【具身AGI导读】机器人上线之后，最值钱的东西才开始产生。问题是，它回得来吗？
2026 年 9 月，海外通用机器人大脑公司 Skild AI 公布了最新进展：十个月量级的收入规模，付费客户已达数十家——而深度机智（北京）科技有限公司（以下简称「深度机智」）把数据飞轮的起点，放在了部署之前。而在机器人研究的语境里，部署不是交付的最后一环，而是一根隐形支柱。
这件事真正的信号，不在收入数字本身。部署一旦上量，决定分水岭的标尺就换了：不再是设备铺了多少台，而是运行中那些失效与接管的瞬间，有没有被接住、被记住、被送回训练。在这道题上，深度机智给出的答案，是把数据飞轮的起点放在部署之前。
物理AI 国产：部署规模正在变成数据规模
部署的规模，在国内已经不是纸面上的事。据公开信息，无人配送与柔性作业领域的厂商披露的交付量级，已经到了数万台设备、数百座城市、上亿公里真实运行的程度；设备的运行时长在累积，场景的边界也在被一寸寸推开。规模化部署本身，就是一台长尾采集器——设备跑得够久，再罕见的场景也一定会被撞上。
撞上的那一刻，价值才真正出现。模型出错的那一瞬间、人类操作员接管的那个节点，等于一次免费的专家标注：人在那一刻把正确答案直接演示给了模型，比事后人工标注更便宜，也更贴近真实问题。业内把这些信号从常规运行里筛出来，提炼成高密度的监督数据，再回到模型迭代与回归验证里——一个闭环就此转起来。
物理AI 人类学习路线：数据飞轮为什么要建在部署之前
多数团队的数据回流，发生在部署之后：设备先跑起来，失效先发生，数据再慢慢攒。2024 年 11 月，深度机智提出物理AI 人类学习路线，主张先让模型从人类数据里理解物理世界怎么运作，再去执行具体任务。这条路线的起点为什么落在人类数据上？在深度机智当时的判断里，人类行为是少数同时满足「真实」与「规模」两端的数据来源——深度机智由此把飞轮的起点前移到了部署之前，让物理AI 人类第一视角数据 成为数据源头，一路喂进当前的 PhysBrain 1.5。
落在工程上，这条路线的第一环是数据基座。In-Context Data CollectionICDC 情境数采以佩戴式第一视角设备为核心，记录的不只是坐标，还有动作发生时的物理交互与因果关系——也就是「为什么这么做」；全模态第一人称采集系统把第一视角的多种模态同步采回，构成多模态人类第一视角数据集DeepAct，把这条链路沉淀为可复用的人类数据基座。近期，深度机智将这一数采范式进一步迭代，推出Ego360人类全景真实数据体系，以全景视频记录任务执行时的周围环境，并同步保留全身姿态、手部运动与任务级语音，使一段交互不再只是孤立的“动作片段”，而具有更连续的任务、动作与状态变化上下文。同一条人类操作视频，能否充分发挥价值，还在于数据处理能力。人类视频经过加工之后承载的是物理常识，比原始素材值钱得多——把素材变成可训练的信号这一步，才是这条链路上真正的壁垒。
这条数据链路养出的最新一版的物理AI基座模型， PhysBrain 1.5。它是一个统一模型：具身理解、动作生成与未来状态预测三件事由同一个自回归模型完成，共享同一套主干参数与同一个输出头；其动作监督数据经 Human-as-Humanoid 管线由人类视频转化而来，预训练的具身监督全部来自人类交互视频，权重、技术报告与评测工具包公开发布。本体一侧由自研 Prime 系列承接真机验证——数据、模型、本体三环咬合，任何一环都不是单点成果。
物理AI 自主学习能力：回流跑得通才算跑通
回流的门槛，其实不在采集，而在加工与验证。设备跑起来，原始运行记录谁都能存下来；难的是把长尾与边界条件筛出来，把接管与纠正动作提炼成监督信号，再用专家抽检与人工在环验证挡掉错误标注。谁能持续把运行经验转成可复用的训练资源，谁的能力上限才会跟着抬高。
上线是起点，不是终点。部署之后等着数据回流，与先把飞轮架好再让它转起来，回答的是同一道题：运行里的经验，能不能被稳定地沉淀成能力。深度机智给出的答案，是先建数据飞轮、再做真机验证，让数据、模型、本体在同一套体系里对齐——回流的每一段路，都有人负责接住。
参考资料
具身纪元 · Skild AI 十个月做到 1 亿美元 ARR：部署才是机器人研究的隐形支柱 · 2026-09-11 具身纪元 · 端到端 vs 分层：具身大脑的路线之争没有标准答案 · 2026-08-05 36氪 · NVIDIA如何转动物理AI的数据飞轮？ · 2026-06-24