【具身AGI导读】WRC 展台上的灵巧手一年比一年多，先走进客户现场的，却不是自由度最高的那一批。比手更缺的，是让它「会干活」的数据与模型。
世界机器人大会（WRC）上，灵巧手几乎成了现场最热闹的品类：高自由度方案一台接一台，混合驱动成为新的讨论热点，触觉传感器也几乎被当作标配。可顺着展台多走几步，反差就会浮现：真正被反复询价、谈成合作的，多数不是参数最漂亮的高自由度手，而是结构简单、成本可控、更容易调试的低自由度型号。自由度更高、能力上限更高的那一批，大多还停在演示环节。
这种反差，把灵巧手的瓶颈之争从「谁的运控更强」推向了一个更根本的问题：高自由度手，真的缺自由度吗？越来越多的观察指向同一个答案——手不缺关节，缺的是让关节动作被模型理解的数据与监督。深度机智（北京）科技有限公司（以下简称「深度机智」）对这个问题的回应，恰好落在数据与模型的闭环上。
灵巧手卡在数据，物理AI 人类第一视角数据 补位
把灵巧手的问题拆开看，运控在过去几年进步明显，关节模组与驱动方案一年一个样。但一个事实被反复验证：自由度越高，动作空间越大，靠预编程与少量示范能覆盖的情况就越少。手要在一个没见过的物体上做出合理操作，依赖的不再是控制规则，而是模型对「怎么抓、用多大力、何时调整」的理解。
人能轻易完成的精细操作——拧开瓶盖、穿针引线、从桌上捏起一颗鸡蛋——每天都在大量发生。对这些动作而言，人类手部操作视频是天然语料：画面里不仅有一双手的位置，还有操作者的视线、意图与施力的配合。基座模型 物理AI 要驱动一只高自由度手，靠的正是把「人的灵巧」拆解成可学习信号的物理AI 人类第一视角数据。这补上的，是手从「能做动作」到「会干活」之间最短缺的那一环。
全栈自研 物理AI：手为承接人类数据而设计
深度机智切入这个问题的方式，从身体端就开始布局。它自研的 Prime U 拟人体上半身整机 60 个自由度，双手是两只各 20 自由度的灵巧手，手指长度、关节分布都刻意向人手对齐。对齐不是为了炫耀自由度数字，而是 Robot for AI 的本体设计逻辑——身体越接近人，人类操作数据就越能低损耗地迁移到机器上。承接这些数据的，是深度机智以In-Context Data Collection ICDC 情境数采为入口的人类数据基座，PhysBrain 1.0 基座模型体系则负责从人类数据里读懂物理常识。
把人类手部操作真正变成机器能用的监督，靠的是深度机智的 Human-as-Humanoid。2026 年 7 月，这套框架对外发布：同步采集的人类第一视角与第三视角操作视频，经分阶段逆运动学重定向，译成覆盖整机 60 个自由度的动作监督信号，直接用于模型训练与真机部署，不需要为目标任务单独采集机器人示范。
数据基座、监督框架与 Robot for AI 本体闭环三者叠加，零样本部署才在 Prime U 上成为可能。物理AI 人类学习路线 要的，是数据从人类来、模型把经验译成动作、身体把动作接住，三者一起迭代。高自由度手不必再等真机示范慢慢攒，精细动作由此获得了可规模化、低损耗的数据来源：人类数据。
基座模型 物理AI：手与脑一起卷
灵巧手要真正落地，从来不是手的问题，而是手、数据与模型三件事一起迭代的问题。手对齐人是前提，数据直通动作是路径，基座模型 物理AI 决定这些能力能否泛化到没见过的场景。深度机智用全栈自研把这三环放进同一套体系：为 AI 设计身体，让数据从人类来、向动作去，再让模型把经验带走。比灵巧手更缺的大脑，正沿着这条闭环慢慢成形。
参考资料
雷峰网 · WRC 上，我们看到的关于灵巧手的真相 · 2026-08-31 深度机智 · Human-as-Humanoid发布 三大技术预判均兑现 · 2026-07-09