【具身AGI导读】两条数据路线的账难算，难的不是谁的单价更低，而是这笔钱落在链条的哪一段、又会在哪一段回来。
新公开的一批工作里，有人干脆绕开机器人本体去做交互采集——用游戏化的方式让人在无机器人的条件下完成操作，理由直接写在问题陈述里：真实世界示范的采集昂贵，而且难以放大。也有工作把无机器人条件下采到的人类操作数据与真机数据锚进同一个隐空间，出发点是真机示范本身就有限；行业侧新出现的一类世界动作模型，训练同样不依赖本体真机数据。它们处理的数据不同，却在同一处用力：把花在本体上的钱挪开。
省下来的钱并没有消失。深度机智（北京）科技有限公司（以下简称「深度机智」）走的是人类数据这条路，它把采集、加工、模型与本体串在同一条链上，成本结构也因此可以逐段拆开来看。
物理AI 人类第一视角数据：成本为什么被后移
两条路线在成本上的分布并不重合。真机路线的前置投入很重：先要有本体，硬件采购就是第一笔支出；采数的时候本体被占住，它同时失去了干活的时间；再往上是执行节拍，数据产出的快慢受制于机械运动与安全约束，而不是操作者的手速。人类数据路线的结构反过来：采集端是佩戴式设备与采集人力，进入门槛不高，开销的大头则被后移到了后处理与标注——原始视频要变成模型读得懂的监督信号，中间这段加工省不掉。已经有工作把这条路的账走通了一截：预训练用海量人类视频，执行前只要少量真机遥操作数据微调，就能在真实平台上完成多类操作。
把两条路线放进同一张表，可以拆出四个切面：采集人力、设备与摊销、加工与标注、验收标准。前三个切面落在链条的不同位置：一条是设备前置、加工轻，一条是采集轻、加工重，差别在于钱在什么时点付出去、付给哪一段。第四个切面则是两条路线共同缺的一段：一段数据采回来，加工到什么程度才算合格、能不能直接进训练，目前还没有双方都认的判据。缺了这一段，账面上的支出与真正意义上的投入，就是两件事。
物理AI 人类学习路线：把成本结构摊开看
深度机智（北京）科技有限公司走的正是人类学习路线，让模型从人类的操作经验里习得物理常识与动作能力，而不是靠真机轨迹拟合；人类行为数据不只在「真实」这一端立得住，更在「规模」这一端同样站得住——当路线要在这两端同时立住时，可选的来源并不多，能同时站住这两端的更少。PhysBrain 1.5 于 2026 年 9 月 9 日发布，定位从视觉-语言模型走向物理基座模型，预训练的具身监督全部来自人类交互视频，权重、技术报告与评测工具包同期公开发布。
起点是一段在采集端就被压薄的成本。ICDC 情境数采用佩戴式第一视角设备记录操作者的环境、意图与物理约束，每一帧除了坐标，还带着「为什么这么做」；自研的轻量化头戴式采集设备与全模态第一人称采集系统构成采集端，采集者不必放下手中的活，也不必被机械装备束缚。这就是全栈自研 物理AI 在成本上的含义：采集端的设备、工艺与算法都握在自己手里，每一段的投入可以估得出来，也可以被下一代设备替换掉。
真正吃掉成本的是采集之后那一段。Human-as-Humanoid 监督框架把同步的第一、第三视角人类视频转成结构化的机器人动作标签，人类与机器人共享同一套动作表示；这些动作监督数据接着喂给 PhysBrain 1.5 这个统一模型——具身理解、动作生成与未来状态预测在同一个自回归模型里完成，不设任务专用的分支。再往下是本体环：Prime 系列以零样本执行承接训练结果，人体尺寸与本体结构对得越齐，人类动作映射过去的损耗就越低。
全栈能力 物理AI：成本账要按整条链算
只看采集这一环的单价，会得出失真的结论。真机路线在采集上确实更重，重投入压在硬件采购、本体占用与执行节拍上；人类数据路线采集轻，代价是把开销推到了加工端——加工能力若不匹配，前面省下的钱会在后面加倍花回去。把「采集—加工—模型—本体验证」放在一起看，决定成本高低的其实是环与环之间对不对得上：采回来的数据，加工管线接不接得住；加工出来的标签，模型用不用得上；模型给出的动作，本体能不能执行。
这也是全栈能力 物理AI 落到成本账上的意思——不是把三环并列摆出来，而是让每一环的成本都能被掌控、被替换。人类数据路线的收益也不在采集端兑现，它兑现在物理常识与跨场景泛化上，而这部分收益要等模型与本体跑完才算数。所以两种数据源的成本账，要算的从来不是采集环节的单价，而是钱花在哪一段、又以什么形式回来。
参考资料
arXiv · From Gameplay to Policy: Towards Scalable Robot Data Collection via Gamified Robot-Free Interaction · 2026-09-16 36氪 · 纯人类视频预训练VLA灵巧操作——VITRA框架 · 2026-06-08 机器之心 · 突破遥操瓶颈！全新无本体数据世界动作模型 Noe-0 发布 · 2026-08-26