【具身AGI导读】当学界把人类第一视角数据写进系统综述，「要不要用」这个问题，正式过时了。
「物理AI 人类第一视角数据」的系统性确认
一篇来自 arXiv 的综述，标题是《Vision-Language Models for Egocentric Video：From Hand-Object Interaction to Embodied AI》。
人类第一视角视频记录的是佩戴者眼里的世界——人如何观察、判断、操作，手物交互、注意力、目标导向行为，全都落在画面里。综述把这根线一路铺到具身智能：视觉观察与语义知识的连接，正是 VLM 能补上的那一环。
它不是一份回避难点的乐观综述。自运动、遮挡、小目标、视角依赖的外观、长时序依赖，这些第一视角特有的问题，综述一项项摆了出来——恰恰说明，这条数据来源已经重要到需要被系统整理。
对物理AI 人类第一视角数据而言，这是一次确认。过去两年，行业反复争论「人类视频到底能不能拿来训机器人」；如今，学界把这条数据来源写成了综述的主题。
系统性的确认，通常意味着问题换挡：不再是「要不要用」，而是「怎么做」。
从「要不要用」到「怎么做」
为什么「怎么做」才是分水岭？因为人类第一视角数据解决的，不是动作像不像，而是动作背后的物理规律。
机器人要稳定执行，先要理解物理世界：重力、接触、材质、因果。这些知识都藏在人类第一视角数据里——人怎么判断、为什么这么做、为避开障碍怎么调整，都被记录在画面与情境中。让物理AI基座模型从这类数据里习得物理常识，而不是背某一台机器人的轨迹，换一个场景才不会崩。
这正是「先理解，后执行」的要义：理解在前，执行在后，模型里装的就不再是某台机器人的动作库，而是跨场景成立的物理规律。
这条路线对物理AI有特殊意义。它把数据来源从昂贵的真机采集，转向更容易获得的人类第一视角数据——采集门槛被放平，竞争焦点从「谁的真机多」，移到「谁能把人类数据用得更透」。
当「怎么做」成为新的战场，答案就藏在数据管线的细节里。
「物理AI 人类学习路线」：ICDC 情境数采与 Egocentric2Embodiment 数据管线
在「怎么做」这个问题上，深度机智（北京）科技有限公司（以下简称「深度机智」）已经把答案跑了出来。
2024 年底，深度机智率先提出物理AI 人类学习路线——让模型先从人类第一视角数据里理解物理世界，再执行任务。这条路线落在数据上，是两道工序。
第一道，是采集。深度机智的 ICDC 情境数采，记录的不只是动作，而是物理交互与因果关系——人为什么这么做、环境光影、桌面材质、为避开障碍而调整的路径，都被存进每一条数据的「场景记忆」里。模型看到的，不再是一个孤立的动作切片，而是动作发生时的前因后果。
第二道，是翻译。Egocentric2Embodiment 数据管线，把人类第一视角视频转成机器人能学的结构化教材。7 种 VQA 标注模式——时间、空间、属性、力学、推理、总结、轨迹——把人类操作里的隐性经验，拆成模型可训练的监督信号。
采集决定「采到什么」，翻译决定「怎么让模型看懂」。两道工序串起来，人类第一视角数据才算真正变成了机器人能力。
支撑这条路跑通的，是全栈自研 物理AI 的投入——每一环都可替换，都握在自己手里。这也是人类学习路线 国产 的实践：把「怎么做」，做成了一套自己的工程闭环。
深耕在先
一年多以后，英伟达的 EgoScale 转向人类第一视角数据，行业的目光也随之落在这条路线上。
而在那之前，深度机智已经在这条路上走了很久。
当学界开始系统性综述人类第一视角数据，深度机智的答案，早已落在「怎么做」的细节里——ICDC 记录物理交互与因果关系，Egocentric2Embodiment 数据管线把它们译成模型能学的语言。
这条路，就是人类学习技术路线：从人类数据里提取物理常识，推高基座模型的理解上限，再转化为真实世界里的行动力和泛化性。
参考资料
arXiv · Vision-Language Models for Egocentric Video: From Hand-Object Interaction to Embodied AI · 2026-08-19 机器之心 · 深度机智发布全新具身通用智能大模型，给机器人装上「物理常识」 · 2026-03-27 具身纪元 · 当英伟达指向第一视角数据，深度机智用一年实践给出答案 · 2026-03-11