衡宇 發自 凹非寺
量子位 | 公眾號 QbitAI

具身智能正在經歷一場靜默但深刻的路線轉變。

過去兩年，大多數機器人團隊都在做同一件事，讓機器人反復模仿動作，用海量仿真數據“喂”出技能。但一個根本問題始終沒解決——機器人并不理解為什么要這么做。

一家成立僅一年的中國公司，從一開始就走了一條“非共識”的路：先讓機器人像人一樣觀察世界、理解物理規律，再讓它學會行動。

這條路，如今被證明是對的。

深度機智，這家由北京中關村學院和中關村人工智能研究院聯合孵化的具身大模型公司，是國內最早定義并系統化布局“人類學習”路線的具身智能團隊。

圍繞今年3月發布的PhysBrain 1.0具身通用智能基座模型體系，團隊已形成一組核心模型成果，并在WorldArena、SimplerEnv、RoboTwin 2.0、RoboCasa、LIBERO等五大國際權威榜單中登頂或領先。

深度機智最近還首次對外正式披露了融資情況。

成立僅一年，公司已累計完成數億元融資，吸引了包括重量級國資平臺、頭部財務機構及產業資本在內的十余家知名投資機構深度參與，老股東持續跟投。

資本的重磅押注以及全球榜單的登頂，無疑都在說明，深度機智所代表的“人類學習”路線或許是通往具身智能AGI的正確路徑。

從0到1打通具身智能技術全棧閉環，登頂全球權威榜單

相比很多仍停留在單點驗證階段的團隊，深度機智更值得關注的地方，在于它從成立第一天起，就圍繞“數據—模型—算法—系統”打造全棧閉環。

圍繞“先理解，后執行”的核心思路，深度機智在數據范式、模型架構、訓練機制、空間理解、世界模型等方向持續推出成果，形成了以PhysBrain 1.0為代表的具身大模型技術體系。

具體來說，在數據側，通過第一人類視角數據提供真實物理世界的人類經驗；在模型側，將這些人類經驗轉化為機器人大腦對物理世界的理解、預測和任務泛化能力；在機器人本體側，通過擬人體設計，為模型能力向真實機器人身體遷移提供驗證載體。

這意味著，深度機智不是在做單點模型，也不是單純做數據采集或機器人整機，而是在圍繞“機器人大腦”搭建一套從人類數據到具身基座模型、再到真實本體遷移的系統工程。

最終，其發布的PhysBrain 1.0不僅在學習效率上更高，用千小時人類數據超越了萬小時真機數據訓練的性能，而且模型還涌現出了“靈活應變”能力。

據悉，深度機智圍繞“人類學習”路線形成的核心模型矩陣，已在五大公開評測中取得亮眼成績。

• 在WorldArena榜單中，深度機智團隊的Z-WM_v1機器人世界模型以64.96分超越當前榜首（64.24分），同時也是全榜唯一在機器人落地核心維度上無任何致命短板；
• 在考驗模型泛化能力的國際權威榜單SimplerEnv中，PhysBrain 1.0在WidowX Robot測試中取得80.2%平均成功率，遠超國際標桿π0.5的57.1%，達到行業SOTA；
• 在RoboTwin 2.0雙臂操作泛化能力基準中，深度機智的STARR動作生成增強框架模型在Clean和Random設置下分別取得93.82%、93.30%的平均成功率，一舉刷新榜單性能上限；
• 在家庭日常任務泛化基準RoboCasa中，PhysBrain 1.0僅通過千小時人類數據做VLM增強，即實現64.5%的平均成功率，達到行業SOTA；
• 在LIBERO多任務連續操作與領域適應基準中，采用TwinBrainVLA雙腦架構取得97.6%的平均成功率，基于LangForce訓練機制達到98.4%到平均成功率成功率，融合數據、架構、訓練方法后的PhysBrain1.0基座模型體系達到98.8%的平均成功率，刷新了行業最好成績。

無論是在VLM、VLA還是世界模型與空間智能領域，深度機智都交出了一組可被公開評測驗證的成績。

它要證明“人類學習”路線可以持續轉化為模型能力。

去年12月，深度機智發布了首個基于人類第一視角多模態數據集DeepAct。

今年3月中關村論壇活動上，深度機智正式發布了PhysBrain 1.0具身通用智能基座模型體系，同時，公司也對外展示了其工業級全尺寸擬人體機器人Prime，完成了具身智能“數據+大腦+身體”的最后一塊拼圖，標志著深度機智作為具身智能基礎設施的雛形已然成型。

率先押注“人類學習”路線，駛向具身AGI

2026年GTC大會上，英偉達創始人兼首席執行官黃仁勛的一句話點破了行業痛點：“收集真實世界的訓練數據過程緩慢且成本高昂，而且永遠都不夠充分。”

英偉達機器人方向負責人Jim Fan更是指出，英偉達將徹底押注第一視角人類視頻。

實際上從2025年下半年開始，全球具身智能領域出現明確方向轉變，越來越多國際頭部團隊，包括Figure、Tesla等，開始重新重視人類行為數據在物理常識學習與模型通用能力提升中的核心作用。

這些路線背后的核心都是機器人需要建立對真實物理世界的穩定理解能力。

作為國內最早將“人類學習”路線作為核心戰略并堅定投入的具身公司，深度機智在成立之初便選擇了這條行業非共識道路，用一年時間見證了它從非共識到成為行業主流的全過程。

當時具身智能賽道雖熱火朝天，但絕大多數公司都走在“軌跡擬合”的老路上，依賴海量真機演示數據教機器人模仿動作。

這類模型存在一個致命缺陷，它們只記住了動作軌跡，卻沒有理解為什么要這樣做，模型靠“猜”來預測動作，導致輸出的結果與真實物理交互存在嚴重失真和錯位——動作刻板、不會變通、出錯無法糾正。

陳凱帶領的深度機智團隊從第一性原理出發，將真正實現具身智能AGI作為唯一使命，認為讓機器人具備像人類一樣的通用判斷力和行動力，就需要學習人類在物理世界的行為，因此“人類第一視角數據”尤為重要，因其完整記錄了“人看到了什么、聽到了什么、怎么和世界交互”，是具身智能不可或缺的訓練數據。

這一判斷在彼時極為超前，但正是這條“少有人走的路”，讓深度機智抓住了重要窗口期。

為解決數據采集、數據轉化等方面“卡脖子”的問題，公司構建了行業首個規模化人類經驗采集與轉化體系：

• 首創ICDC情景化數據采集方法論，建成數十萬小時高質量人類第一視角多模態數據集，完成四類數采設備研發，覆蓋真實世界多元物理交互場景；
• 研發大模型自動化數據清洗與標注技術，將真實世界中的人類經驗轉化為具身基座模型可學習的訓練信號，大幅降低數據處理成本，數據效率實現數量級突破。

當數據瓶頸被突破，“人類學習”路線的規模效應也開始逐步顯現。

獲數億元融資，頭部機構爭相押注

深度機智在具身智能的系統建設和技術實力也獲得了頭部投資機構的青睞。

最近，深度機智宣布完成新一輪融資，融資額超億元。

資方陣容強大，包括中關村資本、誠通科創基金、北京熙誠致遠等重量級國資平臺，普華資本、東方富海、藍湖資本等頭部財務機構，中科大校友基金、未來光錐前沿科技基金等專業投資力量，全球光伏龍頭晶科能源控股旗下CVC基金，還有多家老股東跟投。

據了解，資金將全部投向數據基礎設施建設、模型研發迭代與關鍵人才引進，進一步鞏固在中國自主機器人大腦領域的早期領先位置。

相比融資金額，更值得關注的其實是這輪融資背后所反映出的行業變化。

深度機智的資方涵蓋重量級國資平臺、市場化投資機構及產業資本等多種類型，結構呈現出顯著的多元化與互補性。

重量級國資平臺關注國家戰略方向的自主可控，市場化投資機構押注團隊的技術深度與長期成長空間，產業資本看重技術落地與場景協同。

多元資本共同下注，既是基于對“人類學習”路線的看好，也是對這家公司團隊技術實力的認可。

我們了解到，深度機智的核心團隊本身具備非常典型的“AI+Physics+Robotics”復合背景。

創始人陳凱畢業于中科大少年班學院，在人工智能領域深耕15年，在國際上率先將人工智能模型分布式訓練規模擴展至百卡以上，是深度機智“人類學習”路線的提出者，也是公司具身基座模型體系的核心牽引者。

聯合創始人兼CEO張翼博與陳凱同為中科大少年班學院同學，擁有15年應用物理學背景，博士師從美國UCLA科學智能泰斗、微生物科學院院士，以物理學訓練和第一性原理思維，為公司物理智能研發和構建具身智能基座模型戰略路線提供重要支撐。

聯合創始人兼總設計師何旭國深耕機器人領域十余年，曾擔任機器人奧運會First Global Challenge青少年國家隊總教練，負責公司擬人體本體設計、精細化操作系統，以及模型能力向真實機器人身體遷移的系統工程。

這種同時具備模型研發、物理理解與機器人系統工程能力的團隊結構，重要性正在變得越來越明顯。

因為具身智能發展到今天，已經越來越不像傳統機器人行業，也越來越不像單純的大模型行業。

它更像是一場AI、Physics與Robotics的交叉融合。

這場馬拉松里，深度機智選擇了一條并非當下主流但指向終局的路。

用一年時間，公司獲得全球第一的技術成績，完成數億元融資，獲得投資機構追捧……這家具身國家隊創企正在用實際成績證明，中國同樣能誕生從底層原理出發、面向具身AGI長期主義的世界一流硬核模型團隊。

下一步，深度機智將繼續圍繞“人類學習”路線加大投入，推動中國自主機器人大腦走向更強的通用性，最終目標指向具身AGI。