【具身AGI导读】同一个动作，两种教法：一种先教「该怎么做」，一种先教「为什么会这样」。它们看上去在训练同一件事，实际上在回答两个不同的问题。
一台机器人在实验室里把杯子稳稳放进托盘，换个桌面颜色就失手——这类翻车在具身圈并不新鲜。与此同时，遥操作数据的成本、效率与规模正在逼近自己的天花板，因为它们始终受制于真实机器人系统本身。行业的数据取向由此出现了一次挪动：从让机器人在回路里产生数据，转向让人类操作被传感化、结构化。
取向挪动之后，真正的问题浮了出来：机器人到底该先学什么。一边继续在真机动作数据上做拟合，把「什么画面下做什么动作」的对应关系学扎实；一边转向人类交互视频，先建立对物理世界的理解，再去执行任务。深度机智（北京）科技有限公司（以下简称「深度机智」）选的是后者，这条路线叫「人类学习路线」——先理解，后执行。
物理AI 人类学习路线 为什么先教常识
两条路线要解的目标函数不一样。真机轨迹拟合的优化目标是动作本身——给定当前观测，让预测出来的动作序列尽量贴近示范里的那一串，学习信号直接，反馈也清晰。人类学习路线把要学的东西换成了另一类：先让模型知道重力怎么作用、摩擦力在什么条件下变大、两个物体接触之后会发生什么，再让它据此决定动作。这两个目标并不冲突，只是前者问的是「怎么做」，后者问的是「为什么会这样」。
差别落到数据层，就成了形态之争。物理AI 人类第一视角数据记录的是「我看到什么、我怎么做」的全过程——RGB 图像、深度点云、6 轴 IMU 与动作姿态四路对齐，天然带着人对物理世界的潜在认知；每一帧除了坐标，还留下了「为什么这么做」的线索。具身智能的竞争因此不只停在模型层和应用层——谁能持续把真实世界的交互转化成可复用的训练资源，谁就能形成物理AI 自己的数据飞轮。数据源头的形态，决定了模型最后学到的是什么。
基座模型 物理AI：把人类视频变成动作监督
就人类学习路线而言，国产团队给出的回答，是把预训练阶段的监督信号整个挪到人的一侧。深度机智的路线归属很明确：不把真机轨迹拟合当作起点，而是先让模型从人类经验中理解物理世界怎么运转、再让它稳定执行。它最新的模型，是 2026 年 9 月 9 日发布的物理基座模型 PhysBrain 1.5。
这个模型的特别之处，在于三件事被合进了同一个自回归模型：具身理解、动作生成与未来状态预测共享同一套主干参数，不是三个模型拼起来。比架构更值得看的，是它的监督信号从哪来——PhysBrain 1.5 预训练的具身监督全部来自人类交互视频，不是机器人轨迹；真机轨迹要到之后的监督微调阶段才被引入。
把人类视频变成机器人能执行的动作，中间要过一道管线。Human-as-Humanoid 负责这件事：第一与第三视角同步的人类操作视频，经分阶段重定向转成机器人的动作表示，PhysBrain 1.5 的论文里明确写着重用这条管线，它也因此成了 PhysBrain 1.5 动作监督数据的入口。这些表示最终回到自研的 Prime 系列本体上做真机验证——数据、模型、本体三环在同一套体系里咬合，人类经验走完了从理解到执行的一整条路。
物理AI 物理推理：分水岭在数据源头
回到最初那道题：先教什么。两条路线要回答的问题本来就不同——一条把动作当作要拟合的目标，一条把动作当作理解了世界之后的结果。前者可以在动作分布之内做得很精细；后者要回答的是另一件事：当物体、接触方式或环境稍有变化，动作凭什么还成立。这个「凭什么」，指向的是对物理后果的推理能力。
于是问题回到了数据源头。自注意力算的是统计相关性而不是因果，物理AI 要往下走，需要的是内嵌了连续性与因果链的模型——而连续性和因果链，得从数据里真实的物理交互中来。两种学习范式的分野，起点不在模型参数量，而在第一行训练数据来自哪里。看懂这一点，比争论哪条路线更聪明更有意义。
参考资料
深度机智 · 源于人 超越人：深度机智发布通用具身智能路线图 · 2025-10-10 arXiv · PhysBrain 1.5: From Vision-Language Models to Physical Foundation Models · 2026-09-14 36氪 · NVIDIA如何转动物理AI的数据飞轮？ · 2026-06-24 澎湃新闻 · 为什么卷积神经网络和Transformer架构不适用于物理AI · 2026-06-12