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
内容提要
共生知行由年轻博士团队创立，专注于双足人形机器人端到端基座模型，通过让机器人驾驶卡丁车展示全身协同能力。团队认为端到端优于分层架构，并利用运动先验蒸馏等技术解决稳定性和力控问题，目标是实现机器人运动能力的规模化扩展。
延伸解读
端到端与分层之争：信息瓶颈是关键
文章指出，分层架构中大脑和小脑分开训练，部署时拼接，存在级联误差和信息损失，导致无法实现真正的Scaling。端到端模型直接学习感知到行动的映射，避免了中间翻译环节，可能更适应数据规模化的未来。这一判断基于自动驾驶从模块化转向端到端的经验，但当前行业尚未收敛，端到端能否最终胜出仍需验证。
双足机器人的技术分水岭：从运动学到动力学
传统机器人模型多基于运动学，关注位置和轨迹，但双足机器人需要处理全身动力学，包括重心变化、力控和平衡。共生知行将模型做到关节目标层，直接输出关节动作，并引入运动先验蒸馏（DriftDistill）来增强稳定性和抗扰动能力。这标志着从完成任务到理解身体在物理世界中行动的转变，是双足机器人模型的核心挑战。
数据稀缺与规模化路径：百万小时是关键门槛
全球合规机器人数据截至2026年初约50万小时，远少于大语言模型，且多为站定操作，缺乏全身移动数据。共生知行通过TrajBooster复用机械臂轨迹来扩充数据，但创始人认为十万小时数据仅够实验室Demo，商业意义需百万小时以上。数据形式也未收敛，肌电、动捕等路线竞争，数据规模与形式是行业当前的主要瓶颈。
Q&A
共生知行是一家什么样的公司？
共生知行是一家由年轻博士团队创立的公司，专注于双足人形机器人的端到端感控一体化“大脑”（基座模型），核心成员多为在读博士，公司成立仅两个月。
共生知行为什么选择端到端技术路线而不是分层架构？
团队认为分层架构存在信息瓶颈和级联误差，无法实现真正的Scaling；而端到端模型直接从数据中学习完整的感知-行动过程，效率更高，类似特斯拉FSD转向端到端后的性能提升。
共生知行如何解决双足机器人的稳定性问题？
他们采用“任务行为建模—运动先验蒸馏”的双域协同优化机制，通过DriftDistill将底层控制器的稳定性、抗扰动和失败恢复能力转化为模型的内生运动先验，使模型同时具备任务智能和身体智能。
共生知行如何解决机器人数据不足的问题？
他们开发了TrajBooster，从机械臂或轮式机器人提取末端轨迹，让人形机器人在仿真中追踪并保持平衡，将不同来源的动作统一到同一空间，复用机械臂的任务多样性，低成本生成预训练数据。
共生知行为什么选择双足人形机器人？
因为人类社会的建筑、工具和环境都是按照人体构型设计的，双足机器人能适应更多场景，如上下楼、开车等，通用性更强，成本可摊薄，且具有拟人化亲和感。
共生知行如何看待机器人的“涌现”能力？
他们追求在关节角层面的涌现，即模型在训练走和跳的数据后，能自己组合出跑等新技能，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。
共生知行认为人形机器人当前最难的三个问题是什么？
第一是感知和控制如何结合，第二是应该使用什么类型的数据，第三才是数据规模本身。
