擂台上，戴红色拳套的人形机器人和穿着护具的人类拳手对峙。人类出拳，机器人侧身让开；人类起腿，它后撤一步稳住重心；等到空档出现，它单腿支撑，另一条腿扫向对手躯干。

视频全长38秒，画面标注全程实拍、没有加速。9月7日晚，宇树科技放出这段G1人形机器人的自由搏击实录，同时给出一个技术定性：全球首次由世界模型实时驱动的全自主人形机器人格斗。

（首图｜来源：微博@宇树科技 9月7日发布截图。视频封面即为人机对峙画面，原视频38秒，发布15小时观看量6.2万次）

全自主三个字是整段视频的分水岭。过去一年，人形机器人在擂台上挥出的每一拳，背后几乎都站着一个人。这一次，遥控器放下了。

01.

此前的每一拳，都是借来的

2025年5月，CMG世界机器人大赛把G1送上格斗擂台，那场直播里，机器人的攻防由场边操作员遥控完成。美国的REK、UFB等机器人格斗联盟走得更远，把VR头显和手柄做成标配，机器人实际上是操作员的远程替身。更多展会上的擂台表演依赖预设动作库，出拳、格挡、倒地起身全部按脚本回放，两套程序并排播放，彼此之间没有真正的交互。

三种模式有一个共同点：决策权在人手里，或者在脚本里，机器人只负责执行肢体。

这条视频的差别恰在决策权的归属。画面中，G1会跟着对手调整站位，对手移动后它不再对着空气挥拳，而是重新瞄准、出拳、收势。按照官方口径，全程无预设招式、无人工遥控，机器人自主完成预判、闪避、进攻、重心恢复，跑通了从感知到预测、从决策到执行的完整闭环。

人类一拳从启动到命中，快则零点几秒。机器人要在同一个时间窗口里做完四件事：看清对手的动作，评估威胁，决定应对，把指令下发给全身关节。

按传统的分层架构，这四步串行执行。相机采集、状态估计、规划求解、电机响应，每一环都在吃掉时间预算。环环相加，被动反应式的控制永远慢半拍，拳头到了眼前，指令还在路上。

解法只有一个，把反应变成预判。在机器人内部运行一个推演引擎：给定当前观测和一组候选动作，先算一遍接下来会发生什么，再挑一条最有利的轨迹交给身体执行。搏击把这种需求推到了极限，对手行为不可预知，碰撞和扰动持续发生，推演慢一拍就直接失衡。官方把擂台称作高压测试场景，原因就在这里。

模型负责想，身体负责扛。擂台上两个画面最能说明硬件的分量。

一个是单腿踢击。G1身高约1.32米，体重约35公斤，全身23至43个关节电机（视配置而定），关节峰值扭矩最高120牛·米。单腿支撑时，全身重量压在一侧的踝与髋关节上，另一条腿还要加速甩出，扭矩裕度差一点就是侧翻。

另一个是挨踢后的后撤步。被踢中的瞬间，冲击先由关节吸收，低减速比、可力控的关节方案让电机能在碰撞中反向卸力，随后全身协同调整姿态，几步之内把重心收回来。

02.

官方沉默，论文开口

视频只有画面和结论。没有论文，没有延迟数据，没有评测基准，UnifoLM-X2-1.0的内部结构，官方一个字都没说。

三周前，8月17日，arXiv上挂出一篇论文，RoboStriker。作者来自上海交通大学、上海人工智能实验室、华中科技大学、中国科学技术大学、上海创智学院，研究的是同一件事：让29个自由度的G1人形机器人学会全自主拳击，并且完成了真机部署。

先把关系说清楚。论文署名里没有宇树，官方也没有公布X2-1.0与这项研究的任何关联，它是学术界交出的同题答卷，不是宇树的官方论文。它的价值在于，这是目前公开渠道里唯一能拆开来看的同类系统。想搞清楚全自主搏击背后的技术底座，这篇论文是最好的参照样本。

论文首先回答了最根本的那个问题：让机器人自己摸索着打架，为什么这么难。

答案是“具身冷启动”。G1有29个自由度，每个控制周期要填29个数字，而这些数字的绝大多数组合在物理上站不住。强化学习要靠大量、多样的探索才能发现战术，可在29维关节空间里乱撞，机器人还没打出第一拳就先摔倒了，战术智能根本没有机会出现。

RoboStriker的解法是换一张地图。不在29维空间里博弈，先把什么动作物理可行蒸馏成一个32维的隐空间，归一化到单位超球面上，球面上的每一点都对应一个站得住的动作。策略学习搬到这张有界的地图上进行，再怎么探索，也掉不出物理可行的边界。

地图分三步画出来。

第一步，找职业拳击手，用Xsens惯性动捕采集30分钟、50Hz的动作，出拳、防御、步法、转换全覆盖，镜像翻倍后重定向到G1身上，训出一个运动追踪器。这一步先把拳击长什么样固化下来。

第二步，师生蒸馏。把追踪器学到的运动知识压缩进32维隐空间，配上共享解码器，隐码进去，29维关节指令出来。

第三步，先打靶，再对打。打靶阶段用对抗运动先验（AMP）约束动作风格，让机器人像个拳手，而不是乱挥；对打阶段用隐空间神经虚构自博弈（LS-NFSP），每个机器人带两套策略上场，最佳响应策略负责进攻进化，平均策略负责稳定锚定，九成时间出狠招，一成时间走老路。

（配图｜来源：RoboStriker论文Figure 1，arXiv:2608.16195。左为运动追踪器预训练与隐空间蒸馏，右上为AMP行为预热，右下为隐空间神经虚构自博弈）

为什么偏偏是32维？论文做了对照实验。8维和16维压得太狠，动作重建误差分别高达128.2毫米和85.9毫米；64维的动作更精细，搜索空间却随之膨胀，战术学习变慢，进攻落点率从0.685掉到0.520。32维恰好卡在动作保真与策略易学之间的平衡点上。

训练成本也值得一说。整套系统在单张RTX 4090上训练，Isaac Lab仿真器里同时跑4096个平行擂台，物理循环200Hz，策略频率50Hz。消费级显卡干成这件事，意味着这套方法论的复制门槛并不高。

成绩先摆出来。RoboStriker与8个基线交叉对战，全胜。对直接在29维关节空间做自博弈的方法，胜率100%。进攻落点率0.685，是原始空间基线0.142的4.8倍；交战率0.824，意味着八成以上的时间里，机器人同时保持着有效击打距离与朝向对齐，没有消极避战。

消融实验拆出了最值钱的部件。拿掉打靶预热，战术学习直接瘫痪，落点率只剩0.050，不到完整模型的十三分之一。拿掉AMP风格约束，机器人还在进攻，架势没了，落点率跌去28%。结论很直白：先学打靶再上擂台，比想象中重要得多。

（配图｜来源：RoboStriker论文Figure 4，arXiv:2608.16195。MuJoCo仿真可视化对比，去掉AMP后机器人姿态明显变形）

真机部署也跑通了。两台G1在动捕棚里对打，策略以50Hz跑在机载CPU的ONNX Runtime上，双机通过ROS 2协调，骨盆上的标记点以100Hz提供对方的位置。

（配图｜来源：RoboStriker论文Figure 3，arXiv:2608.16195。）

视频：两台G1在动捕环境中近身对打，注意这是论文的实验画面，不是宇树官方视频（来源:RoboStriker项目主页）

到这里，论文与视频可以放在一起对照了，差异比相似更有信息量。

论文里是双机对打，视频里是人机对打。论文靠动捕棚的标记点告诉机器人对手在哪，视频没有交代对手感知从哪里来，画面日志里只有策略服务器的请求记录。论文的策略跑在机器人自己的CPU上，视频的日志显示，重的推演跑在擂台之外的工作站上。

（配图｜来源：宇树官方视频截图。左列实拍画面为人机对打，中右两列模型预测 规划未来为模型推演画面，底部日志栏可见[Client]→PolicyServer的OBS/replan请求与env.step动作下发）

最耐人寻味的是路线差异。论文走自博弈，战术从两个智能体的相互进化里长出来；官方叙事走世界模型，靠预测未来再行动。一个回答战术从哪来，一个回答行动凭什么准。从工程逻辑看，这两个问题迟早要在同一个系统里汇合。

没答的题同样要列清楚。论文没有报告真机胜率，没有公开失败案例，没有与真人交手，理论部分的严格证明放在项目主页而非正文。官方那边，没有论文，没有延迟数据，没有benchmark。对手拳头的感知，是两套系统共同的盲区。

03.

擂台只是考场

搏击的意义从来不在搏击。把这份能力清单拆开看：预判外部扰动、动态维持平衡、接触力可控、突发状况实时重规划，每一项都对应着非结构化环境里的真实作业需求。工厂里被工件撞了一下的机械臂，废墟里踩着瓦砾的救援机器人，客厅里绕着孩子走的家庭机器人，需要的就是同一组本领。

之前的擂台直播里，拳头属于操作员。这一次，拳头属于模型。论文里的模型在动捕棚里打双机，视频里的模型在工作站的加持下打人机，下一个版本要回答的问题已经摆在那儿：把推演搬回机器人自己的身体，把感知从标记点换成自己的眼睛。

等那一天到来，38秒的擂台实录，才算真正变成日常。

参考资料

[1] 宇树科技官方微博 @宇树科技，2026年9月7日视频发布：UnifoLM-X2-1.0实现人形机器人全自主搏击

[2] Kangning Yin, Kaige Liu, Zhe Cao, et al. RoboStriker: Latent-Space Strategic Games for Autonomous Humanoid Boxing. arXiv:2608.16195, 2026-08-17. https://arxiv.org/abs/2608.16195

[3] RoboStriker项目主页：https://sites.google.com/view/robo-striker/

[4] 太平洋科技快讯：世界模型实时驱动，宇树科技首次实现全自主人形机器人格斗，2026-09-08

[5] 中新经纬：全球首次！宇树科技实现人形机器人全自主搏击，2026-09-07

[6] Humanoids Daily: Unitree Unveils UnifoLM-X2: World Model AI Powers Fully Autonomous Robot Combat, 2026-09

[7] The Yangtzeer: Unitree pushes humanoids from scripted moves to autonomous fighting, 2026-09

[8] AlphaSignal: Unitree's UnifoLM-X2-1.0 Lets Humanoid Robots Fight With No Human Control, 2026-09

[9] 北京日报微博：2026世界机器人大会宇树展台报道，2026-08-19

[10] 宇树G1官方参数页：https://www.unitree.com/g1