Sonic：把人類動作壓縮成 4200 萬參數，就能開機器人的通用控制器

重點速覽 5 分鐘閱讀

Sonic 是機器人的『控制軟體』，不是機器人本身；重點在把任意輸入轉成關節動作。
多模態輸入（人體動作影片、語音、音樂、文字）→ 通用 token → 馬達指令的一條 pipeline。
訓練吃 128 GPU × 3 天，但成品只有約 4200 萬參數，手機就能跑，且開源免費。

一支示範影片裡，有人假裝在割草、耙落葉，旁邊的人形機器人就跟著把草割了、把葉子耙了。看起來像雜耍，但真正的重點不在那台機器人，而在控制它的軟體——一個叫做 Sonic 的通用機器人控制器。

這篇整理以 Two Minute Papers 的介紹影片為事實依據，把它拆成幾個技術重點。

Sonic 到底做了什麼

先講清楚定位：Sonic 的貢獻是「控制軟體」，不是硬體。

在示範影片裡，有一個人在做各種動作，機器人能夠理解這些動作，並把它翻譯成一連串 3D 空間中的關節位置。也就是說，這是一套遙控（teleoperation）控制器——人怎麼動，機器人就怎麼跟著動，而且是全身層級的理解，不是單純複製手臂軌跡。

因為它理解的是「整個身體的動作」，所以你可以叫它爬進你不想進去的狹小空間。這件事本身就很有用：探勘那些人類難以進入、或危險的區域。影片舉的想像應用包括協助救出被瓦礫壓住的人，或未來在不讓人類冒險的前提下探索其他星球。

它甚至能做功夫——前提是「示範的人自己會功夫」。

它是一套多模態系統

Sonic 真正誇張的地方，是輸入幾乎可以是任何東西。影片列出的輸入型態包括：

人體動作影片：拍你自己做動作
語音：用講的下指令
音樂：可以讓它跟著音樂跳舞（影片因版權沒放配樂，但確實能做）
文字：對比較簡單的任務（移動、模仿猴子之類），直接打字叫它做就行

而且它的動作很有「表情」。你可以要它「開心地走」「偷偷摸摸地走」或「像受傷的人一樣走」。

這裡有一個容易被低估的成就：它站得穩、不會跌倒。影片特別點出，過去就算是模擬世界裡的簡單角色，光是教它「走路不跌倒」都要成千上萬次嘗試；現在能直接做到這種穩定度，是一大跳躍。

它是怎麼學會的

Sonic 先看了 1 億幀（100 million frames）的人類動作，來理解人類怎麼動、動作之間怎麼銜接。

關鍵在於：它不需要人工標註的動作標籤。你不用去解釋「這個動作叫什麼、代表什麼意思」，它就是看原始動作，自己學會如何在不同任務之間平順地切換，中間不會出現不自然的停頓。

從輸入到馬達指令的 pipeline

整條處理流程可以這樣看：多模態輸入進來，先被轉成「人類動作」的表示，再被編碼、量化成一組通用 token（universal tokens），最後由 decoder 翻成馬達指令。

graph LR
    A["多模態輸入<br/>影片 / 語音 / 音樂 / 文字"] --> B[Motion Generator<br/>生成人類動作]
    B --> C[Human Encoder<br/>轉成 latent space]
    C --> D[Quantizer<br/>量化]
    D --> E["Universal Tokens<br/>通用 token"]
    E --> F[Decoder<br/>翻成馬達指令]
    F --> G[機器人執行]

這裡的「universal tokens」是整個設計的樞紐——不管輸入是影片、聲音還是文字，都會先被壓成同一種抽象的 token 表示，後面才統一解碼成動作。