編輯 | Panda、陳萍

2026 年 5 月，深度機智（DeepCybo）迎來成立一周年。

過去一年，這家由北京中關村學院與中關村人工智能研究院孵化的具身通用智能（E-AGI）基座模型公司，走了一條在行業看來相當「非主流」的路：不做本體堆量，不攢遙操數據，而是圍繞「人類第一視角」數據這個支點，系統性地建立從數據采集、基座模型、空間智能、策略學習到世界模型的完整技術體系。

一年前，當創始人陳凱提出「基于人類第一視角數據構建具身基座模型」的路線，迎來的更多是冷淡和質疑。一年后，當全球具身智能的討論重心轉向「物理 AI」與「數據范式」之爭，深度機智已經在這條路上跑了整整一年，并在多個國際權威榜單上用成績說話。

就在這個一周年節點前后，深度機智又在 WorldArena Track 2 Data Engine 賽道以 88.5 分斷崖奪冠，領先第二名 30.5 分！

WorldArena Track2 (Data Engine) 最新排行榜

要知道，WorldArena Track2 賽道的評估非常苛刻：要求模型根據指令生成未來的合成視頻觀察流，這些數據會被直接注入下游機器人策略網絡，并在物理仿真環境中執行閉環抓取任務。最終得分，直接對應這些合成數據給機器人任務成功率帶來的提升。

因此，深度機智 Z-WM 在 WorldArena Track 2 的領先，不只是一次榜單成績突破，更說明其生成數據已經具備較強的物理一致性和任務有效性，可以真正服務于具身智能模型訓練

這也回應了外界對世界模型最核心的疑問：世界模型生成的數據，是否真的能成為具身模型訓練的數據引擎？至少在 WorldArena Track 2 的評測標準下，Z-WM 給出了肯定答案。

并且，這也不是 Z-WM 第一次登頂 WorldArena。此前在 Track 1（考察生成數據的感知質量和動作響應）中，Z-WM 以 64.96 分超越前榜首 WorldScape v0.2；此次再度登頂 Track 2，意味著深度機智在感知質量、動作響應、物理有效性三個維度上，均已形成系統性領先。

值得一提的是，本次比賽中 Z-WM僅在語言驅動的情況下，在 Track 1 總榜中就已位列第八名，超越一眾采用「語言+動作」聯合方案的模型。這說明數據管線的深度積累，已經讓模型在沒有顯式動作輸入的情況下，也能內化對物理常識的理解。

從 Track 1 到 Track 2，是深度機智具身基座能力的兩級驗證：先證明「生成得像」，再證明「生成得有用」。

深度機智要做什么

先理解世界，再驅動行動

要理解這次成績，需要先理解深度機智的定位。

深度機智不是一家做單點模型的公司，而是專注于構建具身通用智能基座模型（E-AGI）的全棧公司。

其核心判斷是：具身智能走向通用化的瓶頸，不在硬件，也不在算力，而在于機器人缺乏對物理世界的根本理解。傳統路線讓機器人學「怎么做」，結果是擬合軌跡、機械復現，一旦場景略有變化便束手無策。深度機智的回答是：先讓機器人理解「世界怎么運轉」，再執行任務——先理解，后行動

支撐這一判斷的是對數據本質的重新認識。

機器人動作軌跡的信息密度本身很低；而人類第一視角數據天然攜帶空間關系、時序邏輯、物體物理屬性乃至操作背后的因果推理，是真正意義上的「物理常識載體」。

這是深度機智一直堅持的一個技術直覺，也是今天支撐其全套體系的根基。

從數據到大腦

深度機智的完整技術路線

深度機智的技術體系不是若干獨立算法的組合，而是一條從數據到行動、層層遞進的閉環鏈路。理解這條鏈路，才能理解每一項成果背后的邏輯。

第一層：數據管線，建立物理常識的源頭

深度機智率先建立了以人類第一視角（Egocentric）為核心的ICDC 情境數采體系。與遙操作或仿真數據不同，情境數采強調「動作發生時的前因后果」：它關注的不是手部運動軌跡本身，而是人在真實場景中如何觀察、判斷和操作，以及這一過程中同步產生的空間關系、場景語境、物體狀態變化與物理邏輯。其核心價值不在于復刻動作，而在于把真實交互中的情境經驗與物理常識，轉化為具身模型可以學習的結構化知識

圍繞情景數采范式，深度機智已經構建起數十萬小時級人類第一視角多模態數據集DeepAct，覆蓋真實世界中的多元物理交互場景。

DeepAct 數據示例

視頻鏈接：https://mp.weixin.qq.com/s/hU5yohoaWKqOPWcSJD4YDA

通過Egocentric2Embodiment等數據轉化管線，深度機智又進一步將第一視角視頻轉化為包含時空關系、物體屬性、力學信息和推理過程的結構化監督數據，使這些真實世界經驗能夠被具身基座模型有效學習，并最終支撐其基座模型體系的形成。

第二層：基座模型，PhysBrain 體系

2026 年 3 月，在中關村論壇上，深度機智正式發布PhysBrain 1.0—— 國內首個以人類學習范式構建、零真機軌跡預訓練的具身通用智能基座模型。

PhysBrain 1.0 的核心架構由三項原創技術支撐：

• PhysBrain 數據管線：將第一視角視頻中的隱性物理經驗規模化提取為結構化監督信號；
• TwinBrainVLA 雙腦架構：左腦凍結保留通用語義理解，右腦可訓練專注精細動作策略，從根本上解決災難性遺忘問題；
• LangForce 訓練策略：通過貝葉斯分解強制模型在生成動作前最大化動作與指令的互信息，讓機器人真正「聽懂再行動」；

在僅使用 3000 小時高密度 Egocentric 數據預訓練的情況下，PhysBrain 1.0 在 SimplerEnv WidowX 和 Google Robot 上分別達到 80.2% 和 91.3% 的成功率，全面超越 Pi0.5（57.1%）等行業標桿，并在測試中出現令人關注的自主糾錯與靈活執行策略 —— 這些行為并未出現在任何訓練數據中。

第三層：能力擴展，空間智能與即插即用模塊

為進一步強化基座能力，深度機智推出了多項即插即用技術：

• Euclid's Gift以歐幾里得幾何問題作為代理任務，向模型注入強大的空間推理先驗，發布即在 VSI-Bench 與 MindCube 兩大空間推理榜單登頂，且具備零樣本遷移能力，無需任務微調。
• 3D-Mix通過語義條件自適應門控，以輕量級模塊形式為 VLA 無縫注入三維空間感知，使多個 VLA 變體在 OOD 測試中平均提升 7% 的絕對性能。
• IntentVLA將近期視覺歷史映射為短視野意圖信念，消除部分可觀測場景下的執行歧義，在多個主流榜單上提升執行穩定性。

第四層：世界模型與策略，Z-WM 的來源

在基座能力成熟后，深度機智向更關鍵的一層延伸：世界模型與策略閉環。

EA-WM 解決的是合成數據的物理真實性問題：通過KVAF（結構化運動學到視覺動作場）將機械臂運動學信息直接渲染為與視頻幀對齊的視覺場序列，消除低維動作信號與高維視頻生成之間的「域錯配」；EDLS 事件感知機制讓模型聚焦機器人與物體的接觸瞬間，生成真正符合物理規律的視頻數據。

EA-WM 概況：首先會將機器人動作與運動學狀態提升至相機對齊的 KVAF 中。RGB 視頻與 KVAF 被編碼到共享的 Wan2.2 潛在空間中，并由視頻分支和 KVAF 分支分別處理。稀疏事件感知雙向融合機制在兩個分支之間交換信息，而 EDLS 引導模型關注運動與交互變化。

STARRY 解決的是如何將高質量合成數據轉化為精準操作策略：把時空預測與動作生成綁定在同一擴散過程中，通過GASAM（幾何感知選擇性注意力調制）把策略網絡的注意力精準引導到動作關鍵區域，大幅提升精細操作的準確性。

STARRY 策略包含四個模塊：理解專家、時空世界模型、幾何專家和動作專家。時空世界模型預測未來的時空潛在變量，而幾何專家與 GASAM 生成幾何感知權重，以選擇性調節動作分支。

兩者構成完整閉環：EA-WM 提升合成數據的物理真實性 → STARRY 將高質量數據轉化為機器人操作策略 → WorldArena Track2 用下游任務成功率端到端驗證這條鏈路是否真正有效。

第五層：硬件本體，Robot for AI

深度機智的硬件布局同樣服務于這條技術主線。

機器人本體不是孤立的硬件產品，而是「機器人大腦」進入真實物理世界的載體。Prime是全球首款斷電可自主站立的全尺寸擬人體機器人，身高 173cm，全身 72 自由度，以「人類數據到擬人本體數據的同構映射」為設計目標，讓模型的物理直覺，更自然地轉化為精準控制。同時，深度機智也推出輪式版本Prime U與輕量化版本Prime Lite，分別面向真實任務執行和教育場景落地。

一周年

從孤立到領先

回溯這一年的軌跡，有一條清晰的敘事線。

2025 年 5 月公司成立時，「基于人類第一視角數據構建具身基座模型」這條路線并不被看好。2025 年底，情境數采范式與 DeepAct 數據底座逐步形成，數據飛輪開始轉動。2026 年 3 月，PhysBrain 1.0 在中關村論壇發布，3 個月內推進 3 輪融資，超 60 家機構對接，融資規模達數億元量級。2026 年 5 月，WorldArena Track2 斷崖奪冠，具身基座能力獲得國際權威驗證。

深度機智的敏銳之處在于，當全球風向在 2026 年初轉向時，他們已在這一賽道上奔跑了一年。

這一年，他們完成了從數據范式到基座模型、從空間智能到世界模型的完整技術拼圖，也用一系列國際榜單成績證明了這條路線的可行性。

這次 Track2 奪冠，對行業的意義不止于冠軍本身。它宣告了世界模型評測范式的一次切換：分數不再由幀質量決定，而由機器人能不能完成任務決定。能生成好視頻的團隊已經很多，Track 1 前六名全是國內團隊；但能生成「可用于訓練機器人」的合成數據的，鳳毛麟角。深度機智跨越的，正是這道更高的門檻。

如果高物理保真度的合成數據生成能力走向成熟，機器人數據采集成本將大幅下降，具身智能商業化進程有望顯著加速。當然，目前成績建立在仿真閉環測試基礎上，從仿真到真實世界的泛化，仍是需要持續驗證的課題。STARRY 已在真實機器人平臺 ARX R5 雙臂上完成第一步驗證：平均成功率從 42.5% 提升至70.8%，這條路有人在走，且已經走出了值得關注的一步。

看起來，具身智能的競爭重心正在真實地遷移：從「誰有更多真實數據」轉向「誰能生成更多數據」，不僅如此，更要看誰能把真實人類經驗、物理理解、世界預測、動作策略和機器人本體系統串成閉環。當這條閉環真正跑通，深度機智這一年建立的系統能力，將是更長期的護城河。