我們不想做追隨者，而是做定義者。

作者｜Yolanda

編輯｜栗子

3月27日，北京中關(guān)村學(xué)院在中關(guān)村論壇年會「全球?qū)υ挕蛊叫姓搲顒由希l(fā)布了五項(xiàng)重要研究成果。其中，第一項(xiàng)聯(lián)合深度機(jī)智正式推出的具身通用智能基座模型系統(tǒng)PhysBrain 1.0，不僅是一項(xiàng)技術(shù)更新，更被視為具身智能發(fā)展路徑上的一次關(guān)鍵探索。

PhysBrain 1.0 由三部分構(gòu)成：基座模型 PhysBrain、雙腦架構(gòu) TwinBrainVLA，以及訓(xùn)練策略 LangForce。整體從“理解優(yōu)先，通用優(yōu)先”的思路出發(fā)，嘗試解決傳統(tǒng) VLA 模型在訓(xùn)練中物理常識缺乏、通用能力與任務(wù)能力難以兼顧的問題，使模型在保持認(rèn)知能力的同時提升執(zhí)行能力。

與依賴真機(jī)數(shù)據(jù)的主流路線不同，這一體系引入大規(guī)模低成本人類第一視角數(shù)據(jù)，將物理常識作為訓(xùn)練核心，提升模型在復(fù)雜場景中的泛化能力。這一思路對應(yīng)著行業(yè)正在出現(xiàn)的轉(zhuǎn)向——從“動作模仿”走向“物理理解”。

在中關(guān)村論壇活動的同期展上，深度機(jī)智同步展示了其自研的全尺寸擬人體機(jī)器人Prime。該機(jī)器人具備72個自由度，比例尺寸與人體同構(gòu)，可實(shí)現(xiàn)毫米級精細(xì)操作，并可在斷電狀態(tài)下自主站立，主要用于驗(yàn)證通用具身模型在真實(shí)環(huán)境中的適配能力。

深度機(jī)智全尺寸擬人體機(jī)器人Prime

當(dāng)前，全球具身智能領(lǐng)域還在“軌跡擬合、數(shù)據(jù)昂貴、泛化薄弱”的舊有范式打轉(zhuǎn)，深度機(jī)智憑借一套完全自主創(chuàng)新的技術(shù)體系，給出了破局答案——讓機(jī)器人首先像人類一樣理解世界，才是實(shí)現(xiàn)通用智能的核心路徑。

作為行業(yè)新銳，深度機(jī)智成立于2025年，由北京中關(guān)村學(xué)院與中關(guān)村人工智能研究院聯(lián)合孵化。與多數(shù)從硬件或控制層面切入的團(tuán)隊不同，該公司自成立之初便選擇了一條差異化路徑：讓機(jī)器人通過人類第一視角數(shù)據(jù)理解世界，而非依賴大規(guī)模真機(jī)訓(xùn)練，這種創(chuàng)新思路也成為其技術(shù)突破的核心優(yōu)勢。

不難看出，這款由中國團(tuán)隊原創(chuàng)、開源開放、擁有物理智能的“機(jī)器人大腦”，正以悄無聲息卻影響深遠(yuǎn)的方式，推動具身智能行業(yè)迎來一場范式革命。

1.十五年積淀，他更早看到機(jī)器人的下一步

很多創(chuàng)業(yè)故事，都從“看見機(jī)會”開始，但深度機(jī)智則是從“預(yù)見未來”開始。

作為深度機(jī)智的靈魂人物，陳凱已經(jīng)在AI領(lǐng)域浸潤了15年。從學(xué)術(shù)研究到工程落地，他做過幾乎所有“標(biāo)準(zhǔn)路徑”該做的事：頂會論文、Nature子刊成果，以及在微軟亞洲研究院主導(dǎo)研發(fā)的“文檔智能”系統(tǒng)，這是一個年調(diào)用量達(dá)到千億級的產(chǎn)品。

深度機(jī)智創(chuàng)始人陳凱

這是一條足夠成功、也足夠穩(wěn)妥的軌道。但正因?yàn)樽叩脡蛏睿哺缫庾R到一個問題：大模型解決的是“理解語言”，但沒有解決“理解世界”。

ChatGPT爆發(fā)之后，幾乎所有人都在討論生成式AI的可能性，而陳凱的注意力卻落在另一件事上：如果機(jī)器已經(jīng)可以理解文本，那么下一步，必然是進(jìn)入物理世界。

接下來的問題是，機(jī)器人怎么學(xué)呢？

2024年，AI眼鏡再度翻紅，越來越多的人開始用設(shè)備記錄自己的第一視角生活。這在別人看來是硬件創(chuàng)新，但陳凱看到的則是前所未有的數(shù)據(jù)來源。

他發(fā)現(xiàn)這類數(shù)據(jù)不是孤立的動作切片，而是帶著場景記憶、物理約束和交互邏輯的“活教材”，蘊(yùn)含著人類與世界打交道的底層智慧。而這正是破解傳統(tǒng)具身智能 “軌跡擬合” 困境的核心密鑰。

“人用眼睛理解世界，機(jī)器人未來也會如此。”這個念頭一旦出現(xiàn)，就再也沒有消失。2024年12月，他加入剛成立的北京中關(guān)村學(xué)院，開始做一件沒有現(xiàn)成答案的事——用人類第一視角數(shù)據(jù)構(gòu)建具身基座模型。

2025 年 5 月，陳凱叫來了中科大少年班的室友張翼博，依托“新型大學(xué) + 新型研發(fā)機(jī)構(gòu)” 的創(chuàng)新孵化機(jī)制，共同成立了深度機(jī)智。

深度機(jī)智聯(lián)合創(chuàng)始人、CEO張翼博

公司成立之初，得益于中關(guān)村學(xué)院與中關(guān)村人工智能研究院構(gòu)建的開放創(chuàng)新生態(tài)，通過靈活的兼職管理辦法與知識成果轉(zhuǎn)移轉(zhuǎn)化機(jī)制，研究人員們得以深度參與項(xiàng)目，這種環(huán)境讓團(tuán)隊可以專注在把“人類經(jīng)驗(yàn)”注入具身基座模型的事情上。

但他們也聽到了各種質(zhì)疑的聲音：“脫離真機(jī)數(shù)據(jù)的路線不切實(shí)際”，“這個賽道現(xiàn)在做太早”……于是，一些初創(chuàng)團(tuán)隊成員開始動搖，有人離開。最極端的時候，公司只剩下陳凱和張翼博兩個人。

后來回憶這段時間，陳凱說得很平靜：“要知道，物理常識不可能來自機(jī)械重復(fù)，只能來自真實(shí)世界的交互。如果大家都覺得可行，那就不叫先行者了。”所以，他們堅信自己的判斷，繼續(xù)低頭趕路。

很快，這條人跡罕至的路上多了一些同行者。Tesla宣布開始減少遙操作數(shù)據(jù)，轉(zhuǎn)向第一視角人類視頻；Figure AI披露在與商業(yè)地產(chǎn)公司合作采集人類第一視角數(shù)據(jù)；越來越多團(tuán)隊開始嘗試用第一視角人類數(shù)據(jù)訓(xùn)練機(jī)器人。

與此同時，團(tuán)隊內(nèi)部也在發(fā)生變化。在機(jī)器人領(lǐng)域全棧深耕十余年的何旭國的加入，讓整個技術(shù)路徑第一次形成閉環(huán)。作為機(jī)器人奧運(yùn)會（First Gobal Challenge）青少年國家隊的總教練，他補(bǔ)上了最關(guān)鍵的一環(huán)——如何讓這些“理解”，真正落在機(jī)器上。

深度機(jī)智聯(lián)合創(chuàng)始人、總設(shè)計師何旭國

“我們不僅要學(xué)習(xí)人類的動作軌跡，更要理解動作背后的物理邏輯。”陳凱的堅持終見曙光。當(dāng)國內(nèi)同行還在為真機(jī)數(shù)據(jù)采集成本居高不下而苦惱時，深度機(jī)智已用千小時人類數(shù)據(jù)實(shí)現(xiàn)了性能突破；當(dāng)國外巨頭仍困在 “軌跡擬合” 的死胡同，深度機(jī)智的模型已開始涌現(xiàn)出自主糾錯、靈活應(yīng)變 ——這條“非主流路線”，漸漸成為引領(lǐng)行業(yè)的新方向。

于是，三位創(chuàng)始人用各自的專業(yè)堅守，共同證明一件事情：真正的先行者，從來不是順應(yīng)行業(yè)潮流，而是創(chuàng)造行業(yè)潮流。

2.從模仿到理解，機(jī)器人如何真的學(xué)會思考？

深度機(jī)智究竟在做什么？答案很簡單：打造能像人一樣思考的機(jī)器人大腦，讓機(jī)器人不僅能“動起來”，更能 “想明白”。

傳統(tǒng)具身智能路線依賴數(shù)萬小時真機(jī)或仿真數(shù)據(jù)，模型只能機(jī)械復(fù)刻動作，無法理解物理常識，換場景就失效。就像教猴子做家務(wù)，手把手教十年也學(xué)不會靈活變通，因?yàn)樗欢拜p拿易碎品”“避開障礙物” 的底層邏輯。

深度機(jī)智最先解決的是數(shù)據(jù)問題，先讓模型開始有“物理直覺”。

深度機(jī)智顛覆式地提出“先理解，后執(zhí)行”（Understanding first, Action next）的核心理念，將人類第一視角數(shù)據(jù)作為模型的 “物理常識教材”。同時，深度機(jī)智構(gòu)建了首個能將海量人類視頻轉(zhuǎn)化為具身智能訓(xùn)練數(shù)據(jù)的引擎，完成了約 3,000 小時人類第一視角視頻的精準(zhǔn)標(biāo)注，涵蓋真實(shí)三維環(huán)境中的空間關(guān)系、動作可行性及多步邏輯推理，從而挖掘出深層的物理規(guī)律與常識。

高質(zhì)量語料注入多模態(tài)大模型后，可以成功激發(fā)出模型的“類人”物理智能，推動模型從“模仿動作”升級為“理解物理”。

通過這種方式，模型不僅學(xué)到“做什么”，更理解 “為什么這么做”——知道玻璃易碎需要輕拿，知道重物滑落需要調(diào)整握姿，實(shí)現(xiàn)從 “模仿” 到 “理解” 的質(zhì)變。目前，PhysBrain基座模型在空間智能、具身交互等多項(xiàng)權(quán)威評測中，全面實(shí)現(xiàn)SOTA（業(yè)界最優(yōu)）性能，彰顯了具身通用智能的核心競爭力。

緊接著，深度機(jī)智還圍繞模型與訓(xùn)練方式做了系統(tǒng)設(shè)計，讓“理解”成為可能。

目前，具身智能行業(yè)常常會遇到“撿了芝麻丟了西瓜”的問題：有的時候，模型為了學(xué)好簡單的“抓拿放”動作，常常會忘記基礎(chǔ)知識，喪失通用能力；為了保留通用知識，動作精度又上不去。這是業(yè)界熱議的“災(zāi)難性遺忘”問題。

為了解決災(zāi)難性遺忘行業(yè)難題，深度機(jī)智在2026年1月原創(chuàng)性提出 TwinBrainVLA “雙腦融合” 架構(gòu)，一部分負(fù)責(zé)通用認(rèn)知，保持穩(wěn)定；另一部分負(fù)責(zé)具體動作訓(xùn)練。兩者協(xié)同工作，從而兼顧“常識”與“技能”。

不過，機(jī)器人想要走向通用化，還有一個關(guān)鍵能力：到底可不可以聽懂人話？

很多模型在訓(xùn)練中會走“視覺捷徑”，只根據(jù)畫面做判斷，而忽略指令本身。例如看到碗和抽屜，就默認(rèn)執(zhí)行“放進(jìn)去”，其實(shí)根本不理解任務(wù)要求。但深度機(jī)智的LangForce通過調(diào)整訓(xùn)練機(jī)制，讓模型同時理解語言、環(huán)境與任務(wù)目標(biāo)，從“看圖做事”轉(zhuǎn)向“理解后執(zhí)行”。

當(dāng)數(shù)據(jù)、架構(gòu)與訓(xùn)練方式打通后，深度機(jī)智看到了令人振奮的模型智能糾錯現(xiàn)象。深度基智在測試中發(fā)現(xiàn)，機(jī)械臂竟然會學(xué)著人的樣子推胡蘿卜嘗試讓它滾到盤子里，失敗后還主動調(diào)整策略重新夾取，自主多次調(diào)整角度后成功完成任務(wù)；堆疊方塊掉落時，會主動撿起并微調(diào)夾爪姿勢。

這些未在訓(xùn)練數(shù)據(jù)中出現(xiàn)的靈活策略，證明模型已初步具備物理常識和自主決策能力。“這不是編程好的動作，而是模型自己‘想出來’的解決方案。”陳凱的自豪溢于言表。

此外，具身通用智能實(shí)現(xiàn)關(guān)鍵突破的另一個核心印證就是跨本體遷移能力。這意味著模型掌握的運(yùn)動與物理先驗(yàn)知識可以從一種機(jī)器人（如特定品牌的機(jī)械臂）無損或低成本地遷移到另一種形態(tài)不同的機(jī)器人上，極大降低了新硬件的適配難度。

為了驗(yàn)證這些能力，深度機(jī)智并沒有停留在模型層，而是構(gòu)建了完整的技術(shù)閉環(huán)：在數(shù)據(jù)側(cè)，他們開發(fā)了低成本采集設(shè)備，將數(shù)據(jù)成本控制在傳統(tǒng)真機(jī)數(shù)據(jù)的較低水平；在硬件側(cè)，則打造了全尺寸擬人體機(jī)器人Prime，用于驗(yàn)證模型在真實(shí)環(huán)境中的表現(xiàn)。

深度機(jī)智的數(shù)采設(shè)備

“這些配套能力都是‘魂道法術(shù)器’中的‘器’，核心是為模型服務(wù)。”陳凱強(qiáng)調(diào)。全棧布局是為了確保技術(shù)閉環(huán)，每一個環(huán)節(jié)都精準(zhǔn)支撐 “人類學(xué)習(xí)” 范式。

當(dāng)然，這條路線仍在早期階段，數(shù)據(jù)質(zhì)量、模型穩(wěn)定性等問題仍需繼續(xù)驗(yàn)證。但至少，它提供了一種新的可能：讓機(jī)器人不只是會做事，而是真正理解這個世界。

3.競賽的分水嶺，從機(jī)器人大腦自主可控開始

如果說具身智能是一場全球競賽，那么真正的分水嶺，正在從“誰能造出機(jī)器人”，轉(zhuǎn)向了下一個階段：誰掌握機(jī)器人的大腦，誰就有可能掌握競賽的主動權(quán)。

過去幾年，中美在這一領(lǐng)域逐漸形成“雙極格局”。根據(jù)麥肯錫全球研究院預(yù)測，到2040年，機(jī)器人產(chǎn)業(yè)將創(chuàng)造約1900億至9100億美元收入，并可能貢獻(xiàn)全球GDP增長的18%至34%。在這樣一個潛在萬億級賽道上，中美已成為最核心的兩股力量。

但如果從技術(shù)結(jié)構(gòu)拆解，這種競爭并不對稱：美國強(qiáng)在“大腦”，中國強(qiáng)在“本體”。

美國的優(yōu)勢集中在算法與系統(tǒng)層。以NVIDIA為代表，其在GPU算力、模型框架和仿真平臺上構(gòu)建了完整生態(tài)；Physical Intelligence、Generalist AI等公司，則直接聚焦具身智能“基座模型”，推動從語言模型向物理智能的延伸。

相比之下，中國的優(yōu)勢更集中在制造與應(yīng)用側(cè)。從傳感器、電機(jī)到整機(jī)集成，中國已經(jīng)形成完整產(chǎn)業(yè)鏈，并具備極強(qiáng)的工程能力。以宇樹科技為代表的企業(yè)，在機(jī)器人本體迭代和成本控制上具備顯著優(yōu)勢。但問題同樣明顯，中國機(jī)器人在“機(jī)器人大腦”層面，長期存在路徑依賴。不少企業(yè)仍追隨國外開源的技術(shù)路線，核心能力受制于人。

這也是為什么，大腦“自主可控”在具身智能領(lǐng)域，正在變成一個關(guān)鍵命題。如果底層模型依賴外部體系，那么即使硬件能力再強(qiáng)，產(chǎn)業(yè)鏈的上限依然會被鎖定在應(yīng)用層。

換句話說，“身體強(qiáng)”還不足夠，“大腦自主”才決定長期競爭力。

正是在這樣的背景下，一些中國團(tuán)隊開始嘗試走出不同路徑。深度機(jī)智提出的“人類第一視角學(xué)習(xí)”范式，本質(zhì)上是一種繞開既有技術(shù)體系的探索：不依賴高成本真機(jī)數(shù)據(jù)，而是通過大規(guī)模人類視頻提取物理常識，構(gòu)建具身智能模型。

這一思路的意義，不僅在于技術(shù)本身，更在于它提供了一種可能：用新的范式，重構(gòu)機(jī)器人大腦的訓(xùn)練方式。

更值得注意的是，這一方向正在獲得越來越多外部驗(yàn)證。今年年初，英偉達(dá)提出了大規(guī)模第一人稱人類數(shù)據(jù)的世界模型數(shù)據(jù)集DreamDojo-HV和世界動作模型Dreamzero，和VLA模型EgoScale；Generalist AI表示物理常識是智能的暗物質(zhì)，是具身智能的關(guān)鍵。

這一趨勢在國內(nèi)進(jìn)一步擴(kuò)散，國內(nèi)不少科技公司陸續(xù)組建團(tuán)隊切入具身智能大腦賽道，部分初創(chuàng)公司也開始探索基于視頻數(shù)據(jù)的新訓(xùn)練路徑。

從行業(yè)演進(jìn)來看，一個清晰的變化正在發(fā)生：具身智能的競爭，正在從“數(shù)據(jù)規(guī)模”轉(zhuǎn)向“架構(gòu)范式”。誰能夠更高效地獲取“物理常識”，誰就更有可能構(gòu)建通用能力。

在這一過程中，中國反而具備一些獨(dú)特優(yōu)勢。首先是數(shù)據(jù)與場景。相比美國，中國在工業(yè)、物流、服務(wù)等領(lǐng)域擁有更豐富的真實(shí)環(huán)境，這些非標(biāo)場景天然構(gòu)成高質(zhì)量語料來源。

其次是成本結(jié)構(gòu)。人類第一視角數(shù)據(jù)的采集與標(biāo)注成本，在中國更具優(yōu)勢，這使得大規(guī)模驗(yàn)證成為可能。再加上制造能力與應(yīng)用落地，中國具備將新范式快速轉(zhuǎn)化為現(xiàn)實(shí)系統(tǒng)的條件。

可以確定的是，路徑正在發(fā)生變化。對中國而言，真正的機(jī)會或許不在于復(fù)制既有路線，而在于找到一條屬于自己的技術(shù)路徑。

無論是“人類第一視角學(xué)習(xí)”，還是其他可能出現(xiàn)的新范式，其核心意義都在于一件事，就是擺脫依賴，建立屬于自己的技術(shù)體系。

正如陳凱所說：“我們不想做追隨者，而是做定義者。”

在一個尚未定型的行業(yè)里，這種選擇意味著更高風(fēng)險，也意味著更大的可能性。但當(dāng)越來越多企業(yè)開始在底層技術(shù)上做出不同嘗試，中國具身智能的競爭方式，也將從“跟隨”，逐漸走向“定義規(guī)則”。

（封面圖及文中圖片來源：深度機(jī)智）