在機器人形態與控制協同進化領域，傳統方法面臨兩難困境：要麼為每個機器人獨立訓練控制策略，導致計算成本高昂且難以擴展；要麼採用統一的通用控制器，卻使得所有機器人表現出過於保守的結構和行為。為解決這一問題，來自諾丁漢大學等機構的研究人員提出了一種名為ECo-MoE（Embodiment-Conditioned Mixture of Experts）的新框架，該框架通過共同優化潛在設計向量（基因型）的分佈和一組由表型潛在座標門控的專家混合控制器，實現了可擴展的協同優化。
ECo-MoE的核心創新在於其模塊化設計。與完全集成式的控制器不同，ECo-MoE將控制知識分散到多個專家模塊中，每個模塊負責特定的感覺運動迴路。不同身體結構（即不同的機器人形態）能夠根據自身的表型特徵，動態地激活或停用這些專家模塊的組合。這種設計使得控制器能夠在不丟失其他模塊中已有知識的前提下，針對新出現的機器人種類對相應部分進行改造，極大地提高了系統的靈活性和適應性。
此外，ECo-MoE還支持預訓練專家策略的直接插入。這意味着研究人員可以將已經訓練好的控制器模塊“即插即用”到混合模型中，從而引導進化過程向具有所需形態特徵的潛在空間區域探索。這一過程被作者稱為“演示進化”（evo by demo），它能夠將自由形態的進化導向由預訓練模型定義的規範結構，為機器人設計提供了新的控制手段。
該研究由Yibin Wang等人完成，相關論文已於2026年5月22日提交至arXiv，論文編號為2605.24225。研究者提供了視頻和代碼以幫助復現實驗結果，這些資源可以在項目主頁https://eco-moe.github.io上獲取。ECo-MoE的提出為機器人進化學習領域提供了一種兼具效率和靈活性的新範式，有望推動機器人形態與控制的深度協同發展。