捂脸跑”机器人夺冠背后：当AI的“最优解”比人类姿态更高效，生物力学该向具身智能学什么？
发布时间：
2026-09-20 12:14
来源：
当人形机器人以一个"捂着脸"、躯干前倾的滑稽姿态冲过终点线时，观众记住的是表情包，运动科学界看到的却是另一件事：那不是失控，而是算法在奖励函数约束下收敛出的"最优解"。当AI的姿态判断开始比人类经验更省能、更高效，生物力学研究该从具身智能身上学什么？
"捂脸跑"看似怪异，本质是强化学习在奖励函数（前进速度、能耗、稳定性）驱动下搜索到的次优但稳健的步态。《国际机器人研究杂志》的综述指出，深度学习的兴起、物理仿真的快速进步以及高性能低成本硬件的普及，共同加速了基于学习的运动控制方法爆发，并正从四足平台迅速扩展到双足与人形机器人[1]。为弥合仿真与现实的"reality gap"，主流做法是域随机化：在随机扰动的仿真环境中训练策略，使其对未知干扰天然鲁棒[2]。
有趣的是，机器人学界正在重新审视这些"怪姿势"背后的力学：对鸟类与双足机器人跑步的研究表明，躯干俯仰振荡可以在质心能量波动与髋腿做功之间取得权衡，是被传统机器人控制长期忽视的节能手段[3]。
而AI"在仿真中找最优"的路线，已经反向输出到人体——2024年《自然》杂志的研究仅凭仿真训练外骨骼控制策略，便在真人实验中使步行代谢率降低24.3%、跑步降低13.1%、爬楼梯降低15.4%，全程无需人工调参实验[4]。
人类的跑姿从来不是全局最优解。跑步经济性本身是代谢、心肺、生物力学与神经肌肉特征的综合体现，个体差异极大[8]；对可改变生物力学因素的系统综述也显示，并不存在唯一的"经济跑姿"——步长保持在偏好步长附近（最多可比偏好步长短3%）、更小的重心垂直振幅、更大的腿刚度、更低的双肌协同激活等因素，才共同构成节能特征[9]。换言之，人类以"个体化偏好"替代了"全局寻优"。
神经生物学层面，中枢神经系统用"肌肉协同"简化运动控制。一项覆盖63名受试者、超过100次采集的研究发现：从学龄前儿童到精英马拉松选手，肌协同在发育中被拆分（fractionation）、在训练中融合（merging），特定融合模式与跑步效率的升降显著相关[10]。训练确实在重塑运动模块——人类本就是被"生物约束+经验"共同塑形的具身智能。
计算生物力学则从另一侧给出了印证：给神经肌骨模型写明"能耗+用力最小"的多目标性能准则，预测仿真便能再现健康人群的多样步态，平均36分钟即可完成一次求解，比既有方法快20倍以上[5]；以OpenSim Moco为代表的开源最优控制工具，正在把这类能力交给更广泛的生物力学研究者[6]。运动控制的"最优性原理"，正被AI工具链逐条验证[7]。
具身智能给人体运动科学留下了三条可迁移的路径：把评价目标写清楚（用客观数据替代模糊经验）、用仿真批量探索（低成本试错）、用实测数据闭环验证。
这正是现代运动生物力学实验室的闭环工作流：先用SMART-DX EVO 智能运动捕捉系统高精度采集三维运动学数据，获取关节角度、步态时相等基础参数；再由BOB 人体运动生物力学分析软件驱动人体肌骨模型，计算关节力矩、肌肉做功与能量代谢等深层力学量；最后将结果反馈到AI优化的训练方案中，量化每一轮训练对跑姿经济性的边际改进[8]。
换言之，机器人靠奖励函数学会"捂脸跑"，运动员则可以靠"动作捕捉—肌骨建模—AI优化"的测量闭环，在不丢失个体偏好的前提下逼近自己的最优解。生物力学不必羡慕具身智能的算力——它可以借鉴其方法论，成为"人"这一具身智能体的训练算法工程师。
结语："捂脸跑"夺冠的启示不是"机器更强"，而是"最优"有了新解法。当训练方案AI优化与运动捕捉、肌骨仿真合流，生物力学研究者的角色，正在从"测量者"转变为"目标函数的设计者"。
[1] Ha S, Lee J, van de Panne M, et al. Learning-based legged locomotion: State of the art and future perspectives[J]. The International Journal of Robotics Research, 2025, 44(8): 1396-1427.
[2] Muratore F, Ramos F, Turk G, et al. Robot Learning From Randomized Simulations: A Review[J]. Frontiers in Robotics and AI, 2022, 9: 799893.
[3] Drama Ö, Badri-Spröwitz A. Trunk pitch oscillations for energy trade-offs in bipedal running birds and robots[J]. Bioinspiration & Biomimetics, 2020, 15(3): 036013.
[4] Luo S, Jiang M, Zhang S, et al. Experiment-free exoskeleton assistance via learning in simulation[J]. Nature, 2024, 630(8016): 353-359.
[5] Falisse A, Serrancolí G, Dembia C L, et al. Rapid predictive simulations with complex musculoskeletal models suggest that diverse healthy and pathological human gaits can emerge from similar control strategies[J]. Journal of the Royal Society Interface, 2019, 16(157): 20190402.
[6] Dembia C L, Bianco N A, Falisse A, et al. OpenSim Moco: Musculoskeletal optimal control[J]. PLOS Computational Biology, 2020, 16(12): e1008493.
[7] De Groote F, Falisse A. Perspective on musculoskeletal modelling and predictive simulations of human movement to assess the neuromechanics of gait[J]. Proceedings of the Royal Society B: Biological Sciences, 2021, 288(1949): 20202432.
[8] Barnes K R, Kilding A E. Running economy: measurement, norms, and determining factors[J]. Sports Medicine - Open, 2015, 1: 8.
[9] Moore I S. Is There an Economical Running Technique? A Review of Modifiable Biomechanical Factors Affecting Running Economy[J]. Sports Medicine, 2016, 46(6): 793-807.
[10] Cheung V C K, Cheung B M F, Zhang J H, et al. Plasticity of muscle synergies through fractionation and merging during development and training of human runners[J]. Nature Communications, 2020, 11: 4356.
捂脸跑,具身机器人,人体运动生物力学,运动捕捉,训练方案AI优化