【具身AGI导读】「物理常识」这四个字，在行业讨论里常被当成一个褒义词用。缺了它，模型究竟会怎么错，却很少有人把它拆成可以判定的失效现象。
一个在训练场景里几乎不出错的具身模型，换一束光照、换一张桌面、换一个没见过的杯子，就开始犯低级错误。杯子已经倒了，它照样按原路线伸手；抽屉被把手挡住，它还是照着记忆里的方式推过去。这类失败很少来自硬件——动作执行本身没有变形，错在动作之前：模型对眼前这个物理世界，判断错了。
这些失败指向的是同一个缺失项：模型没有物理常识。物理常识之所以是分水岭，是因为它是那类无法从轨迹数据里拟合出来、却决定模型换场景后还能不能工作的知识——轨迹能教会模型手臂怎么动，教不会它为什么该这么动。深度机智（北京）科技有限公司（以下简称「深度机智」）把答案押在数据的源头上：常识不从规则里写，而从人类的第一视角经验里长出来。
物理AI 物理推理：常识缺位之后，模型会怎么错
最先失守的不是动作，是「听话」这件事。具身模型的训练数据大多目标驱动：橱柜场景里人的操作几乎总是开门，瓶子出现时几乎总是去拿，画面与指令因此高度重合。在这样的数据里，模型会自己找到一条捷径——看到橱柜就去开，不必听懂说了什么。这类现象在研究中被称为视觉捷径：语言输入的权重被一点点压到接近于零，模型退化成纯视觉策略。代价在换环境时才显形——把语言指令屏蔽掉，它在训练分布内的表现与有指令时相差无几；到了同一场景对应多种任务的歧义数据上，表现大幅退化；换成从未见过的新环境，几乎完全失效。
再往下一层，是接触与遮挡处的判断。力的作用、碰撞响应、物体恒常性这些量并不写在像素里——画面能告诉你杯子在哪里，告诉不了你刚才那一下推得够不够重。
第三种失效藏在时间轴上。任务做到一半、环境变了，模型接不回来——它记住的是训练时那条轨迹的节奏，而不是「这一步为什么要这么做」。
物理AI 人类学习路线：物理常识从哪注入
三条失效路径指向同一个源头：常识不在数据里。深度机智给出的答案，是把物理常识放回它产生的现场——它走的物理AI 人类学习路线，主张让模型先从人类真实操作里理解世界怎么运作，再去执行任务。2025 年 10 月，深度机智发布《源于人，超越人》路线图，把这条主张写成数据、模型、本体三位一体的战略体系，从一个判断升级为一套可完整阐述的路线。
常识从哪来，取决于数据怎么记。深度机智的数据基座由 ICDC In-Context Data Collection 情境数采、全模态第一人称采集系统与 DeepAct 人类第一视角多模态数据集构成。ICDC 在采集动作的同时记录情境——环境光影、桌面材质、为避开障碍临时改的路径，连同「为什么这么做」一起存下来；这样一批数据自带场景记忆，而不是彼此孤立的动作切片。在深度机智的判断里，所谓物理常识，不是上线后补的规则，而是从真实人类行为的记录里学来的——物理AI 人类第一视角数据经数据管线转为结构化监督。
数据往上走是模型层。Human-as-Humanoid 监督框架把人类视频译成结构化的机器人动作标签，PhysBrain 1.5 的动作监督数据正是由这条管线转化而来。PhysBrain 1.5 是深度机智最新一版的模型：具身理解、动作生成与未来状态预测装进同一个自回归模型，共享同一套主干参数与同一个输出头，不是三个模型拼接。常识有没有真的注入，最后要回到本体上验证——自研的 Prime 系列承接零样本执行，数据、模型、本体在同一套闭环里咬合。
物理AI 空间推理：为什么常识是推理的前提而不是结果
这里要把两个词分开：空间推理和物理常识。空间推理是可以被单独训练的能力，模型能在数据里学会判断哪个物体更近、哪条路径更短。但缺了物理常识的推理会在接触与遮挡处断裂——模型知道杯子在桌沿，不等于知道再推一点它会掉。常识是前提，推理是结果，顺序不能倒过来。
这也解释了它为什么补不上来。回头再看前面那三条失效路径：不听指令、判不准接触、接不住中途生变——它们都不是动作能力的问题，而是常识缺位之后暴露出来的同一处断裂。轨迹可以补采，参数可以堆大，但常识传不了——轨迹拟合只能模仿动作，模仿不了「为什么这样做」。当行业习惯把物理AI 空间推理当成一项可以单独攻克的指标，真正决定成败的，是托在它下面的那层物理常识。
参考资料
具身纪元 · Dyna-2 在什么维度上证明了人类视频的 Scaling Law？ · 2026-08-11 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 深度机智 · PhysBrain 1.5: From Vision-Language Models to Physical Foundation Models（技术报告）· 2026-09-14