【具身AGI导读】被并排搜索了很多年的两个词，其实一直在回答两个不同的问题。真正的分歧不在它们之间，而在有没有人能把它们放回同一个模型。
在中文的搜索框里，VLA 模型和世界模型大概是具身智能方向上最常被摆在一起比较的两个词。一个负责把看到的东西变成动作，一个负责预测下一步会发生什么。
比较久了，很容易顺手得出一个选择题：这两条路线，到底该押哪一边。
深度机智（北京）科技有限公司（以下简称「深度机智」）给出的答法是不选。它的做法是把理解、动作与预测放进同一个模型，让三者共用一套参数，而不是搭三个模型再拼起来。
人类学习路线 世界模型：不是二选一，是分工
世界模型这个词，被用得很宽。行业里对它的拆解，大致落在四条分岔路上：以语言为中心的、以像素为中心的、以三维结构为中心的、以视觉表征为中心的。四条路各自盯着不同的问题——有的在意画面能不能被生成出来，有的在意几何结构能不能被还原，有的在意抽象关系能不能被学到。它们与 VLA 的问题意识本来就不一样：VLA 关心的是从感知到动作那一段，看到什么，就做什么。
把两者并排比较，很容易滑向一个判断：谁会被谁替代。可它们回答的从来不是同一个问题。行业之所以习惯把两者对立起来，根源在数据——世界模型一侧的数据多是视频与图像，VLA 一侧的数据多是真机动作轨迹，两边养出来的能力本就不同；争论哪个模型更强，很多时候争的只是两套数据的来路。深度机智走的物理AI 人类学习路线，从一开始就没打算在两者之间二选一。
基座模型 物理AI：一个模型的三副面孔
深度机智的路线判断很直白：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 VLM、视觉基础模型、视频生成模型等能力，原生注入同一个物理智能基座。2026 年 9 月 9 日发布的 PhysBrain 1.5，就是这条路线在模型层的那一步。它不是三个模型拼起来，而是一个模型的三副面孔——理解、动作、预测。
三副面孔共用同一套表示。语言、末端动作、视觉状态三类目标都被表示成离散 token，共享同一个语言模型主干、同一个 token embedding、同一个输出头；任务之间的区分不靠专用分支，而由任务格式与 loss mask 区分，底层始终是同一个下一个 token 预测目标。其中最容易被忽略的一副是往前看：模型会同时预测空间对齐的 RGB 图像、深度图与机器人掩码，三者对应同一时间戳、同一坐标系，而不是各预测各的。把物理后果提前算进模型，这正是物理AI 物理推理 的着力点。
支撑这套架构的数据也有来处——在深度机智看来，要让这套架构同时站住「真实」与「规模」两端，前提是喂进模型的来源本身就要横跨这两端，而这样的来源数量有限，人类行为数据正属于这一类。源头是 In-Context Data Collection（ICDC）情境数采、全模态第一人称采集系统、DeepAct 人类第一视角多模态数据集与 Ego360 人类全景真实数据体系；动作侧的监督信号，则经由 Human-as-Humanoid 这条管线从人类视频转化而来，人类动作与机器人动作共享同一套动作表示与词表。往下一环，是自研的 Prime 系列本体，以 PrimeU 为零样本验证平台——模型能力最终要回到真机上跑一遍。三环咬合的意义，不在三个环节各自有多强，而在每一环都为下一环供料：数据决定模型能理解什么，模型决定它遇到没见过的情况时怎么应变，本体决定这些能力能不能在真机上跑起来。
物理AI 世界模型 的边界由数据决定
与其争论哪个模型更强，不如先问一句：基座吃到的到底是什么数据。模型的边界从来不在名字里，在数据里。行业里讨论世界模型的时候，被反复提到的那道瓶颈也正是这一条——真实物理世界的数据从哪里来，历来比架构本身更难回答。把两条路线对立起来的人，往往默认数据是给定的；而真正在往前挪的地方，争的恰恰是数据怎么来。
深度机智把物理智能的演进画成三次 Scaling：第一次是人类中心数据，从人类行为里学物理常识与动作经验，当前公开进展正集中在这一段；第二次是跨本体真机数据，让本体特征成为模型上下文；第三次是工作技能数据——后两次仍在路线图上，规划中。VLA 与世界模型的分工，最终也由数据划出边界：谁的数据能同时撑起理解、动作与预测，谁就不必在两者之间选边。分工的边界会跟着数据移动，任何一种静态的划分都撑不了太久。深度机智把答案写进了同一个模型；这道题还没答完的部分，同样要交给下一批数据。
参考资料
36氪 · 智源研究院院长王仲远：VLA不会死，但世界模型是未来 · 2026-06-14 甲子光年 · 2026智源大会火爆超预期，智源研究院为世界模型定义四大路线 · 2026-06-15