机器人的小脑，被做成了 4 亿参数的大模型，还全开源了

事情是这样的。

地平线昨天开源了一个叫 HoloMotion-1 的模型，4 亿参数。

我看到 4 亿这个数字，第一反应是，这也好意思叫大模型？现在随便一个开源 LLM 都是几十上百亿参数起步，4 亿放在搞语言的那个圈子里，属于能在手机上随便跑的那种小不点。

但它前面挂的定语是，机器人小脑大模型。

然后我顺手去翻了下机器人控制这个领域以前的模型规模。好家伙。百万级、千万级是常态。也就是说在机器人运动控制这块，4 亿参数不是小，是把以前的天花板直接顶穿了一两个数量级。

同一个数字，在 LLM 圈里是尘埃，在机器人圈里是巨兽。光这个错位，我觉得就够聊一篇了。

先把小脑这个词展开讲讲，不然后面没法往下聊。

人有大脑也有小脑。你现在端着杯子走路、刷手机、还能顺手躲开地上那个没拆的快递盒，这一整套动作里，真正需要你「想」的部分其实极少。决定去厨房接杯水，这是大脑的事。但怎么迈腿、怎么在重心偏掉的瞬间自动修正、手一抖怎么稳住，这些是小脑在后台默默跑，根本不占用你的意识。你甚至感觉不到它在工作。

机器人这两年最热的是大脑，也就是各种具身大模型、VLA（Vision-Language-Action，视觉语言动作模型，简单说就是给机器人接一个能看能听能想的大模型，让它听懂「把桌上的杯子拿给我」这种人话）。发布会上大家抢着秀的，几乎都是大脑这部分，理解力、推理、能不能听懂复杂指令。

小脑这块一直没什么声量。因为它又脏又累，还特别不出彩。它干的活是，在毫秒级的时间窗口里，根据机器人当前的姿态，算出几十个关节下一刻各自该出多大力，而且基本不能算错，算错机器人当场就摔给你看。这活儿对实时性的要求高到变态，行业里常见的控制频率要求是 50Hz，也就是每秒钟得做 50 次这样的决策（Hz 是赫兹，每秒发生的次数），频率低了机器人就抖、就僵、就栽。

所以这个领域长期的活法是，模型尽量做小，小到能在机器人身上那块算力捉襟见肘的板子上飞快跑完一轮。小模型，加大量人工调参，再给每一种动作单独训练。会走路的不一定会跳舞，好不容易会跳舞了，换一台机器人又得从头调。这种又苦又不被看见的工程活，干了多少年了。

你这两年在网上刷到的那些人形机器人精彩片段，宇树的 G1 跳舞、Figure 在流水线上搬零件、特斯拉 Optimus 叠衣服、波士顿动力 Atlas 翻跟头，单看每一个都挺震撼。但你要是稍微多看几个就会发现一个尴尬的事实，它们大多是一台机器人，针对一个特定场景，用强化学习（reinforcement learning，让机器人在仿真环境里反复试错，做对了给奖励，慢慢把一个动作磨出来）单独练出来的。这个会翻跟头的不一定会稳稳搬箱子，那个会叠衣服的换个地面材质可能就翻车。每多一个技能，背后是又一轮仿真、调参、再仿真。会的动作多了，工程量是叠加的，不是免费的。这件事一直没被解决，谁能用一个模型把一堆技能零样本通吃，谁就算真往前迈了一步，而不是又录了一段好看的 demo。

中间还隔着一道叫 sim-to-real 的坎。模型大多在仿真器里训练，仿真里的摩擦力、电机延迟、传感器噪声跟现实永远对不齐，仿真里跳得好好的，搬到真机上当场表演劈叉，这个落差能耗掉团队半条命。所以你看人形机器人这行，热闹归热闹，真正难的从来不是让它做出某一个动作，是让它换个动作、换台机器、换个地面，还稳得住。

HoloMotion-1 干的事，是反着来的。它偏要把小脑做大，做到 4 亿参数，然后再想办法让这个「大」还能在机器人本体上跑出 300FPS。

300FPS 是个什么概念。前面说过，控制频率一般 50Hz 就够用，50Hz 摊下来每次决策的预算大概是 20 毫秒。HoloMotion-1 在机器人本体那点算力上能跑到约 300FPS，等于单步只花三点几毫秒，把行业要求线甩在身后六倍。算力上凭空多出来这么一大块余量，这块余量，就是它敢把模型做大的底气所在。

它靠两样东西做到的。

一个是 MoE 稀疏激活。MoE 是 Mixture of Experts，混合专家，你可以理解成模型内部养了一群专家，每次干活只叫醒跟当前任务相关的那几个，其余的继续睡。所以参数总量是 4 亿，但每一步推理真正参与计算的只是一小撮。又大又快这件事，就是这么来的。

另一个是 KV-cache，键值缓存，推理的时候把前面已经算过的中间结果存下来，下一步直接拿来复用，不重复算第二遍。这玩意儿在 LLM 推理提速里是个老熟人了，现在被原样搬到了机器人小脑上。

这两个词，你要是天天泡在 LLM 圈，大概会觉得平平无奇，不就这些么。但它俩出现在一个跑在机器人本体上、要求 300 帧硬实时的运动控制模型里，我盯着技术报告看了一会儿，有点子牛逼。等于是把大模型推理那一整套省算力的工程经验，整建制搬进了一个完全不同的领域，而且是真跑通了，不是 PPT 上跑通。

多出来的那六倍余量到底买到了什么，这事值得多想一层。控制模型过去被按着做小，不是大家不想做大，是做大了那块板子带不动，单步推理一超过 20 毫秒，整个控制环就崩了，机器人原地变雕塑。模型一小，能记住的动作模式就有限，泛化能力天然受限，这是被算力逼出来的妥协，妥协了很多年。HoloMotion-1 把单步压到三点几毫秒，省下来的这部分时间预算，可以拿去喂一个大得多、因此见过的动作分布广得多的模型，也可以留着给后面接更重的感知。它真正撬动的不是某个 demo 帧率好看，是把这个领域被算力锁死的那个天花板，往上抬了一截。这个抬法，厉害了。

接下来这块，我觉得才是最有意思的。

它的训练数据，是杂食的。互联网上扒下来的视频、光学动捕、VR 遥操作、惯性动捕，四种来源混在一口锅里。

这里得停下来解释几个词，不然容易糊。动捕就是 motion capture，动作捕捉，给真人贴一身标记点或者穿一套传感设备，把人的动作录成数据。光学动捕精度高但贵，得有专门场地和一圈摄像头围着。惯性动捕便宜不少，靠穿在身上的惯性传感器。遥操作（teleoperation）是人远程操控机器人，操控这个过程本身，就是一份现成的「人希望机器人怎么动」的数据。

这四种数据，精度、噪声水平、坐标系、采集方式，全不一样，凑一块儿是会打架的。HoloMotion-1 弄了一套统一的处理和动作重定向流程，把它们都翻译成机器人学得动的训练数据。动作重定向（retarget）这个词解释一下，人的骨架结构和机器人的关节结构是两回事，你不能把人抬胳膊的那个角度原样抄给机器人，得做一次翻译，让机器人用它自己那副身板，做出一个「等效」的动作，这一步就是 retarget。最离谱的是从互联网视频里学，那是从一段二维的、糊的、抖的视频里，把人物的三维动作给恢复出来，再翻译给机器人，这中间隔了好几层。

喂下这么一锅杂粮之后，它端出来的是零样本迁移。零样本（zero-shot）的意思是，没有针对这个具体动作单独训练过，模型上来直接就能做。地平线放出来的清单是这样的，高动态的舞蹈动作来自互联网视频，爬行、坐下、高踢腿这种身体跟地面、跟自己大量接触的动作来自高精度光学动捕，健身动作来自便宜的 VR 设备，搬箱子这种要跟外部物体较劲的来自惯性动捕。

我把这份清单读了两遍。它挑的这几个动作，不是随手挑了几个好看的拿来炫，是恰好覆盖了人形机器人全身控制里最难啃的那几块，大幅度肢体运动、低姿态动作、接触丰富的动作、动态平衡、实时遥操作跟踪。每一个动作都精准对着一个老大难。这份清单怎么排的，我闻到一股工程师的较真劲，像是在说，你们觉得最难的这几样，我一个模型零样本全给你做了，挑不出毛病的那种全。

但我盯着这份数据来源单子看，越看越觉得，真正的故事可能不在那个跳舞视频里，在「互联网视频」这四个字上。

机器人这行最深的那口井，从来不是模型不够大，是数据不够。语言模型为什么这几年起飞，因为整个互联网就是它的训练集，文字到处都是，几乎免费。可机器人要的是动作轨迹数据，这玩意儿网上没有，得真人穿着动捕设备一段一段录，或者真机一次一次遥操作攒，又慢又贵，攒一辈子也比不上互联网上文本的零头。这是压在具身智能头上很多年的一块石头。HoloMotion-1 把互联网视频塞进数据来源，等于是在试着撬这块石头，世界上拍了人在动的视频海了去了，如果能稳定地从这些二维视频里把三维动作恢复出来、再 retarget 给机器人，机器人就第一次有了一个像文本之于语言模型那样、近乎无限的廉价数据源。能不能真撑起来还得看后续，但这个方向，比那段跳舞 demo 重要得多。

还有一点我觉得不是巧合。这事是地平线做出来的。地平线这家公司是做车规级芯片、智能驾驶起家的，常年跟一个特别拧巴的约束死磕，算力就这么点，功耗卡得死死的，延迟还不能高，模型必须在这三座大山中间找活路。机器人小脑面对的是同一类约束，板子小、不能等、不许错。一家被端侧算力毒打了这么多年的公司，转过头来做小脑大模型，反而把 MoE 和 KV-cache 这套省算力的手艺用得这么顺，回头看，顺理成章。技术的迁移，常常就是这么发生的，不是凭空蹦出个点子，是一群人被同一种约束磨久了，手上长出了茧，换个场景，茧还在。

那对我们这些写代码、手里没有人形机器人的人，这事到底有啥用。

直接的用处，坦率讲可能没有，大部分人确实没有一台人形机器人摆在工位上。但它开源的方式，值得单独说一句。

代码、论文、权重、环境，地平线这次是一整套全给了。

GitHub 代码库 https://github.com/HorizonRobotics/HoloMotion

技术报告 arXiv https://arxiv.org/abs/2605.15336

模型权重 HuggingFace https://huggingface.co/HorizonRobotics

Docker 镜像 https://hub.docker.com/r/horizonrobotics/holomotion

项目主页 https://horizonrobotics.github.io/robot_lab/holomotion

代码、论文、权重、环境，一整套全的。这在机器人领域，真不算常规操作。机器人这一行的开源，长期是雷声大雨点小，论文发得漂漂亮亮，最关键那部分往往「出于安全和商业考虑」不放出来，你兴致勃勃复现到一半，发现卡在一个没开源的模块上，干瞪眼。地平线这次连 Docker 都给了，传达的意思很明确，它是真希望有人能在自己机器上把它跑起来，而不是看完一段跳舞视频鼓个掌就散了。

说真的，对没有真机的开发者，这套东西最大的价值是当教材。它是一个把 MoE、KV-cache 这些原本长在 LLM 推理优化里的手段，成功移植到一个硬实时、低算力、不允许出错的场景里的完整工程样本，而且论文、代码、可跑环境，齐活。这种跨领域把成熟经验搬过去的思路，比那个跳舞 demo 本身值钱得多。你哪怕是做后端的，去看它怎么在算力被死死卡住的前提下，硬是把一个大模型塞进去还跑出六倍余量，这里面是有东西能拿走的。

真要看，我的建议是别上来就盯模型结构。先去翻技术报告 https://arxiv.org/abs/2605.15336 里那套四源数据怎么统一对齐、retarget 流程是怎么搭的，那部分的工程含量，往往比网络结构高，也更可迁移。然后再回 GitHub 仓库 https://github.com/HorizonRobotics/HoloMotion 对着代码看推理那条路径，重点是它怎么把 MoE 的路由和 KV-cache 在一个有硬延迟预算的循环里调度起来，这套调度思路，你做高并发服务、做实时流处理，迟早用得上，场景换了，约束的形状是一样的。它给了 Docker 镜像，你哪怕没有机器人，也能在自己机器上把推理跑起来看一眼数字，对一个开源项目来说，能让人五分钟内跑起来，这点诚意，棒棒的。

这也是我一直觉得值钱的东西，不是又一个模型刷新了某个榜，是有人把一个看起来八竿子打不着的领域的解法，原样搬过来，居然成了。这种迁移嗅觉，比记住任何一个具体模型都更扛用。

我自己还没在任何机器人上真跑过它，手头也没那个硬件，所以真机到底表现如何，我不敢替地平线打这个包票，这话得放在前面说清楚。但光把技术报告和这套开源结构从头过一遍，我已经觉得这一篇值得写下来。

写到这儿，我又想起开头那个错位。4 亿参数，在管语言的那个圈子里小到是尘埃，在管运动的这个圈子里大到是巨兽。

这两年所有的目光都钉在大脑上，谁更会想，谁更会聊，谁规划得更远。可你真要让一台机器人帮你把一箱书从这屋搬到那屋，决定「要搬」这件事零点几秒就过去了，剩下的全是小脑的苦活，怎么蹲下去不闪、怎么把箱子抱得稳、怎么在负着重的情况下走得不晃。决策很轻，执行很重。

人其实也是这样。我们总觉得自己最值钱的地方是会想，但你静下来仔细想想，一天里真正动用「想」的时间能有多少，剩下大把的时间，是身体在自动驾驶，是小脑在底下默默替你扛着，你才腾得出那点脑子，去焦虑别的事。

地平线这一下，是把机器人那个一直在后台扛着、从来没人鼓掌的小脑，认认真真当回事做了一次，还顺手把图纸全摊开了，给所有人看。

机器人能不能真的走进我们的生活，可能压根不取决于它有多会想，而取决于它会不会好好走路。