【具身AGI导读】机器人的「大脑」被反复比较，被比较的却常常不是同一个层级的东西——换的不是参数，是基座这一层要拟合的目标。
同一个词，这两年被用在了三件不同的事情上：有人拿它指一个能看懂画面、听懂指令的视觉-语言模型，有人拿它指一个把指令变成关节轨迹的策略，还有人拿它指一个在出手之前先预测后果的模型。三种用法都自称「机器人基座模型」，讨论自然对不上。
深度机智（北京）科技有限公司（以下简称『深度机智』）站在这条换轴线上更靠后的一支：物理基座。它的做法不是把理解、动作、预测分成三个模块再对接，而是让三件事在同一个模型里一起训练。
基座模型 物理AI：从 VLA 到物理基座的几条支线
把时间拉开，机器人基座模型这一层大致走出过几条支线。第一条是 VLA——把视觉理解、语言指令与动作生成统一在同一个模型里；它一度是通用具身智能体的主导范式，但一份具身基座模型论文在摘要里把疑问写得很直接：架构设计还有多少可挖的余地、能不能吃下更大也更异构的数据体系、跨任务与跨本体的泛化还能走多远，都仍是开放问题。第二条是世界-动作模型，它把「未来状态会怎么变」拉进训练目标，让模型在出手之前先算一遍后果。
这几条支线真正的分歧不在结构图，而在数据从哪来。物理AI 公司在基座这一层做的选择，最后都会落回数据：真机轨迹的动作信号最完整，代价是受本体与采集成本的约束；仿真能把场景铺得很快，与真实世界之间仍隔着一段差距；人类交互视频量最大，缺的是现成的动作标签，这道转化谁来补，成了分界线。深度机智公开阐述里给出的判断是这个方向：不在 VLA 与世界模型之间二选一，而是锚定统一原生模型这条路线，把多源能力在原生预训练阶段就注入同一个基座，而不是把几条路线拼到一起。
物理AI 人类学习路线：基座吃到的是什么数据
在深度机智的判断里，正因为物理 AI 的基座不是数字 AI 的延续，它才不能靠微调从既有模型上长出来，得从数据范式重新做一遍，数据的落点也因此收得更窄：具身监督全部来自人类交互视频。2026 年 9 月 9 日，它发布 PhysBrain 1.5，论文把这个成果定位为「从视觉-语言模型走向物理基座模型」。上一阶段它做的是另一件事：PhysBrain 1.0 是只负责感知与语义的视觉-语言骨干，动作生成留在上层策略完成。
PhysBrain 1.5 把三类目标放进同一本词表。语言、末端动作与视觉状态各自离散成 token，共享同一个语言模型主干、同一个 token embedding 与同一个输出头，模型里没有为哪一类任务单设的专用分支；区分任务靠的是任务格式与 loss mask，底层的训练目标仍是预测下一个 token。理解、动作、预测因此不是三个模型的拼接，而是同一个模型的三副面孔。
预测这一侧，它一次输出一组空间对齐的图像——RGB、深度图与机器人掩码，落在同一个时间戳与同一个图像坐标系上，不是各预测各的。动作侧的监督数据，则由 Human-as-Humanoid 管线把人类运动转成机器人可执行的动作表示而来，PhysBrain 1.5 的论文写明了复用这套管线，两者是上游承接而非替代。这些能力最后回到自研的 Prime 系列本体上做真机验证。
物理AI 物理推理：基座要补的那一课
把这些支线摊开，它们最后指向同一个未解问题：模型能不能推理物理后果。预测出下一帧会发生什么，和判断「这样推一下杯子会不会倒」不是一回事。物理AI 物理推理要补的正是从预测到因果这一段——基座吃到的数据里如果没有交互的痕迹，这一步很难靠加参数补上。
这也是这一层换轴至今最实在的一条线索：目标函数和数据类型，比结构图更能说明一个基座走到了哪一步。物理基座把理解、动作与预测并进同一个模型，并不自动解决物理推理，但它让三类监督信号落在同一套参数里，模型有机会把「看见的」和「做过的」对上。
参考资料
arXiv · GigaBrain-0.7: Scaling Embodied Foundation Models to Emergent Capabilities with a Three-System Architecture · 2026-08-16 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