如今，人形機器人只需透過單一 Nvidia 基礎模型，就能學會行走、奔跑、爬行、跳舞與操作物體。

Nvidia 的 SONIC——全名為「supersizing motion tracking for natural humanoid control」（自然人形控制的大規模動作追蹤）——旨在為人形機器人提供全身控制能力，使其能夠協調關節、維持平衡並即時調整動作。

這個開源的輕量級基礎模型現已公開釋出，Nvidia 並於 7 月發布檢查點，適用於遠端操作與視覺-語言-動作（VLA）驅動控制等應用。SONIC 背後的研究也已於本月刊登在《Science Robotics》，是 Nvidia 推動讓更多工程師使用該模型的一環。

機器人控制的不同做法

雖然語言與視覺模型迅速擴展，納入了在海量資料集上訓練的數十億個參數，但用於控制人形動作的模型卻一直相對小型——僅由少數幾張 GPU 針對有限的一組行為進行調校。為機器人增加新技能或新動作，通常需要打造全新的控制器，這也有助於解釋為何人形系統在跨任務泛化上的進展，一直慢於軟體形式的 AI 模型。

SONIC 的設計正是要改變這一點。該模型運用超過 1 億幀動作捕捉資料——約相當於 700 小時的人類動作——打造出單一的機器人訓練模型。

Nvidia 總監暨傑出研究科學家 Yuke Zhu 向 AI Business 表示：「全身控制需要每個關節彼此協調，同時維持平衡、處理接觸，並即時適應不斷變化的動作目標。」

運作原理

SONIC 已在三個層面獲得驗證：模型規模、訓練資料與運算資源，訓練模型的參數量介於 120 萬到 4,200 萬之間。其成果是一個既能追蹤多種動作、又能適應訓練期間未曾接觸過之動作的控制器。

對 Zhu 而言，這代表了人形機器人程式設計方式的轉變。

他表示：「SONIC 不再為個別技能手工設計控制器，而是透過大規模動作追蹤學習通用的動作基礎。同一套策略可由 VR、影片或 VLA 模型驅動，並能泛化到訓練期間未見過的行為。」

隨著人形機器人從受控展示邁向難以預測的真實世界環境，這種彈性可能變得日益重要——在這些環境中，協調、平衡與復原能力與目標任務本身同等關鍵。

在測試中，團隊展示了 SONIC 執行的多項任務，包括將電鑽拿起並放入盒子、把汽水罐丟進垃圾桶，以及操作紅蘿蔔、海綿與蘋果等物品。機器人也被展示能一邊即時模仿人類示範者，一邊表演功夫並在地板上爬行。

尚存的挑戰

儘管已有進展，SONIC 仍是一個研究系統，人形控制中若干最困難的問題尚未解決。Zhu 表示，富含接觸的互動與高度受限的動作尤其具有挑戰性，特別是在模擬與真實世界表現存在落差之處。

他說：「Nvidia 正透過更豐富的訓練資料、更好的模擬與域隨機化來改進這些問題，而某些限制最終仍取決於機器人的物理能力。」

更大的考驗在於開發者能否將這套設計從受控展示轉化為實際部署——在實際部署中，可重複性與安全性將成為核心要求，而非次要考量。

Zhu 表示：「下一步是在多樣化的真實環境中展現長期的穩健性、可靠性與安全性。這需要更廣泛的驗證、更完善的模擬到真實轉移，以及整合到整個機器人技術堆疊的量產級安全系統。」

SONIC 在 Nvidia 架構中的定位

SONIC 是 Nvidia 打造實體 AI 底層技術堆疊更廣泛布局的一環。這家晶片商日益將機器人定位為其 AI 平台的延伸，其 Isaac 與 Cosmos 生態系涵蓋機器人基礎模型、模擬、合成資料，以及將 AI 模型部署到實體機器上的工具。

Nvidia 的 Isaac GR00T 平台旨在解讀指令並決定機器人該做什麼，而 SONIC 則將這些意圖轉化為協調的物理動作。

Zhu 表示：「SONIC 是將高層意圖轉化為協調全身動作的動作基礎。它將模擬與基礎模型（包括 VLA 模型）連接到即時機器人控制，提供可重複使用的全身策略，而無需為每項任務打造新的低階控制器。」