ECo-MoE 论文提出了一种机器人进化与学习模型，将设计向量（基因型）的分布与一组控制专家（神经模块）进行协同优化。该工作由 Yibin Wang 等四位作者完成，于 2026 年 5 月 22 日提交至 arXiv，编号为 arXiv:2605.24225，归类为机器人学（cs.RO），DOI 为 10.48550/arXiv.2605.24225，提交人为 Sam Kriegman。
论文针对机器人协同设计领域的两种极端做法提出替代方案。第一种是为每个机器人单独训练一套策略，这种做法虽然针对性强，但效率低下；第二种是为所有机器人训练一个单一通用控制器，这会迫使系统采用过度保守的结构与行为，难以发挥不同形态的潜力。ECo-MoE 的定位介于两者之间：它在统一而模块化的框架中保留祖先知识，让不同身体构型激活或停用不同的已学感觉运动回路组合，从而完成目标导向行为。
具体而言，每个解码后的设计（表现型）由潜在坐标表示，这些坐标充当门控信号，决定混合专家中哪些神经模块参与控制。不同身体结构因此能够调用不同的专家组合，而无需为每个新物种从头训练。这种模块化设计带来两个关键优势。其一，当新的设计物种出现时，可以只替换或改造控制器的一部分以适配新形态，而不破坏其他专家模块中已经积累的知识。其二，预训练的专家策略可以直接插入混合专家系统，从而引导进化进入原本未被探索的潜在空间区域，这些区域包含研究者期望的形态特征。
作者将后一种过程称为“evo by demo”，即通过演示引导进化，并探讨了如何利用预训练模型将自由形态进化导向其定义的典型结构。该研究强调，这一方法在保持进化可扩展性的同时，避免了单策略训练的低效与通用控制器的保守性。论文提供了视频与代码，项目页面为 https://eco-moe.github.io，全文可通过 arXiv 以 PDF、实验性 HTML 及 TeX 源码形式获取。
从研究意义看，ECo-MoE 将混合专家思想引入机器人形态与控制的联合进化，为可进化机器人系统提供了一条兼顾模块复用与形态多样性的路径。其核心价值在于把“进化”与“学习”放在同一框架中协同优化，使祖先知识得以保留，同时允许控制器局部更新，从而提升机器人系统的可进化性。