編輯｜張倩

導 讀：近日，位于中關(guān)村的深度機智全球首次使用全新范式——人類學習，在多個國際 Benchmark 上取得 SOTA，史無前例地使用全新架構(gòu)（僅使用 人類 第一視角數(shù)據(jù)、零真機數(shù)據(jù)）擊敗 Physical Intelligence 和英偉達等頭部巨頭二十多個百分點，并在兩會開幕首日被央視報道。而這一全新架構(gòu)的誕生，得益于團隊在人類學習路線上一年多的全力積累。無獨有偶，近期英偉達也發(fā)布了人類學習的初步嘗試。

當國內(nèi)具身智能領(lǐng)域還在爭論真機數(shù)據(jù)和仿真數(shù)據(jù)哪個更有效時，硅谷卻在悄悄達成另一項共識。

農(nóng)歷新年剛過，英偉達就發(fā)布了一項重磅成果 ——EgoScale。這是一個將人類靈巧操作直接「傳授」給機器人的全新框架。

研究人員給大模型喂了超過 2 萬小時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破了這層窗戶紙：「提升機器人靈巧性的關(guān)鍵，在于堆更多的人類數(shù)據(jù)，而不是機器人真機數(shù)據(jù)。」

這不禁讓人想起英偉達年前的另一項王炸 ——DreamDojo。那個用 4.4 萬小時人類第一視角視頻訓練出來的模型，展現(xiàn)出了極強的「舉一反三」能力。即使面對完全陌生的物體和環(huán)境，機器人也能像熟練工一樣自如應對。原因其實很簡單：人類見過它們，而模型學習了人類的視角。

其實，在硅谷，這些發(fā)現(xiàn)并不令人意外，因為巨頭們對「人類第一視角數(shù)據(jù)」的押注早已開始。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，有的即使沒有明確說明，也透露出自己的模型采用了人類數(shù)據(jù)。去年下半年開始，這股風潮就已成勢。這次英偉達，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于機器人「智能」根源的核心判斷 —— 真正的機器人智能始于對「物理常識」的理解。

Generalist AI 是這一判斷最激進的踐行者：這家由前 Google DeepMind 核心科學家 Andy Zeng 參與創(chuàng)立的公司，憑借 27 萬小時人類數(shù)據(jù)逼近機器人領(lǐng)域 Scaling Law，他們甚至將物理常識稱為機器人學中的「暗物質(zhì)」—— 其特點就是無處不在但又難以捕捉，而人類第一視角數(shù)據(jù)為物理常識的習得提供了天然的豐富材料。如果不先習得物理常識，具身模型很容易陷入「軌跡擬合」的死胡同，采集再多真機軌跡也很難泛化，畢竟純模仿軌跡的機器人沒有內(nèi)化「為什么這樣做」的物理直覺。

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

成立于 2025 上半年的深度機智便是其中最具代表性的一個。這家公司由北京中關(guān)村學院導師、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，是這一國家級人工智能教育科研共同體孵化的首家公司。

深度機智創(chuàng)始團隊早在 2024 年底就由智能眼鏡的高速發(fā)展，敏銳覺察到人類第一視角數(shù)據(jù)即將迎來爆發(fā)，而此類數(shù)據(jù)蘊含的人類與物理世界交互的常識，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」，從而找到具身大模型的 scaling law。如今，他們已經(jīng)成為國內(nèi)最早布局這一賽道同時也跑得最快的公司。

而這種路線選擇上的前瞻性，本質(zhì)上源于團隊對大模型通用智能的深刻認知，以及對如何真正將大模型的技術(shù)哲學應用在機器人上的長期探索。基于這種認知，深度機智已經(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」

對機器人研究有所了解的讀者想必都聽過一個詞 —— 莫拉維克悖論。它指的是，對人類來說易如反掌的事情，對機器人來說卻難如登天，比如簡單地做個家務(wù)。Generalist AI 等公司認為，這一現(xiàn)象之所以存在，本質(zhì)上是因為機器人還沒有捕獲到一種極度稀缺的「暗物質(zhì)」—— 物理常識，也就是對力、摩擦、柔度和不確定性等物理屬性的直覺。

然而，審視國內(nèi)具身智能的發(fā)展，目前的競爭焦點卻在另一個維度 —— 使用大模型擬合真機或者仿真得到的軌跡數(shù)據(jù)，并期望通過軌跡數(shù)據(jù)的堆積達到「通用具身智能」，也就是我們目前常說的 VLA 路線。在這種思路的主導下，行業(yè)普遍的做法是：給大模型加上動作模塊，然后瘋狂投喂機器人的末端軌跡數(shù)據(jù)，讓模型去擬合「觀測→動作」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，而且可學到的上限很低。因為這就像訓練一匹智力水平不足的騾馬，無論重復多少遍都只能執(zhí)行有限的指令。所以很多模型背了幾萬小時軌跡，泛化能力依然僵化。

更棘手的是，單純的動作擬合不僅無法產(chǎn)生對物理規(guī)律的直覺，還會破壞大模型本身強大的通用理解能力，導致嚴重的災難性遺忘。這一現(xiàn)象在很多報告中都可以看到，違背了大家利用 VLM 強大泛化能力的初衷 —— 最突出的表現(xiàn)就是，大模型中常見的長程規(guī)劃和推理能力，在當前的大多數(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。這無不凸顯出當前「擬合軌跡」為主的訓練哲學的根本問題。

既然擬合軌跡學不到常識，具身智能到底該怎么走？深度機智之所以能在賽道上搶跑，正是因為他們在底層路線上完成了認知視角的翻轉(zhuǎn)：他們要做的不是「通用具身智能」，而是「具身通用智能」。

這一語序調(diào)換絕非文字游戲，而是訓練邏輯的徹底重構(gòu)。在深度機智的理念中，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，機器人應當首先具備思考、搜索、交流等通用能力，并且深刻理解物理世界的運作規(guī)律，最后才是在現(xiàn)實中去執(zhí)行任務(wù)。

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

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

陳凱指出，他們和 Generalist AI 想法類似：既然人類和機器人處于同一個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動經(jīng)驗，天然蘊含著極其豐富的物理常識。

然而，如果僅僅使用人類動作的軌跡進行訓練，而不是提取其中的物理交互知識，那就無異于買櫝還珠。為了克服這一問題，深度機智在成立短短幾個月內(nèi)，就構(gòu)建了復雜的數(shù)據(jù)增強管線，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。

利用這種物理常識被榨取過的增強數(shù)據(jù)去「喂養(yǎng)」基座模型，深度機智跳出了軌跡擬合的陷阱，換來了數(shù)據(jù)效率的質(zhì)變：用千小時規(guī)模人類第一視角視頻，就能超過別人用幾萬小時真機數(shù)據(jù)才能達到的泛化性。同時，他們也在模型架構(gòu)和算法方面進一步優(yōu)化，以確保大模型在長出「具身肌肉」的同時，絕不喪失原有的「通用靈魂」。

一套開始顯現(xiàn)復利效應的技術(shù)組合

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

過去一年，團隊圍繞這三個環(huán)節(jié)搭建出一套全棧矩陣，并用三組對照實驗驗證了路線的有效性：他們只加人類第一視角數(shù)據(jù)，驗證數(shù)據(jù)方法論；只改架構(gòu)，驗證訓練方法論；只調(diào)算法，驗證對齊方法論。最后，這些方法匯總到一起，他們訓練出了成功率遠超行業(yè)標桿的 SOTA 模型。

PhysBrain：千小時人類視頻 PK 數(shù)萬小時真機

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

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

Egocentric2Embodiment 翻譯管道便是為此提出來的，其核心是把人類第一視角視頻「轉(zhuǎn)碼」成機器人能學的結(jié)構(gòu)化教材：通過多層次拆解任務(wù)規(guī)劃、關(guān)鍵狀態(tài)、手部動作和物理約束，確保時序邏輯連貫且每個判斷都有畫面證據(jù)支撐，最終輸出帶標準答案的 VQA 監(jiān)督數(shù)據(jù)（就像一份帶標準答案的習題集），確保機器人「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)集訓練了一個具身大腦 ——PhysBrain。在完全未出現(xiàn)在訓練集中的 SimplerEnv 四個操作任務(wù)上，PhysBrain（8B 版本）以 67.4% 的平均成功率力壓行業(yè)標桿、Physical Intelligence 的 Pi0.5，領(lǐng)先優(yōu)勢達 10%。

要知道，PhysBrain 的微調(diào)數(shù)據(jù)僅為千小時的純?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)和物體動力學特征，展現(xiàn)了良好的泛化性；相比之下，Pi0.5 則是用數(shù)萬小時真機軌跡數(shù)據(jù)「堆」出來的。這有力地證明了：一個深刻理解物理世界規(guī)律的「聰明大腦」，其學習效率與泛化上限遠超軌跡擬合。

更令人驚嘆的是，PhysBrain 在僅學習「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糾錯能力。

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盤子里。第一次夾取失敗后，它并沒有機械地重復同一個抓取動作，因為模型發(fā)現(xiàn)夾爪已經(jīng)碰到了胡蘿卜，于是順勢改為用夾子把胡蘿卜往盤子方向推，一次推不進去，又加大力度重新推了一次。后來，發(fā)現(xiàn)這種方式依然無效，它又主動切換策略，重新調(diào)整姿態(tài)去抓取。要知道，「推」這個動作是沒有包含在模型訓練數(shù)據(jù)里的，它也沒有看到過失敗軌跡示范，這種表現(xiàn)更像是一種對物理交互的直覺式理解。

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

TwinBrainVLA：給機器人安上「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)化問題隨之而來：一個模型既要保持開放世界的通用理解，又要輸出毫米級的精確動作，這兩個目標在優(yōu)化時其實是打架的。這是 VLA 領(lǐng)域的經(jīng)典難題：微調(diào)學動作，會遺忘通用知識；保通用知識，又學不會精細操作。

為了破解這個「左右互搏」的困境，深度機智創(chuàng)新性地設(shè)計了「左右腦」同構(gòu)架構(gòu) ——TwinBrainVLA。具體來說，他們首先引入一個同構(gòu)但被凍結(jié)的 VLM 模塊作為「左腦」，保持其開放世界理解能力不變；同時又引入一個可訓練的「右腦」網(wǎng)絡(luò)，專門處理機器人本體感知狀態(tài)和低級動作策略。關(guān)鍵在于「左右腦」之間的信息交互 —— 通過他們提出的非對稱混合 Transformer 機制（AsyMoT），右腦可以動態(tài)查詢左腦的語義知識，但左腦的參數(shù)不會被下游任務(wù)污染。

這種設(shè)計的精妙之處在于：知識遷移而不遺忘。右腦學會動作控制時，左腦依然保有識別「易碎物品」這樣的常識知識及推斷約束條件的能力；當機器人遇到新場景，左右腦協(xié)同工作，既不會變成「只會抓杯子不懂杯子會碎」的純執(zhí)行機器，也不會停留在「知道要輕放但手不聽使喚」的紙上談兵階段。

實驗階段，深度機智在完全未出現(xiàn)在訓練集中的 SimplerEnv 四個操作任務(wù)上驗證了 TwinBrainVLA 的有效性：在數(shù)據(jù)量遠遠小于 Pi0.5 的前提下，TwinBrainVLA 將原生的 Qwen3-VL-4B 能力有效遷移到機器人控制任務(wù)上，在 480 次獨立測試中的平均成功率達到 64.5%，遠超使用了數(shù)萬小時軌跡數(shù)據(jù)的 Pi0.5（57.1%）。它證明了保住大模型的底子，本身就能換來更高的性能上限。

LangForce：強迫大腦「讀懂指令」再動手

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

這個問題是說，模型表現(xiàn)出一種類似「偷懶」的現(xiàn)象：由于訓練數(shù)據(jù)中指令與畫面高度相關(guān)，機器人往往直接跳過語言指令，只盯著視覺畫面做動作（比如看見碗和抽屜就執(zhí)行「把碗放進抽屜」）。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，模型也會因為忽略指令而徹底翻車。

為了解決這個問題，深度機智改進了算法，強迫模型回答「這個動作比單純看畫面多提供了什么信息」。他們設(shè)計了一個雙分支架構(gòu) —— 一個分支只能看畫面生成動作，另一個分支能同時看到畫面和指令，然后通過最大化兩者的差異（即條件互信息），讓模型被迫「解釋」為什么要執(zhí)行這個動作。只有當動作真正體現(xiàn)了語言指令的語義時，模型才能獲得獎勵；反之，如果動作僅靠畫面就能預測，模型就會受到懲罰。這相當于在訓練過程中給模型設(shè)置了一個「防偷懶」機制，確保它不能把語言指令當擺設(shè)。

這個小小的改進帶來的增益非常明顯：在不使用任何機器人真機軌跡數(shù)據(jù)進行預訓練的情況下，以原生 Qwen-3-VL 為主干進行微調(diào)的模型在 SimplerEnv 的四個任務(wù)上實現(xiàn)了 66.5% 的成功率，領(lǐng)先 Pi0.5 將近 10 個百分點。

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

當三條路徑匯合，能力曲線開始抬升

前面三個「控制變量」實驗表明，深度機智在數(shù)據(jù)、架構(gòu)、算法層面提出的各個創(chuàng)新都能帶來顯著的增益，但真正的質(zhì)變發(fā)生在它們「三合一」的時刻。

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

這種領(lǐng)先優(yōu)勢在其他具有挑戰(zhàn)性的場景中得到了進一步驗證。在 RoboCasa 上，PhysBrain1.0 僅使用千小時人類第一視角數(shù)據(jù)做 VLM 增強，就達到 58.1% 成功率，拿下 SOTA。這個測試強調(diào)多階段家庭場景操作，考察的是長程規(guī)劃與穩(wěn)定執(zhí)行能力，結(jié)果說明模型已具備真實場景落地的潛力。

同時，深度機智還觀察到，雖然模型使用的是人類第一視角視頻和少量 ALOHA 機器人軌跡數(shù)據(jù)進行訓練，但在另一個機器人真機平臺 ——Franka 上，它也能實現(xiàn)接近 100% 的抓取成功率，這說明模型了具備業(yè)界少見的跨本體泛化能力。

從基礎(chǔ)操作到復雜協(xié)同，再到泛化遷移，PhysBrain1.0 基本實現(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)成果也將開源。

當能力上限被抬高

競爭才真正開始

如果把視線拉回到整個行業(yè)，就會發(fā)現(xiàn)一個頗為微妙的錯位。

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

深度機智的思路，更像是大模型出現(xiàn)后機器翻譯的那次代際躍遷。早期翻譯系統(tǒng)靠規(guī)則和對齊表修修補補，效果始終有限；直到模型開始掌握語言的底層結(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 → 動作」的映射上死磕，不如先讓模型通過人類第一視角視頻習得物理世界的「通用語法」。當常識內(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)量級的提升。

這種認知時差帶來的先發(fā)優(yōu)勢，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)，再到針對語言與動作對齊的訓練算法，彼此咬合。結(jié)果不只是單點指標領(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)效率疊加對物理常識的系統(tǒng)性建模，使得后來者很難僅靠堆算力或堆真機軌跡在短期內(nèi)追平。

接下來，深度機智計劃在 2026 年上半年把人類第一視角數(shù)據(jù)規(guī)模推進到百萬小時量級。在這個數(shù)量級上，問題或許不再是「機器人能不能完成某個任務(wù)」，而是物理常識的 Scaling Law 能否完全顯現(xiàn)。

人類視角數(shù)據(jù)采集現(xiàn)場。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，可能會比很多人預想得更早到來。

? THE END