In den letzten Jahren haben Graph Convolutional Networks (GCNs) die Vorhersage von menschlichen Bewegungen dominiert. Verschiedene Arten von Graphkonvolutionen wurden vorgeschlagen, wobei jede sorgfältig entwickelt und in eine präzise Netzwerkarchitektur integriert wurde. Dieses Papier hebt die Grenzen des bestehenden Wissens, indem es Universal Graph Convolution (UniGC), ein neues Konzept der Graphkonvolution, vorstellt, das verschiedene Graphkonvolutionen als Spezialfälle neu interpretiert. Indem wir UniGC auf Netzwerkebene nutzen, schlagen wir GCNext vor, ein neues Paradigma zur Erstellung von GCNs, das dynamisch die optimalen Graphkonvolutionen sowohl pro Stichprobe als auch pro Schicht bestimmt. GCNext bietet mehrere Anwendungsfälle, darunter das Training eines neuen GCNs von Grund auf oder die Verfeinerung eines bereits existierenden GCNs. Experimente mit den Datensätzen Human3.6M, AMASS und 3DPW zeigen, dass GCNext durch die Einbeziehung einzigartiger Modul-zu-Netzwerk-Designs bis zu 9-mal geringere Rechenkosten als bestehende GCN-Methoden aufweist und gleichzeitig den Stand der Technik in Bezug auf Leistung erreicht.