彎道超車？國(guó)產(chǎn)具身，千小時(shí)人類數(shù)據(jù)激發(fā)智能涌現(xiàn)

編輯｜張倩

導(dǎo)讀：近日，位于中關(guān)村的深度機(jī)智全球首次使用全新范式——人類學(xué)習(xí)，在多個(gè)國(guó)際 Benchmark 上取得 SOTA，史無(wú)前例地使用全新架構(gòu)（僅使用人類第一視角數(shù)據(jù)、零真機(jī)數(shù)據(jù)）擊敗 Physical Intelligence 和英偉達(dá)等頭部巨頭二十多個(gè)百分點(diǎn)并在兩會(huì)開(kāi)幕首日被央視報(bào)道。而這一全新架構(gòu)的誕生，得益于團(tuán)隊(duì)在人類學(xué)習(xí)路線上一年多的全力積累。無(wú)獨(dú)有偶，近期英偉達(dá)也發(fā)布了人類學(xué)習(xí)的初步嘗試。

當(dāng)國(guó)內(nèi)具身智能領(lǐng)域還在爭(zhēng)論真機(jī)數(shù)據(jù)和仿真數(shù)據(jù)哪個(gè)更有效時(shí)，硅谷卻在悄悄達(dá)成另一項(xiàng)共識(shí)。

農(nóng)歷新年剛過(guò)，英偉達(dá)就發(fā)布了一項(xiàng)重磅成果 ——EgoScale。這是一個(gè)將人類靈巧操作直接「?jìng)魇凇菇o機(jī)器人的全新框架。

研究人員給大模型喂了超過(guò) 2 萬(wàn)小時(shí)的人類第一視角視頻。結(jié)果證明：只要不斷增加人類的示范數(shù)據(jù)，機(jī)器人的操作能力就能穩(wěn)步提升。論文的第一作者更是直接點(diǎn)破了這層窗戶紙：「提升機(jī)器人靈巧性的關(guān)鍵，在于堆更多的人類數(shù)據(jù)，而不是機(jī)器人真機(jī)數(shù)據(jù)。

這不禁讓人想起英偉達(dá)年前的另一項(xiàng)王炸 ——DreamDojo。那個(gè)用 4.4 萬(wàn)小時(shí)人類第一視角視頻訓(xùn)練出來(lái)的模型，展現(xiàn)出了極強(qiáng)的「舉一反三」能力。即使面對(duì)完全陌生的物體和環(huán)境，機(jī)器人也能像熟練工一樣自如應(yīng)對(duì)。原因其實(shí)很簡(jiǎn)單：人類見(jiàn)過(guò)它們，而模型學(xué)習(xí)了人類的視角。

其實(shí)，在硅谷，這些發(fā)現(xiàn)并不令人意外，因?yàn)榫揞^們對(duì)「人類第一視角數(shù)據(jù)」的押注早已開(kāi)始。大家所熟知的公司 —— 特斯拉、Figure、Physical Intelligence、Generalist AI、1X、BuildAI、Skild AI—— 有的明確表示正在大規(guī)模采集這類數(shù)據(jù)構(gòu)建基座，有的即使沒(méi)有明確說(shuō)明，也透露出自己的模型采用了人類數(shù)據(jù)。去年下半年開(kāi)始，這股風(fēng)潮就已成勢(shì)。這次英偉達(dá)，也不甘心落后。

人類第一視角數(shù)據(jù)示例

這種「默契」的背后，藏著這些前沿公司對(duì)于機(jī)器人「智能」根源的核心判斷 ——真正的機(jī)器人智能始于對(duì)「物理常識(shí)」的理解

Generalist AI 是這一判斷最激進(jìn)的踐行者：這家由前 Google DeepMind 核心科學(xué)家 Andy Zeng 參與創(chuàng)立的公司，憑借 27 萬(wàn)小時(shí)人類數(shù)據(jù)逼近機(jī)器人領(lǐng)域 Scaling Law，他們甚至將物理常識(shí)稱為機(jī)器人學(xué)中的「暗物質(zhì)」—— 其特點(diǎn)就是無(wú)處不在但又難以捕捉，而人類第一視角數(shù)據(jù)為物理常識(shí)的習(xí)得提供了天然的豐富材料。如果不先習(xí)得物理常識(shí)，具身模型很容易陷入「軌跡擬合」的死胡同，采集再多真機(jī)軌跡也很難泛化，畢竟純模仿軌跡的機(jī)器人沒(méi)有內(nèi)化「為什么這樣做」的物理直覺(jué)。

不過(guò)，這些討論在國(guó)內(nèi)似乎還沒(méi)有引起足夠重視，更不用提達(dá)成共識(shí)。這也是為什么，能和硅谷同頻共振，甚至先于硅谷獨(dú)立洞察并利用認(rèn)知時(shí)間差搶跑的企業(yè)更加值得關(guān)注。

成立于 2025 上半年的深度機(jī)智便是其中最具代表性的一個(gè)。這家公司由北京中關(guān)村學(xué)院導(dǎo)師、中關(guān)村人工智能研究院（合稱「中關(guān)村兩院」）研究員陳凱創(chuàng)立，是這一國(guó)家級(jí)人工智能教育科研共同體孵化的首家公司。

深度機(jī)智創(chuàng)始團(tuán)隊(duì)早在 2024 年底就由智能眼鏡的高速發(fā)展，敏銳覺(jué)察到人類第一視角數(shù)據(jù)即將迎來(lái)爆發(fā)，而此類數(shù)據(jù)蘊(yùn)含的人類與物理世界交互的常識(shí)，是具身智能走向通用的破局關(guān)鍵。因此，他們毅然將籌碼押在從「人類第一視角數(shù)據(jù)」解碼「物理常識(shí)」，從而找到具身大模型的 scaling law。如今，他們已經(jīng)成為國(guó)內(nèi)最早布局這一賽道同時(shí)也跑得最快的公司。

而這種路線選擇上的前瞻性，本質(zhì)上源于團(tuán)隊(duì)對(duì)大模型通用智能的深刻認(rèn)知，以及對(duì)如何真正將大模型的技術(shù)哲學(xué)應(yīng)用在機(jī)器人上的長(zhǎng)期探索。基于這種認(rèn)知，深度機(jī)智已經(jīng)搭建出一套涵蓋數(shù)據(jù)、架構(gòu)、算法的全棧技術(shù)矩陣

這套矩陣具體怎么運(yùn)轉(zhuǎn)？我們和陳凱博士聊了聊。

要做的不是「通用具身智能」

而是「具身通用智能」

對(duì)機(jī)器人研究有所了解的讀者想必都聽(tīng)過(guò)一個(gè)詞 —— 莫拉維克悖論。它指的是，對(duì)人類來(lái)說(shuō)易如反掌的事情，對(duì)機(jī)器人來(lái)說(shuō)卻難如登天，比如簡(jiǎn)單地做個(gè)家務(wù)。Generalist AI 等公司認(rèn)為，這一現(xiàn)象之所以存在，本質(zhì)上是因?yàn)闄C(jī)器人還沒(méi)有捕獲到一種極度稀缺的「暗物質(zhì)」—— 物理常識(shí)，也就是對(duì)力、摩擦、柔度和不確定性等物理屬性的直覺(jué)。

然而，審視國(guó)內(nèi)具身智能的發(fā)展，目前的競(jìng)爭(zhēng)焦點(diǎn)卻在另一個(gè)維度 ——使用大模型擬合真機(jī)或者仿真得到的軌跡數(shù)據(jù)，并期望通過(guò)軌跡數(shù)據(jù)的堆積達(dá)到「通用具身智能」，也就是我們目前常說(shuō)的 VLA 路線。在這種思路的主導(dǎo)下，行業(yè)普遍的做法是：給大模型加上動(dòng)作模塊，然后瘋狂投喂機(jī)器人的末端軌跡數(shù)據(jù)，讓模型去擬合「觀測(cè)→動(dòng)作」的映射。

陳凱博士指出，在基座模型物理智能水平低下的情況下，這種「端到端擬合軌跡」的做法，在數(shù)據(jù)使用上是非常低效的，而且可學(xué)到的上限很低。因?yàn)檫@就像訓(xùn)練一匹智力水平不足的騾馬，無(wú)論重復(fù)多少遍都只能執(zhí)行有限的指令。所以很多模型背了幾萬(wàn)小時(shí)軌跡，泛化能力依然僵化。

更棘手的是，單純的動(dòng)作擬合不僅無(wú)法產(chǎn)生對(duì)物理規(guī)律的直覺(jué)，還會(huì)破壞大模型本身強(qiáng)大的通用理解能力，導(dǎo)致嚴(yán)重的災(zāi)難性遺忘。這一現(xiàn)象在很多報(bào)告中都可以看到，違背了大家利用 VLM 強(qiáng)大泛化能力的初衷 —— 最突出的表現(xiàn)就是，大模型中常見(jiàn)的長(zhǎng)程規(guī)劃和推理能力，在當(dāng)前的大多數(shù) VLA 模型中大幅衰減，反而成了少數(shù)幾家能拿得出手的宣傳亮點(diǎn)。這無(wú)不凸顯出當(dāng)前「擬合軌跡」為主的訓(xùn)練哲學(xué)的根本問(wèn)題。

既然擬合軌跡學(xué)不到常識(shí)，具身智能到底該怎么走？深度機(jī)智之所以能在賽道上搶跑，正是因?yàn)樗麄冊(cè)诘讓勇肪€上完成了認(rèn)知視角的翻轉(zhuǎn)：他們要做的不是「通用具身智能」，而是「具身通用智能」

這一語(yǔ)序調(diào)換絕非文字游戲，而是訓(xùn)練邏輯的徹底重構(gòu)。在深度機(jī)智的理念中，智能是原生的，具身只是其在三維世界的表現(xiàn)形式。真正的大模型下一階段，機(jī)器人應(yīng)當(dāng)首先具備思考、搜索、交流等通用能力，并且深刻理解物理世界的運(yùn)作規(guī)律，最后才是在現(xiàn)實(shí)中去執(zhí)行任務(wù)。

這就是深度機(jī)智最核心的技術(shù)策略：「Understanding first, action next」（先理解，后執(zhí)行）」

這種哲學(xué)，完美地回應(yīng)了 Generalist AI 提出的「物理常識(shí)」難題。但在哪里能找到包含海量物理常識(shí)的教材？在深度機(jī)智看來(lái)，人類第一視角數(shù)據(jù)，正是那把解鎖物理常識(shí)的完美鑰匙。

陳凱指出，他們和 Generalist AI 想法類似：既然人類和機(jī)器人處于同一個(gè)受固定定律控制的物理世界，那么人類完全可以被看作是一種「特殊的機(jī)器人本體」。人類用多大的力氣拿起雞蛋而不捏碎，用什么角度推開(kāi)半掩的門 —— 這些由人類作為「特殊本體」產(chǎn)生的第一視角感知運(yùn)動(dòng)經(jīng)驗(yàn)，天然蘊(yùn)含著極其豐富的物理常識(shí)。

然而，如果僅僅使用人類動(dòng)作的軌跡進(jìn)行訓(xùn)練，而不是提取其中的物理交互知識(shí)，那就無(wú)異于買櫝還珠。為了克服這一問(wèn)題，深度機(jī)智在成立短短幾個(gè)月內(nèi)，就構(gòu)建了復(fù)雜的數(shù)據(jù)增強(qiáng)管線，并且仍然在快速迭代中，用以高效榨取數(shù)據(jù)中的物理常識(shí)。

利用這種物理常識(shí)被榨取過(guò)的增強(qiáng)數(shù)據(jù)去「喂養(yǎng)」基座模型，深度機(jī)智跳出了軌跡擬合的陷阱，換來(lái)了數(shù)據(jù)效率的質(zhì)變：用千小時(shí)規(guī)模人類第一視角視頻，就能超過(guò)別人用幾萬(wàn)小時(shí)真機(jī)數(shù)據(jù)才能達(dá)到的泛化性。同時(shí)，他們也在模型架構(gòu)和算法方面進(jìn)一步優(yōu)化，以確保大模型在長(zhǎng)出「具身肌肉」的同時(shí)，絕不喪失原有的「通用靈魂」。

一套開(kāi)始顯現(xiàn)復(fù)利效應(yīng)的技術(shù)組合

路線確定之后，深度機(jī)智面臨一些更實(shí)際的挑戰(zhàn)：數(shù)據(jù)怎么轉(zhuǎn)譯、架構(gòu)怎么設(shè)計(jì)、訓(xùn)練目標(biāo)怎么設(shè)定，每一步都決定著「先理解，后執(zhí)行」能否跑通。

過(guò)去一年，團(tuán)隊(duì)圍繞這三個(gè)環(huán)節(jié)搭建出一套全棧矩陣，并用三組對(duì)照實(shí)驗(yàn)驗(yàn)證了路線的有效性：他們只加人類第一視角數(shù)據(jù)，驗(yàn)證數(shù)據(jù)方法論；只改架構(gòu)，驗(yàn)證訓(xùn)練方法論；只調(diào)算法，驗(yàn)證對(duì)齊方法論。最后，這些方法匯總到一起，他們訓(xùn)練出了成功率遠(yuǎn)超行業(yè)標(biāo)桿的 SOTA 模型。

PhysBrain：千小時(shí)人類視頻 PK 數(shù)萬(wàn)小時(shí)真機(jī)

人類第一視角視頻是個(gè)天然的數(shù)據(jù)富礦，它能大規(guī)模記錄日常生活中的長(zhǎng)期任務(wù)、人與物體的交互細(xì)節(jié)，以及手部的精細(xì)操作動(dòng)態(tài)。但這里有個(gè)關(guān)鍵卡點(diǎn)：這些視頻里確實(shí)藏著「怎么做」的規(guī)劃邏輯和物理交互規(guī)律，但都是隱性的，機(jī)器人直接看可能看不懂。

所以，深度機(jī)智的當(dāng)務(wù)之急，就是建立一個(gè)翻譯管道，把這些視頻中的隱性經(jīng)驗(yàn)，提取成結(jié)構(gòu)化的監(jiān)督信號(hào) —— 比如任務(wù)怎么拆解、關(guān)鍵狀態(tài)是什么、手該怎么動(dòng)、物體之間有什么約束、時(shí)空關(guān)系是怎樣的。

Egocentric2Embodiment 翻譯管道便是為此提出來(lái)的，其核心是把人類第一視角視頻「轉(zhuǎn)碼」成機(jī)器人能學(xué)的結(jié)構(gòu)化教材：通過(guò)多層次拆解任務(wù)規(guī)劃、關(guān)鍵狀態(tài)、手部動(dòng)作和物理約束，確保時(shí)序邏輯連貫且每個(gè)判斷都有畫面證據(jù)支撐，最終輸出帶標(biāo)準(zhǔn)答案的 VQA 監(jiān)督數(shù)據(jù)（就像一份帶標(biāo)準(zhǔn)答案的習(xí)題集），確保機(jī)器人「知其然也知其所以然」，而不是瞎猜。

利用這套方法，他們構(gòu)建了數(shù)據(jù)集 E2E-3M，并用該數(shù)據(jù)集訓(xùn)練了一個(gè)具身大腦 ——PhysBrain。在完全未出現(xiàn)在訓(xùn)練集中的 SimplerEnv 四個(gè)操作任務(wù)上，PhysBrain（8B 版本）以 67.4% 的平均成功率力壓行業(yè)標(biāo)桿、Physical Intelligence 的 Pi0.5，領(lǐng)先優(yōu)勢(shì)達(dá) 10%

要知道，PhysBrain 的微調(diào)數(shù)據(jù)僅為千小時(shí)的純?nèi)祟愐暯且曨l（即 E2E-3M 的體量）和部分通用 VQA 數(shù)據(jù)，不含機(jī)器人軌跡數(shù)據(jù)，就讓模型掌握了空間結(jié)構(gòu)和物體動(dòng)力學(xué)特征，展現(xiàn)了良好的泛化性；相比之下，Pi0.5 則是用數(shù)萬(wàn)小時(shí)真機(jī)軌跡數(shù)據(jù)「堆」出來(lái)的。這有力地證明了：一個(gè)深刻理解物理世界規(guī)律的「聰明大腦」，其學(xué)習(xí)效率與泛化上限遠(yuǎn)超軌跡擬合。

更令人驚嘆的是，PhysBrain 在僅學(xué)習(xí)「成功案例」的情況下，竟自發(fā)涌現(xiàn)出了靈活策略能力和自動(dòng)糾錯(cuò)能力

在 SimplerEnv 的胡蘿卜抓取任務(wù)中，模型接到的指令只是把胡蘿卜放進(jìn)盤子里。第一次夾取失敗后，它并沒(méi)有機(jī)械地重復(fù)同一個(gè)抓取動(dòng)作，因?yàn)槟Ｐ桶l(fā)現(xiàn)夾爪已經(jīng)碰到了胡蘿卜，于是順勢(shì)改為用夾子把胡蘿卜往盤子方向推，一次推不進(jìn)去，又加大力度重新推了一次。后來(lái)，發(fā)現(xiàn)這種方式依然無(wú)效，它又主動(dòng)切換策略，重新調(diào)整姿態(tài)去抓取。要知道，「推」這個(gè)動(dòng)作是沒(méi)有包含在模型訓(xùn)練數(shù)據(jù)里的，它也沒(méi)有看到過(guò)失敗軌跡示范，這種表現(xiàn)更像是一種對(duì)物理交互的直覺(jué)式理解。

之前，這種「涌現(xiàn)」現(xiàn)象幾乎只有 Physical Intelligence 和 Generalist AI 提到過(guò)，但前者將其歸因于大量「失敗軌跡」數(shù)據(jù)。相比之下，PhysBrain 僅憑對(duì)人類交互邏輯的底層理解，便實(shí)現(xiàn)了從「僵化執(zhí)行」到「靈活應(yīng)變」的本質(zhì)跨越。

TwinBrainVLA：給機(jī)器人安上「不降智」的雙腦

PhysBrain 證明了人類第一視角視頻能喂出「聰明大腦」，但后續(xù)的優(yōu)化問(wèn)題隨之而來(lái)：一個(gè)模型既要保持開(kāi)放世界的通用理解，又要輸出毫米級(jí)的精確動(dòng)作，這兩個(gè)目標(biāo)在優(yōu)化時(shí)其實(shí)是打架的。這是 VLA 領(lǐng)域的經(jīng)典難題：微調(diào)學(xué)動(dòng)作，會(huì)遺忘通用知識(shí)；保通用知識(shí)，又學(xué)不會(huì)精細(xì)操作。

為了破解這個(gè)「左右互搏」的困境，深度機(jī)智創(chuàng)新性地設(shè)計(jì)了「左右腦」同構(gòu)架構(gòu) ——TwinBrainVLA。具體來(lái)說(shuō)，他們首先引入一個(gè)同構(gòu)但被凍結(jié)的 VLM 模塊作為「左腦」，保持其開(kāi)放世界理解能力不變；同時(shí)又引入一個(gè)可訓(xùn)練的「右腦」網(wǎng)絡(luò)，專門處理機(jī)器人本體感知狀態(tài)和低級(jí)動(dòng)作策略。關(guān)鍵在于「左右腦」之間的信息交互 —— 通過(guò)他們提出的非對(duì)稱混合 Transformer 機(jī)制（AsyMoT），右腦可以動(dòng)態(tài)查詢左腦的語(yǔ)義知識(shí)，但左腦的參數(shù)不會(huì)被下游任務(wù)污染。

這種設(shè)計(jì)的精妙之處在于：知識(shí)遷移而不遺忘。右腦學(xué)會(huì)動(dòng)作控制時(shí)，左腦依然保有識(shí)別「易碎物品」這樣的常識(shí)知識(shí)及推斷約束條件的能力；當(dāng)機(jī)器人遇到新場(chǎng)景，左右腦協(xié)同工作，既不會(huì)變成「只會(huì)抓杯子不懂杯子會(huì)碎」的純執(zhí)行機(jī)器，也不會(huì)停留在「知道要輕放但手不聽(tīng)使喚」的紙上談兵階段。

實(shí)驗(yàn)階段，深度機(jī)智在完全未出現(xiàn)在訓(xùn)練集中的 SimplerEnv 四個(gè)操作任務(wù)上驗(yàn)證了 TwinBrainVLA 的有效性：在數(shù)據(jù)量遠(yuǎn)遠(yuǎn)小于 Pi0.5 的前提下，TwinBrainVLA 將原生的 Qwen3-VL-4B 能力有效遷移到機(jī)器人控制任務(wù)上，在 480 次獨(dú)立測(cè)試中的平均成功率達(dá)到 64.5%，遠(yuǎn)超使用了數(shù)萬(wàn)小時(shí)軌跡數(shù)據(jù)的 Pi0.5（57.1%）。它證明了保住大模型的底子，本身就能換來(lái)更高的性能上限。

LangForce：強(qiáng)迫大腦「讀懂指令」再動(dòng)手

數(shù)據(jù)策略 work，架構(gòu)也跑通了，但具體的訓(xùn)練過(guò)程中，深度機(jī)智還發(fā)現(xiàn)了一些算法上的 bug，「視覺(jué)捷徑」就是其中之一。

這個(gè)問(wèn)題是說(shuō)，模型表現(xiàn)出一種類似「偷懶」的現(xiàn)象：由于訓(xùn)練數(shù)據(jù)中指令與畫面高度相關(guān)，機(jī)器人往往直接跳過(guò)語(yǔ)言指令，只盯著視覺(jué)畫面做動(dòng)作（比如看見(jiàn)碗和抽屜就執(zhí)行「把碗放進(jìn)抽屜」）。一旦指令稍作改變（比如改為「把碗放到爐灶上」），哪怕畫面再清晰，模型也會(huì)因?yàn)楹雎灾噶疃鴱氐追嚒?/p>

為了解決這個(gè)問(wèn)題，深度機(jī)智改進(jìn)了算法，強(qiáng)迫模型回答「這個(gè)動(dòng)作比單純看畫面多提供了什么信息」。他們?cè)O(shè)計(jì)了一個(gè)雙分支架構(gòu) —— 一個(gè)分支只能看畫面生成動(dòng)作，另一個(gè)分支能同時(shí)看到畫面和指令，然后通過(guò)最大化兩者的差異（即條件互信息），讓模型被迫「解釋」為什么要執(zhí)行這個(gè)動(dòng)作。只有當(dāng)動(dòng)作真正體現(xiàn)了語(yǔ)言指令的語(yǔ)義時(shí)，模型才能獲得獎(jiǎng)勵(lì)；反之，如果動(dòng)作僅靠畫面就能預(yù)測(cè)，模型就會(huì)受到懲罰。這相當(dāng)于在訓(xùn)練過(guò)程中給模型設(shè)置了一個(gè)「防偷懶」機(jī)制，確保它不能把語(yǔ)言指令當(dāng)擺設(shè)。

這個(gè)小小的改進(jìn)帶來(lái)的增益非常明顯：在不使用任何機(jī)器人真機(jī)軌跡數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練的情況下，以原生 Qwen-3-VL 為主干進(jìn)行微調(diào)的模型在 SimplerEnv 的四個(gè)任務(wù)上實(shí)現(xiàn)了 66.5% 的成功率，領(lǐng)先 Pi0.5 將近 10 個(gè)百分點(diǎn)

這一結(jié)果表明，逼模型真正理解語(yǔ)言指令，而不是過(guò)擬合訓(xùn)練數(shù)據(jù)里的表面特征，是打破泛化瓶頸的關(guān)鍵。

當(dāng)三條路徑匯合，能力曲線開(kāi)始抬升

前面三個(gè)「控制變量」實(shí)驗(yàn)表明，深度機(jī)智在數(shù)據(jù)、架構(gòu)、算法層面提出的各個(gè)創(chuàng)新都能帶來(lái)顯著的增益，但真正的質(zhì)變發(fā)生在它們「三合一」的時(shí)刻。

最近，深度機(jī)智在訓(xùn)練的新模型中融合了上述三種方法，發(fā)現(xiàn)新訓(xùn)練出的模型（即將發(fā)布的PhysBrain1.0在 SimplerEnv 測(cè)試中直接跑出了 79.8% 的平均成功率，超越了行業(yè)標(biāo)桿 Pi0.5 達(dá) 22.7%，也超過(guò)了之前成績(jī)最好的 Xiaomi-Robotics-0（79.2%），達(dá)到 SOTA。

這種領(lǐng)先優(yōu)勢(shì)在其他具有挑戰(zhàn)性的場(chǎng)景中得到了進(jìn)一步驗(yàn)證。在 RoboCasa 上，PhysBrain1.0 僅使用千小時(shí)人類第一視角數(shù)據(jù)做 VLM 增強(qiáng)，就達(dá)到 58.1% 成功率，拿下 SOTA。這個(gè)測(cè)試強(qiáng)調(diào)多階段家庭場(chǎng)景操作，考察的是長(zhǎng)程規(guī)劃與穩(wěn)定執(zhí)行能力，結(jié)果說(shuō)明模型已具備真實(shí)場(chǎng)景落地的潛力。

同時(shí)，深度機(jī)智還觀察到，雖然模型使用的是人類第一視角視頻和少量 ALOHA 機(jī)器人軌跡數(shù)據(jù)進(jìn)行訓(xùn)練，但在另一個(gè)機(jī)器人真機(jī)平臺(tái) ——Franka 上，它也能實(shí)現(xiàn)接近 100% 的抓取成功率，這說(shuō)明模型了具備業(yè)界少見(jiàn)的跨本體泛化能力

從基礎(chǔ)操作到復(fù)雜協(xié)同，再到泛化遷移，PhysBrain1.0 基本實(shí)現(xiàn)了全線領(lǐng)先。在 3 月底的中關(guān)村論壇上，PhysBrain1.0 將正式亮相，相關(guān)成果也將開(kāi)源。

當(dāng)能力上限被抬高

競(jìng)爭(zhēng)才真正開(kāi)始

如果把視線拉回到整個(gè)行業(yè)，就會(huì)發(fā)現(xiàn)一個(gè)頗為微妙的錯(cuò)位。

一邊是機(jī)器人本體快速迭代，關(guān)節(jié)更靈活，控制更精準(zhǔn)；另一邊，大腦卻始終被數(shù)據(jù)瓶頸卡住。仿真派和真機(jī)派爭(zhēng)論不休，但兩條路線都繞不開(kāi)同一個(gè)隱憂：當(dāng)模型只能在機(jī)器人的閉環(huán)視角里反復(fù)擬合軌跡，多樣性和信息密度都極為有限，很難真正長(zhǎng)出對(duì)物理世界的直覺(jué)。

深度機(jī)智的思路，更像是大模型出現(xiàn)后機(jī)器翻譯的那次代際躍遷。早期翻譯系統(tǒng)靠規(guī)則和對(duì)齊表修修補(bǔ)補(bǔ)，效果始終有限；直到模型開(kāi)始掌握語(yǔ)言的底層結(jié)構(gòu)，質(zhì)量才出現(xiàn)質(zhì)變。具身智能也一樣，與其在「觀測(cè) → 動(dòng)作」的映射上死磕，不如先讓模型通過(guò)人類第一視角視頻習(xí)得物理世界的「通用語(yǔ)法」。當(dāng)常識(shí)內(nèi)化之后，執(zhí)行反而成為理解的自然外顯，數(shù)據(jù)效率因此出現(xiàn)數(shù)量級(jí)的提升。

這種認(rèn)知時(shí)差帶來(lái)的先發(fā)優(yōu)勢(shì)，正在沉淀為一整套技術(shù)閉環(huán)：從人類視頻的結(jié)構(gòu)化轉(zhuǎn)譯，到左右腦異構(gòu)架構(gòu)，再到針對(duì)語(yǔ)言與動(dòng)作對(duì)齊的訓(xùn)練算法，彼此咬合。結(jié)果不只是單點(diǎn)指標(biāo)領(lǐng)先，而是一條成本結(jié)構(gòu)更優(yōu)、規(guī)模化門檻更低的路徑。高數(shù)據(jù)效率疊加對(duì)物理常識(shí)的系統(tǒng)性建模，使得后來(lái)者很難僅靠堆算力或堆真機(jī)軌跡在短期內(nèi)追平。

接下來(lái)，深度機(jī)智計(jì)劃在 2026 年上半年把人類第一視角數(shù)據(jù)規(guī)模推進(jìn)到百萬(wàn)小時(shí)量級(jí)。在這個(gè)數(shù)量級(jí)上，問(wèn)題或許不再是「機(jī)器人能不能完成某個(gè)任務(wù)」，而是物理常識(shí)的 Scaling Law 能否完全顯現(xiàn)。

人類視角數(shù)據(jù)采集現(xiàn)場(chǎng)。工人可以邊工作邊采集，多樣性和信息密度都足夠豐富，而且采集成本低。

如果答案是肯定的，那么具身智能的拐點(diǎn)，可能會(huì)比很多人預(yù)想得更早到來(lái)。