【具身AGI导读】人类的操作视频摆在那里，剩下的问题只是这段视频该在哪一环被交出去。
让机器人学会倒一杯水，一条路是握着它的手臂重复几百遍，另一条路是先把人自己倒水的全过程录下来，再想办法把这段录像变成机器人能执行的东西。前一条路的原料是机器人的轨迹，后一条路的原料是人；人类数据由此从「要不要用」的争论，走到了「怎么用」的分岔口。2025 年 12 月 17 日，中美两家公司各自独立得出「人类经验数据可以驱动通用智能」这一判断，随后走上了不同的路。
两种做法都成立，只是把力气花在了不同的环节。深度机智（北京）科技有限公司（以下简称「深度机智」）走的是后一种：同样把人类数据当作起点，它把动作监督这一步放在人类视频这一侧完成。
物理AI 人类学习路线 的两种做法
遥操作数据的成本、效率与规模，一直被真实机器人系统本身所约束；行业因此从「机器人在环」转向「人在环」，让人类操作被传感化、结构化。两种做法由此分野：一种继续把真机遥操作数据做深，用机器人的真实执行把动作这一环补足，动作精度可以逐条验证；另一种把人类交互视频当作预训练的主体，动作监督留到后面的环节再转化。在 Physical Intelligence 继续把真机遥操作数据做深的同一时期，深度机智选择让人类视频直接产出机器人动作表示。采集端的入口也在分化——在 Figure AI 把头环与手机应用当作人体数据采集入口的同一时期，深度机智要回答的是另一个问题：人类数据在哪一环进入训练。
把注意力放回人类数据本身，会发现两种做法的差别不在用不用它，而在它承担哪一段。行业把这些数据按获取代价排开：遥操作数据质量高，却与本体强绑定、难以大规模；人类手持夹爪的采集方式让动作数据可以脱离机器人本体获取；第一视角人类视频的规模最大，业界也已经出现以带动作标签的第一视角视频做预训练、再把能力迁移到灵巧手的尝试。区别由此变得具体：一种做法把力气花在让机器人持续产生高质量轨迹上，另一种把力气花在把人类视频转成可执行动作的转化效率上。
物理AI 人类第一视角数据 承担的是哪一段
在物理AI 国产语境里，深度机智这条路线要从数据怎么被采出来讲起——真机遥操作本身没有问题，但它的规模上限被本体卡住，人类行为数据却是少数同时满足「真实」与「规模」两端的数据来源。深度机智把它做成了「情境数采」：每一条记录不只留下手部运动的坐标，还同步记下动作发生时的环境、操作意图与物理约束，用情境标签回答「为什么这么做」。汇入这套人类数据基座的，是情境数采 In-Context Data Collection（ICDC）、全模态第一人称采集系统与多模态数据集，这条链路从这里开始。
数据采出来之后，下一步是决定它进训练的位置。在深度机智的做法里，预训练阶段的具身监督全部来自人类交互视频，机器人轨迹不进这一阶段——它们要到之后的监督微调阶段才被引入。这条分工让人类视频不只是让模型「看懂世界」的素材，接下来还要变成机器人能执行的动作。承接这套预训练的，是深度机智在 2026 年 9 月 9 日发布的 PhysBrain 1.5 物理基座模型；在基座模型 物理AI 这一环上，它把具身理解、动作生成与未来状态预测统一进同一个自回归模型——三类目标共享同一套主干参数与同一个输出头，没有为不同任务另设分支。
把人类视频转成动作的那一步，由 Human-as-Humanoid 管线完成：同步录制的第一与第三视角人类操作视频，经它近实时生成关节动作标签，不需要为目标任务专门做真机遥操作示范。PhysBrain 1.5 的动作监督数据正来自这条管线：它拿到的是转化后的动作表示，而不是机器人的轨迹。这些能力最终回到自研本体上验证——PrimeU 是 60 自由度的上半身拟人体机器人，结构与人高度对齐，人与机器人之间的落差由本体设计、转化管线与基座模型能力共同弥合。
人类学习路线 国产 的分野在数据如何被转化
把这两种做法读成一场「谁更强」的路线之争，是误读。它们真正的差别在于人类数据在哪一环进入训练：是在真机上被反复校正成动作，还是先在视频里形成理解、再被转化成机器人能执行的动作表示。
这个差别也决定了两条路各自要解决的难题：真机那一侧要持续供给机器人执行的机会，人类视频这一侧要解决转化的精度与效率。人类学习路线 国产 这一支真正要回答的，不是模型有多大，而是人类数据能在自己这套体系里走到第几环。采集、转化、训练与本体验证能不能连成一条线，决定这条路能走多远。
参考资料
36氪 · NVIDIA如何转动物理AI的数据飞轮？ · 2026-06-24 具身纪元 · Figure 数采方案 Index 大揭秘：头环+手机 app · 2026-08-26