如今，只需一个英伟达基础模型，就能教会人形机器人行走、奔跑、爬行、跳舞和操作物体。

英伟达的 SONIC（全称 "supersizing motion tracking for natural humanoid control"，即面向自然人形控制的超大规模动作跟踪）旨在赋予人形机器人全身控制能力，使其能够协调各关节、保持平衡并实时调整动作。

这款开源轻量级基础模型现已公开发布，英伟达于 7 月发布了一个检查点，可用于远程操作和视觉-语言-动作（VLA）驱动控制等应用。SONIC 背后的研究也于本月发表在 Science Robotics 期刊上，这是英伟达推动该模型触达更多工程师的一部分。

不同于以往的机器人控制方式

语言和视觉模型的参数规模已迅速扩展至数十亿，并在海量数据集上训练，而用于控制人形机器人运动的模型却一直相对较小——只需少量 GPU 即可运行，且仅针对有限的行为集合进行调优。过去，为机器人增加一项新技能或新动作，通常需要构建一个全新的控制器，这也解释了为什么人形机器人在跨任务泛化方面落后于软件层面的 AI 模型。

SONIC 正是为改变这一局面而设计。该模型利用超过 1 亿帧动作捕捉数据（相当于约 700 小时的人类动作），构建出单一的机器人训练模型。

"全身控制要求每个关节协同运作，同时保持平衡、处理接触并实时适应不断变化的运动目标，"英伟达总监兼杰出研究科学家 Yuke Zhu 对 AI Business 表示。

工作原理

SONIC 已在三个维度上得到验证：模型规模、训练数据和计算量，训练模型的参数量从 120 万到 4200 万不等。由此得到的控制器既能跟踪多种动作，也能适应训练中未曾见过的动作。

在 Zhu 看来，这代表着人形机器人编程方式的转变。

他说："SONIC 无需为单项技能手工设计控制器，而是通过大规模动作跟踪学习通用运动基础。同一套策略可由 VR、视频或 VLA 模型驱动，并能泛化到训练中未见过的行为。"

随着人形机器人从受控演示走向真实世界中不可预测的环境，这种灵活性将变得愈发重要——在这样的环境里，协调、平衡与恢复能力与目标任务本身同等重要。

在测试中，团队展示了 SONIC 完成的一系列任务，包括拿起电钻放入盒子、将汽水罐丢进垃圾桶，以及抓取胡萝卜、海绵和苹果等物体。机器人还在实时模仿人类演示者的同时，展示了功夫动作和地板爬行。

尚存的挑战

尽管取得了进展，SONIC 仍是一个研究系统，人形机器人控制中一些最棘手的问题尚未解决。Zhu 表示，富接触交互和高度受限的动作尤其具有挑战性，尤其是在仿真与真实世界表现之间存在差距的情况下。

他说："英伟达正在通过更丰富的训练数据、更好的仿真和域随机化来改进这些问题，而一些限制最终取决于机器人自身的物理能力。"

更大的考验在于，开发者能否将该设计从受控演示转化为实际部署——在真实部署中，可重复性和安全性将成为核心要求，而非次要考量。

Zhu 说："下一步是在多样化的真实世界环境中展示长期的鲁棒性、可靠性和安全性。这需要更广泛的验证、改进的仿真到现实（sim-to-real）迁移，以及贯穿整个机器人技术栈的生产级安全系统。"

SONIC 在英伟达框架中的定位

SONIC 是英伟达构建实体 AI 底层技术栈这一更宏大布局的一部分。这家芯片制造商日益将机器人业务定位为其 AI 平台的延伸，其 Isaac 和 Cosmos 生态系统涵盖机器人基础模型、仿真、合成数据以及在实体机器上部署 AI 模型的工具。

英伟达的 Isaac GR00T 平台负责解读指令、决定机器人应做什么，而 SONIC 则将这些意图转化为协调的物理动作。

Zhu 说："SONIC 是将高层意图转化为协调全身动作的运动基础模型。它将仿真和基础模型（包括 VLA 模型）与实时机器人控制连接起来，提供可复用的全身策略，而无需为每项任务单独开发新的底层控制器。"