论文《SONIC: Supersizing Motion Tracking for Natural Humanoid Whole-Body Control》发表于 2026 年 8 月 12 日的《Science Robotics》，来自 NVIDIA 等团队。论文此前已经以 arXiv 形式公开，最新版本为 2026 年 5 月的 v3。论文研究的问题其实很好理解：今天的人形机器人已经能走路、跑步、跳舞、蹲下甚至做武术动作，但很多时候，这些能力仍然需要分别训练。会走路的控制器，不一定会跳舞；会跑步的控制器，也未必能完成单脚站立或复杂的全身动作。SONIC想做的事情，就是把这些原本分散的能力，尽量装进一个统一的“运动大脑”里。
它的思路有点像今天的大语言模型。过去做自然语言处理，经常一个任务训练一个模型；后来发现，只要数据足够多、模型足够大，一个统一模型也能学会翻译、写作、问答等很多能力。SONIC想验证：人形机器人的运动控制，是不是也存在类似的“规模效应”？
研究人员收集了大量人体运动数据，包括走路、跑步、舞蹈、武术、蹲下、跪下、挥手、拿工具，甚至“喝醉酒一样走路”这样的特殊动作。然后把这些人体动作转换成人形机器人 Unitree G1 可以执行的动作，再放进模拟环境中进行大规模强化学习训练。
换句话说，研究人员并不是逐个告诉机器人：“现在学走路”“现在学跳舞”，而是统一告诉它一件事：尽可能准确地模仿给你的动作。
这种做法有一个很大的好处。每一段人体动作，本身就是现成的“标准答案”。机器人只需要不断比较“自己现在的动作”和“目标动作”之间的差距，然后慢慢学会控制身体。这样一来，只要不断增加动作数据，机器人理论上就可以不断扩展自己的运动能力。
SONIC最大的实验之一，就是不断扩大训练规模。研究人员把模型从大约120万参数扩大到1600万、4200万参数，同时把动作数据增加到超过1亿帧，并使用上百块GPU进行训练。结果显示，随着数据、模型和计算量增加，机器人对陌生动作的跟踪能力确实越来越好。
这并不意味着机器人领域已经出现了像大语言模型那样成熟的“Scaling Law”，但至少说明了一件重要的事：机器人运动能力同样可以从规模化训练中获益。
论文里另一个很有意思的设计叫做 Universal Motion Token，也就是“通用运动Token”。
可以把它理解成机器人的“动作词汇”。
在人类语言里，“走”“蹲”“挥手”是一些抽象概念；真正执行时，却需要几十块肌肉协同工作。机器人也是一样。上层AI最好不要直接控制几十个关节，而是给出一个更抽象的动作表示，再由底层控制系统把它展开成具体的关节运动。
SONIC就是这么做的。无论动作来自人体动作捕捉、VR遥操作、机器人自身轨迹，还是未来的视觉语言模型，都可以先转换成统一的Motion Token，再交给SONIC执行。
这就像给机器人建立了一套自己的“动作语言”。
这个设计对未来的VLA，也就是“视觉—语言—动作”机器人模型尤其重要。实验中，研究人员比较了两种方案：一种让上层AI直接预测完整人体姿态，另一种让AI预测Motion Token。后者的任务成功率明显更高。
原因其实很好理解。
如果让一个AI直接告诉机器人“左膝弯多少度、右脚抬多高、腰部转多少度”，只要有一点误差，真实机器人就可能失去平衡。而如果AI只需要表达“向前走一步”“蹲下”“抬脚踩踏板”这样的高层动作，再由SONIC负责具体的身体协调，系统就会稳定得多。
论文中的一个实验很有代表性：机器人拿着易拉罐走到垃圾桶旁，用脚踩下踏板，同时还要保持单脚平衡，然后把罐子扔进去。这不是简单的“机械臂抓取”，而是手、脚、躯干和平衡系统一起参与。
这也是SONIC非常重要的一点：它把走路和操作物体逐渐统一成了“全身运动控制”。
过去机器人系统经常把“腿负责移动”“手负责操作”分开处理。但对于真正的人形机器人来说，这种界限并不存在。人类搬箱子时会调整脚步，开门时会转腰，踩踏板时也会同时保持身体平衡。真正自然的人形机器人，也必须学会这种全身协调。
当然，SONIC距离真正的“机器人基础模型”还有明显距离。目前它主要针对Unitree G1训练，并没有证明同一个模型可以直接迁移到各种不同的人形机器人上。真实世界中的脚部接触、地面摩擦、机械误差等问题，也仍然比模拟环境复杂得多。
不过，这篇论文最值得关注的地方，并不是机器人又会了几个漂亮动作，而是提出了一种越来越清晰的机器人架构：
上层AI负责理解世界、理解语言和决定“要做什么”；SONIC这样的运动模型负责决定“身体该怎么动”；最底层控制器负责让电机真正稳定执行。
如果把人形机器人比作一个人，那么VLA更像“大脑”，SONIC更像“小脑”，电机和控制器则类似肌肉和神经。
未来的人形机器人，也许并不需要每个AI模型重新学习怎样走路、蹲下和保持平衡。就像人类不会每次拿杯子都重新学习控制肌肉一样，这些基本能力可能提前训练好，成为机器人共享的“运动基础能力”。
从这个角度看，SONIC真正想解决的并不是“怎样让机器人跳得更好看”，而是一个更大的问题：
能不能让机器人也拥有一种可以不断积累、不断扩展，并被各种上层AI直接调用的通用运动能力。