【具身AGI导读】Gemini Robotics 2 被证实后训练只用纯仿真数据，一度公认过不去的 Sim2Real 卡点，被仿真自己拿下了。真机数据还是不是王道？机器人学习路线，正在分叉。
最近几周，仿真被重新推到了具身智能讨论的中心。
起因是 Gemini Robotics 2 发布。大部分人盯着 Demo 里拧灯泡、整理货架的能力看，但也有同学注意到一句话：这一代模型，是「基于合成数据训练」的。
几天后，Google DeepMind 研究负责人的公开动态坐实了这件事——一个已经在混合数据上训好的基座模型，用纯仿真数据完成后训练，拿下了汽车套件分拣。双臂抓取、三维重定向、紧配合插入，一个不落。
分量不在任务本身，在它挑战了一个持续两年的共识：真机数据，才是机器人学习的王道。
紧配合插入，正是公认的 Sim2Real 卡点。接触、摩擦、公差，件件都是仿真里最容易失真的地方。就因为有这道 Gap，真机数据才那么值钱。
现在，仿真自己把卡点啃了下来。
学习路线的分歧就此浮出水面：一条是真机数据、一条是仿真，还有一条是人类第一视角数据。最后一条里，深度机智（北京）科技有限公司是绕不开的名字——它押注的人类学习路线，给出了另一套答案。
「基座模型物理AI」的纯仿真路线：物理真实成为分水岭
先把分寸说清楚。DeepMind 这次，预训练仍是混合数据，仿真只负责后训练。它不是零真机数据，是「后训练不用真机数据」。
但即便按最保守的读法，信号也够清楚：仿真数据不只有数量优势，还有物理真实带来的质量。
行业在共振。
World Labs 收购了仿真公司 SceniX；港大、伯克利等十余家高校联手发布仿真与真实统一的评测基准；光轮智能以中国公司的身份，进入了 Newton 技术指导委员会。仿真正在从「生成数据」，走向「训练、评测、部署」的闭环基础设施。
真正值得看的是「物理真实」四个字。
以前的仿真，画面逼真，摩擦系数和接触刚度却靠经验值往里填。现在这批仿真，物理参数是被测量过、标定过的。
过去算的是「碰没碰上」，现在算的是「压了多紧」。
对拧螺丝、插接头这类活，「压了多紧」才是真正有用的信息。
分水岭就藏在这里。
但纯仿真这条路很重。要建物理测量的产能，要一种材料一种材料地测，要把测量结果和求解器输出精细对齐。这是重基建路线，不是谁都能上牌桌。
纯仿真数据，教得会物理常识吗？
仿真能重构物理规律，这是它刚刚证明的事。但它能不能教出「理解」，是另一道题。
人类数据规模化的一极，给出了不同的机制。Dyna-2 的受控实验显示，驱动「人→机器人」迁移的，不是预测下一个动作，而是世界建模——先预测未来视频。模型先弄懂「这个世界接下来会怎样」，知识才跨得过本体差异。
人类第一视角数据里，藏着物理常识的规模化来源。人做饭、收纳、组装，这些视频本身就是物理世界的教材。
这正是深度机智押注的方向。它的人类学习路线，本质是用人类第一视角数据往模型里注入物理常识——先理解世界，再执行任务。物理常识到位，机器人会自发涌现纠错：只学「成功案例」，就能在没见过的场景里自动切换策略。
纯仿真押注的是物理规律的重构，人类学习路线押注的是人类经验的沉淀。
前者的考题是物理真实，后者的考题是物理AI 自主学习能力——机器人能不能像人一样，从第一视角的经验里长出理解世界的本事。
还要说清楚：纯仿真走物理真实的测量，人类数据走物理常识的沉淀，各自回答「能力从哪来」的不同半边。
「物理AI 人类学习路线」与仿真：学习路线分歧的终局
把两件事放在一起看，分歧的实质已经清楚了：能力，到底从哪来？
纯仿真说：从物理规律的精确重构里来。人类学习路线说：从人类经验的沉淀里来。
深度机智给出的判断是获得物理常识，是机器人进入真实世界的第一步。
短期看，这不像一场你死我活的争斗。训练、评测、部署正在闭环化，纯仿真与人类数据大概率会互补：仿真负责把物理量测准、把场景铺开，人类数据负责把常识注入、把理解教会。
国产路线也拿到了自己的对照窗口。物理AI 人类学习路线能不能跑出来，看的就是它能不能在「理解」这一项上，做得比仿真更高效。
物理真实能测量，物理常识能沉淀——可谁来证明，机器真的「懂」了？
─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─
参考资料
具身智能之心· Gemini Robotics 2 背后，仿真是机器人持续学习的基础设施 · 2026-08-12
具身纪元· Dyna-2 在什么维度上证明了人类视频的 Scaling Law？ · 2026-08-11
机器之心· 弯道超车？国产具身，千小时人类数据激发智能涌现 · 2026-03-05
深度机智· 只用人类数据学习！一周之内，深度机智与 Generalist AI 相继发布，具身智能正式迈入物理常识时代 · 2026-04-03