10小时前 4亿参数“小脑”开源：HoloMotion-1 给人形机器人补上了哪块短板？

作者：余柯     排版：曹若曦     出品：机器人产业应用

前言

最近谈人形机器人，公众更关注“大脑”：它能不能听懂人话，能不能识别物体，能不能规划任务。但真正让机器人在现实世界站稳、转身、下蹲、挥手、踢腿甚至跳舞的，往往不是大脑，而是“小脑”。

这里的“小脑”不是生物学意义上的器官，而是机器人底层运动控制模型。它接收机器人自身状态、参考动作、速度或姿态目标，输出关节级控制指令，让几十个自由度在毫秒级时间内协同起来。人说“走过去拿杯子”，大脑负责理解“杯子在哪、路线怎么走”；小脑负责让机器人每一步不摔倒、上肢和躯干不打架、脚底接触稳定、动作连续自然。

地平线开源的 HoloMotion-1，核心价值就在这里：它不是再造一个聊天机器人，而是把人形机器人的运动控制模型做大、做快，并尝试做成可复用的基础模型。

01

什么是机器人“小脑模型”？

传统机器人控制常用分层架构：任务规划在上层，轨迹规划在中层，底层控制器负责电机力矩或关节位置。优点是可解释、稳定，缺点是面对复杂全身动作时工程量极大。比如机器人要从站立切换到蹲下，再伸手、转身、恢复平衡，躯干、髋、膝、踝、肩、肘、腕都要同步变化。每增加一种动作，控制策略都可能重新调参。

小脑模型的思路是：让模型从大量人体动作、仿真交互和机器人状态中学习“全身协调规律”。它不只学一个动作，而是学习一类动作分布。HoloMotion-1 的定位是人形机器人全身运动跟踪基础模型，即给定参考动作后，让机器人尽可能稳定、准确地模仿并执行。

这与“大脑大模型”的分工不同。大脑偏语义、推理、规划，频率可以较低；小脑偏连续控制、动态平衡、实时反馈，频率必须很高。大脑可以慢半秒想清楚，小脑不能慢半拍，否则机器人已经摔了。

02

HoloMotion-1 带来了什么不同？

HoloMotion-1 的差异主要体现在三个方面：模型规模、数据来源和端侧推理效率。

以往不少人形机器人控制策略采用 MLP，也就是多层感知机。MLP 很快，但对长时序动作、复杂运动风格和跨数据分布的表达能力有限。HoloMotion-1 使用 MoE Transformer，把控制模型推到 4 亿参数量级，同时通过稀疏激活控制计算量。通俗说，它有一个很大的“动作知识库”，但每一帧只调用其中少数相关“专家”。

这张表说明一个关键点：HoloMotion-1 不是简单“参数越大越好”，而是“总容量大、单步计算小”。总参数 4 亿，单步实际激活约 700 万。相比传统小模型，它可以覆盖更复杂的动作分布；相比普通密集大模型，它又不会把全部参数都算一遍。

03

MoE 和 KV-cache 为什么能让它跑到 300FPS？

MoE 是 Mixture-of-Experts，中文常译为“专家混合”。可以把它理解为一个由多个子网络组成的系统。每来一帧机器人状态，路由器先判断当前更像哪类运动：走路、转身、下蹲、踢腿、手臂摆动，或者多个动作的组合。随后只激活少数专家参与计算。这样，模型总容量可以很大，但每一步的计算成本保持较低。

KV-cache 是 Transformer 推理中的缓存机制。Transformer 需要关注过去一段时间的状态，才能理解动作连续性。如果每一帧都把过去所有状态重新算一遍，计算量会随时间窗口急剧上升。KV-cache 会把历史注意力中的 Key 和 Value 存起来，下一帧只计算新增状态，再与缓存交互。结果是：模型保留时序记忆，但避免重复计算。

这两者合起来，构成 HoloMotion-1 的实时性基础：MoE 减少“每帧要算多少参数”，KV-cache 减少“每帧要重复算多少历史”。因此它能在机器人端侧计算模块上达到约 200–300Hz 推理速度。

但这里要避免一个误解：300FPS 不等于机器人电机以 300Hz 直接执行所有控制。论文中真实机器人控制环固定为 50Hz，模型推理更快意味着系统有更多实时余量，可用于状态估计、通信、安全检查和控制缓冲。端侧高速推理的价值，不是炫技，而是降低闭环延迟，让动作更稳、更及时。

至于和芯片的关系，可以概括为一句话：模型结构决定“少算什么”，芯片决定“剩下的算得多快”。MoE、KV-cache、低精度矩阵计算、内存带宽和算子优化共同决定最终帧率。公开资料并未把 300FPS 归因于某一颗具体芯片，因此更准确的表述应是：这是模型结构、推理工程和端侧算力协同的结果。

04

零样本迁移到底省了什么成本？

“零样本迁移”容易被误读成“什么机器人、什么场景都不用训练”。这不准确。HoloMotion-1 当前更明确的能力，是对未见过动作和动作来源的泛化，以及在特定真实人形平台上的直接部署验证。它不是万能控制器，也不意味着换任意机型都能即插即用。

即便如此，它仍能显著降低三类成本。

第一，降低动作采集成本。传统控制策略往往依赖高质量 MoCap，即动作捕捉数据。MoCap 精度高，但采集贵、覆盖窄。HoloMotion-1 引入大量野外视频（真实、非受控的自然环境中拍摄的视频）重建动作，再用 MoCap 和自有数据补充高质量监督，使动作多样性更容易扩展。

第二，降低专项训练成本。过去做一个舞蹈、下蹲、爬行或武术动作，可能要单独采集、训练、调参和仿真验证。基础小脑模型的意义在于，把大量动作共性先学好，新动作更多通过参考轨迹和重定向进入系统，而不是每次从零训练。

第三，降低真机试错成本。人形机器人真机训练代价高，摔一次可能损坏关节、电机或结构件。若模型能在仿真中学习更多扰动、摩擦、质量偏差和动作延迟，再迁移到真机，整机厂可把更多风险前置到仿真阶段。

当然，零样本不是免验证。真实部署仍需要机器人动力学参数、关节限位、执行器性能、传感器延迟、安全策略和场景边界的工程校准。

对整机厂，最大利好是缩短从“能走”到“能做动作”的路径。开源模型、训练流程和评测框架能提供一个公共基线，减少重复造轮子。厂商可以先用预训练策略做离线动作复现、在线遥操作或演示动作，再逐步叠加自有硬件适配和安全层。

对零部件企业，利好在于形成更真实的控制负载。电机、减速器、传感器、计算模组和电池企业过去常用单项指标宣传性能，但人形机器人真正需要的是系统级闭环表现。小脑模型普及后，零部件可以围绕真实动作任务评估：关节响应够不够快，编码器噪声会不会影响平衡，计算模块能不能稳定低延迟运行，散热和功耗能否支撑长时间运动。

对开发者和高校，开源的意义更直接：有了可复现基线，就能围绕动作数据、仿真环境、迁移学习、安全约束和跨机型适配继续研究。人形机器人不缺概念，缺的是能被验证、能被复用的工程起点。

05

哪些场景可能率先受益？

高速小脑模型最先推动的，未必是复杂家务，而是对“全身运动表现”要求高、对复杂物体操作要求相对低的场景。

第一类是展演、文旅、商业导览。跳舞、挥手、迎宾、讲解、队列动作，核心是动作自然、稳定、可快速编排。HoloMotion-1 这类模型能让机器人更快生成多样化动作，减少逐个动作调参。

第二类是远程操控和训练。通过 VR、惯性动捕或遥操作设备，人可以给机器人输入身体动作，小脑模型负责把人体动作转成机器人可执行的全身控制。这适合危险环境巡检、应急演练和专业训练。

第三类是工业和仓储中的移动辅助。短期内，人形机器人未必能独立完成复杂装配，但稳定行走、转身、蹲起、搬运姿态切换和上肢协同，会直接影响其进入半结构化场景的速度。

更长期看，真正的通用人形机器人需要“大脑”和“小脑”合流：大脑理解任务，小脑保证动作可执行，感知系统实时修正环境变化，安全层负责约束边界。HoloMotion-1 的价值不是让机器人突然具备通用智能，而是把长期被低估的底层运动控制，推进到基础模型阶段。

06

结语

人形机器人商业化的瓶颈，不只在“听懂人话”，也在“身体听话”。HoloMotion-1 的开源信号很明确：运动控制正在从手工调参、小模型策略，走向大规模数据、基础模型和端侧实时推理。

它的亮点不是单一的 4 亿参数，也不是单一的 300FPS，而是把大容量模型、稀疏计算、时序缓存、混合动作数据和真机部署放进同一条链路。对行业而言，这意味着机器人“小脑”开始有了可共享、可评测、可迭代的底座。

但也要冷静看待：当前 HoloMotion-1 主要解决“模仿任意姿态”的第一阶段问题，面向任意指令、复杂地形和跨机型泛化仍是后续挑战。人形机器人真正落地，还要跨过硬件可靠性、安全规范、成本控制和场景闭环。小脑变强，是必要条件，不是全部答案。