它不再输出手臂关节角，而是每步吐出 64 维 token（交给 SONIC 的解码器变成全身动作）加 14 维手指。为什么要绕 token 这一道，而不是让 VLA 直接输出人体姿态？先押注：教 VLA 干「捡起可乐罐、走到垃圾桶、踩踏板开盖、扔进去」这种长活儿，两种输出方式谁赢？赢多少？

差距不是几分，是平均 68% 对 27%；最长的那个任务上是 60% 对 0%——直接输出姿态的 VLA 一次都没成过。原因和你在第 1 节看到的「聪明用错地方」同源：81 维连续姿态空间里，预测的小误差会被物理世界放大成摔倒；64 维离散 token 是一门小语种，词表干净、每个词都对应一段学过的功夫，VLA 学得会、说不错。

然后是旅程本身。可乐罐那个任务串了五连招：走到桌边（腿）、单手拿起罐子（手）、拎着走到垃圾桶（腿 + 手拿稳）、一只脚踩下踏板掀盖、同时单腿站稳（脚当第二双手用）、把罐子扔进去。手、脚、平衡，第一次出现在同一串自主动作序列里——这恰恰是「上半身归上半身、下半身归下半身」的传统架构做不到的。成功率 60%，绝对值谈不上惊艳，但别忘了对照组是 0：能不能做到和做得多好，是两个次元的差距。训练这手活的示范数据，全部用 §6 那两套 VR 遥操界面采集——SONIC 自己给自己的下一任老师备了课。

整套系统现在都归你：速度、方向、姿态高度，全在你手上，规划器和 tracker 在幕后接活。三个挑战：① 把速度指令拉满到 6 m/s，看实际速度停在哪；② 全速时猛点「急转身」，看虚线的指令怎么被弹簧模型揉成实线的动作；③ 点「推它一把」——站着推、跑着推、趴着推，各试一次。

三个挑战的答案，对应它不摔的三层保险。指令拉到 6，实际速度停在 4 附近——6 只是指令的上限，真正的上限是 tracker 的功夫，多出来的部分被安静地吃掉了。急转身时，一个「临界阻尼弹簧」模型把 +6 到 −6 的悬崖指令揉成一条圆滑的曲线——乱来的命令进不了身体。至于推它：站着推，它踉跄两步站回来；趴着推，纹丝不动（重心低是物理外挂）；全速跑的时候推，它有时真的会摔——然后自己爬起来，因为「摔倒后爬起」这个动作，也在那一亿帧里，跟人学过。

学术锚点：本文来自 NVIDIA GEAR 实验室 2025 年 11 月的《SONIC: Supersizing Motion Tracking for Natural Humanoid Whole-Body Control》（arXiv:2511.07820）。部署与训练代码已开源（GR00T-WholeBodyControl），288 小时动捕数据以 BONES-SEED 数据集公开（14.2 万段、522 名演员）。本文做了不少简化：PPO 训练细节、不对称演员-评论家、域随机化、按失败率自适应采样这些工艺没有展开；文字与音乐控制背后的 GEM 生成模型一笔带过；所有图里的小人都是教学玩具，不是真实策略的输出；§4 的对决曲线按论文图 2 描摹，非逐点复刻。

回想你这一路亲手做过的事：你当过驯兽师，眼看自己写的每一条 KPI 被钻成空子，换个任务全部作废；你拖过时间轴，数过「考卷 0 条、影子两千条」的信号账；你押过 scaling 的注，看一千个点里的红点从 20 个熄到 4 个；你把速度拖过 1.5 m/s，看专项冠军跳水、通才稳到 4；你点过填空题，看中间帧按把握大小逐轮落定；你拔过一致性损失的插头，看三个翻译官瞬间各说各话；你押过 token 对姿态的赌局，见过 60% 与 0% 之间那道次元墙；最后你亲手推倒过它，看它自己爬起来。

把这些串成一句话，就是这篇论文对整个领域说的话：智能不必被逐条定义，它可以被大规模地模仿出来——只要信号足够密（每帧都有答案）、教材足够多（人类攒了几十年的动作）、锅足够大（128 块 GPU）。语言模型走过的路，身体正在重走一遍：先用海量人类数据练一个什么都会一点的底座，再让高层的脑子（VLA）用一门干净的小语种指挥它。下一站：回 GR00T 篇，看那颗慢脑怎么长在这副身体上；回 π0 篇，看「手上功夫」那条平行线；或者回总图《当 AI 长出手来》，看这颗棋子落在整张地图的哪一格。