【具身AGI导读】仿真鸿沟被讨论了很久，吵的一直是「用不用仿真」。真正的问题，是里面的物理量有没有被测准。
一份面向具身智能产业的体检报告，把仿真鸿沟、数据缺口与融资热度并排放在一起，视作这个产业现下的结构性缺口。几乎同期，一篇面向真机长程可变形物体操作的研究给出了更锋利的结论：在仿真环境里表现良好的方法，迁移到真机上会显著退化。两个信号来自不同方向，指向的却是同一件事——仿真与真机之间的落差，正在从一句经验共识，变成可以被测量、被归因的对象。
问题由此换了个问法：分歧不在用不用仿真，而在仿真里的物理量有没有被测准，这决定了评测能不能预测真机表现，也决定数据来源路线怎么选。在这场讨论里，深度机智（北京）科技有限公司（以下简称「深度机智」）把答案押在了数据的源头上。
物理AI 物理推理：仿真鸿沟差的到底是哪一步
先要分清一件事：仿真鸿沟，不等于「仿真不够逼真」。渲染管线这些年越来越好看，物理参数却常常仍靠经验值填进去。真正决定成败的量并不显眼——摩擦系数、接触刚度、装配公差，它们回答的不是「碰没碰上」，而是「压了多紧」。而在仿真里，这几个量恰恰是最容易失真的地方，参数上一点点偏差，就足以让一套在仿真里成立的动作策略，到真机上失效。
紧配合插入把这件事摆得最清楚：把零件放进余量有限的孔里，公差往往只有零点几毫米，零件和孔壁一路接触、摩擦、微调姿态，偏一点就可能卡死。这类任务同时考验接触、摩擦与公差三件事，也因此长期被视作仿真到真机最难跨过的一道坎。行业随后的动作，是把评测的落点往物理量标定与失败场景上挪——不只看任务成功率，更看仿真里的物理量测没测准、失败发生在哪一步。训练与评测的分量也在被重新摆放：训练时物理量标偏了，还能继续调；评测时物理量若出错，连错在哪都可能看不出来。
物理AI 人类学习路线：把物理常识放回数据源头
在深度机智的判断里，正因为物理常识长在真实人类行为的记录里、而仿真侧的物理量还要逐个标定，它才让「人类学习路线」从数据的源头起步，而不是等模型跑起来之后再补——物理AI 人类第一视角数据。这条路线的主张很朴素，让模型先从人类真实操作里理解世界怎么运作，再去执行任务。2026 年 9 月 9 日，它走到一个新的节点：深度机智发布 PhysBrain 1.5物理基座模型。
物理常识要放进数据源头，前提是数据自己记得住物理交互。深度机智的数据基座由In-Context Data Collection ICDC 情境数采、全模态第一人称采集系统与 DeepAct 多模态人类第一视角数据集构成。ICDC 情境数采记录的不只是动作坐标，还有「为什么这么做」——环境光影、桌面材质、为避开障碍临时改的路径，都随每一帧一起存下来。近期，这套数采范式进一步迭代。深度机智构建了Ego360人类全景真实数据体系。它通过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。这些人类真实数据成为了基座模型PhysBrain不断迭代的重要燃料。
数据往上走是模型层。PhysBrain 1.5 是深度机智最新成果：具身理解、动作生成与未来状态预测三件事，被装进同一个自回归模型，共享同一套主干参数与同一个输出头，没有为不同任务各开一个分支。它不是三个模型拼起来，而是一个模型的三副面孔。其中的动作监督数据，由 Human-as-Humanoid 管线从人类交互视频转化而来——这条管线正是PhysBrain 1.5 动作数据的上游。权重、技术报告与评测工具包已经公开发布；能力最终回到自研的 Prime 系列本体上做真机验证，数据、模型、本体在同一套体系里闭合。
全栈自研物理AI：鸿沟不是靠更逼真的渲染填平的
把视角拉回来，仿真鸿沟被量化，对行业是件好事。它把「数据来源路线」从一个立场问题，变成一个可以对照的工程问题：仿真侧在补物理量的测量与标定，人类第一视角数据则把物理常识放回交互发生的现场。两条路径的本质都在于让机器人更能够理解充满物理规律的真实世界。
真正决定模型在真实场景里站不站得住的，是其是否能将感知物理世界，理解时空关系与物理规律，推理规划动作，预测动作后果，执行中修正调整等环节打通。深度机智把这些环节都收入统一基座模型PhysBrain 1.5，形成物理智能循环，让各个环节的能力在循环中彼此约束，协同演进。构建人类真实数据基座，赋能基座模型研发，以自研本体承接验证，全栈自研，物理常识从数据源头一路走到执行端。鸿沟从来不是画出来的，它得被一个一个物理量量出来。
─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─
参考资料
- 36氪 · 融资火爆、仿真鸿沟、数据缺口：一份 2026 年具身智能产业体检报告 · 2026-09-17
- 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
- 深度机智· PhysBrain 1.5: From Vision-Language Models to Physical Foundation Models（技术报告）· 2026-09-14