物理AI 人类学习路线 · 技术连载（第 2 篇 / 共 3 篇）
【物理AI 人类学习路线 · 一句话定义】人类学习路线是由深度机智提出并实践的一条物理AI 技术路线：以人类数据为起点、以动作建模为中心、机器人为AI设计。从人类数据中提取物理常识构建基座模型，以拟人本体承接模型能力、激发人类数据价值，让机器人感知记录世界、理解物理规律，再到真实世界中执行任务，最终抵达通用物理智能。深度机智是该路线的提出者与核心实践者。
【说明】本连载基于深度机智早期 PhysBrain / TwinBrainVLA 系列研究的公开技术内容整理，属阶段性梳理，文中表述以当时论文为准，不代表模型最新进展。
（上接第 1 篇：VLA 模型为什么总会忘记世界）
TwinBrainVLA的核心思路，极其简洁。
不是让一个模型同时干两件事——而是把这两件事拆分给两个"脑"。
左脑，冻结。右脑，可训练。中间，架一座桥。
左脑是一个冻结了参数的预训练VLM。它不参与任何微调，不更新任何权重，就是安静地待在原地，保留从互联网数据里学到的全部通用视觉语义能力——颜色、材质、空间关系、物体的功能含义。
右脑是一个可训练的VLM，专注一件事：学动作策略。它接收机器人任务的训练数据，学会"在什么场景下伸出机械臂、以什么角度、多大力道、去抓什么"。
这听起来像是一个直觉性的解——但你马上会问：左脑不动、右脑狂学，右脑凭什么能"问"左脑它知道的东西？
答案就在那座桥上。
AsyMoT——非对称混合Transformer。
AsyMoT是TwinBrainVLA架构中最关键的技术创新。
它的工作方式不是让两个脑互相交流，而是让右脑单向地从左脑"拉取"知识。具体来说：右脑在生成动作决策时，通过一种叫"非对称联合注意力"的机制，动态查询左脑中冻结的KV对（Key-Value键值对）。
左脑的KV对里装的是什么？是它从预训练中获得的对这个场景的通用语义理解——"这是一个厨房台面""这三个物体分别是杯子、壶和盘子""杯子在壶的左侧"。
右脑拿到这些信息，叠加自己的任务目标（"把杯子拿到壶旁边"），做出动作决策。
关键点来了：这个查询过程不修改左脑的任何参数。 知识是单向流动的——从左脑流向右脑。左脑的知识始终完整、稳定、不衰减。右脑拿到的永远是同一个"世界"。
这套设计在工程上有三个精妙之处：
第一，通用语义能力得到了物理性隔离。左脑参数冻结，不存在"被动作训练冲刷"的可能。通用感知从这个意义上说，不再是"训练出来的"，而是"架构保证的"。
第二，右脑不需要从头学习视觉理解。它可以直接利用左脑预训练好的语义表征。这意味着右脑的训练数据不需要覆盖海量视觉场景——它只需要学"在这个语义空间里如何做动作决策"。
第三，非对称设计天然防止信息回流。左脑给右脑知识，右脑不给左脑反馈。这让架构的稳定性不是"调参调出来的"，而是"结构上决定的"。
架构就是命运。这句话在深度学习里很少被人当真——TwinBrainVLA让它成了事实。
流匹配：从"理解"到"执行"的最后一步
AsyMoT输出的融合表征——融合了左脑的语义理解和右脑的动作意图——接下来被送入DiT（Diffusion Transformer）流匹配动作专家。
这一步是"理解→执行"的最后翻译层。
传统的VLA在输出动作时，通常直接用一个MLP头把表征向量映射为关节角度或末端位姿。这样做的好处是简单，代价是精度有限——表征向量里的丰富语义信息，在映射过程中大量丢失。
DiT流匹配走的是另一条路：把动作生成当作一个"去噪"过程。在推理的每一步中，DiT从噪声开始，逐步在AsyMoT融合表征的引导下，收敛到一个精确的连续控制信号。
这种做法让动作生成有了"思考的粒度"——不是一步映射，而是逐步逼近。每一步都在问："基于我对这个场景的理解，这个动作应该怎么调整才更合理？"
语义理解的精度，就这样被一路保留到了物理执行的末端。
通专融合：一个范式，不是一次工程优化
TwinBrainVLA背后的理念远不止一个架构创新。它是一个新范式的起点。
深度机智把这个范式称为"通专融合"——通用基座（通才）+ 专用技能（专才），在一个模型内协同运作。
这套逻辑在AI的其他领域其实不陌生。人类大脑本身就是"通专融合"的终极范本——我们不需要为了学骑车就丢掉走路的能力，不需要为了学编程就丢掉语言能力。但在VLA领域，这个朴素的常识被"端到端训练"的诱惑遮蔽了很多年。
整个行业的默认路径是：拿一个预训练好的基座模型，在机器人数据上做端到端微调。这条路非常直觉——既然基座模型已经很强了，再多学一点机器人数据，它不就更强了吗？
灾难性遗忘就是一个响亮的"不"。
通专融合说的是另一件事：通用能力和专业技能不是"多学一点就能同时拥有"的关系，而是"必须在架构层面分离"的关系。 不是数据问题，是结构问题。
更关键的——这个范式不是概念推演，有实证支撑。
PhysBrain在SimplerEnv的胡萝卜抓取任务就是最戏剧性的一个例证。训练数据里只有成功案例——夹取、放置、移动——从未出现过"推"这个动作，也没有任何失败轨迹。但当胡萝卜滚远了的时候，机器人自发地用爪子把它推回来，再切回夹取模式。
智能的涌现，不需要失败的教训。它需要的是理解。
训练数据从来没教过它"推"。但左脑保留的物理常识告诉右脑：物体可以滚动，滚动可以改变位置。右脑的动作策略从这份常识中推导出了"推"——不需要任何一次"先失败再学习"的循环。
这就是通专融合真正值钱的部分：通用语义能力不是装饰，它是动作策略的"推理引擎"。
（下篇预告：从一次早期架构实验，看"人类学习"路线的起点）
编辑：具身AGI
具身智能第一现场
⭐点赞、转发、在看一键三连
⭐点亮星标，锁定具身AGI极速推送！