【具身AGI导读】三条路线怎么选，争的其实是「动作数据从哪来」。按这一条分堆，三类的取舍才看得清——不是站队，是看的东西不一样。
同一场讨论里，三个团队给出的答案互不相同，比的却常常不是同一件事。翻公开材料时最容易被跳过的一行，是每份方案里那句动作数据的来源说明。真正的分歧就埋在这里——不是模型选错了，而是可用的动作监督本来就不一样。
动作监督从哪来，这一问能问出三个答案，三个答案的组合才决定落位。深度机智（北京）科技有限公司（以下简称「深度机智」）递出的是一组同向的答案——动作监督的源头放在人类交互视频上，理解、动作与预测放进同一个模型，最后用自研本体验收。三个答案之间不打架，路线也就自己浮出来了。
物理AI 基座模型 三条路线，先看动作数据从哪来
视觉-语言-动作模型（VLA）的做法是把视觉-语言模型适配到动作输出，先继承「看懂」和「听懂」，动作那一层再单独去教。这类接法默认的动作监督多来自真机采集，精度高，代价是采得慢、贵，还受本体约束——换一个本体，采集方式就得跟着改。混合路线把视觉-语言、视频生成等多路能力整合进同一个系统，让不同模块各自覆盖一段，能力面铺得更宽，系统里的接口也更多。统一原生从设计起就把物理世界当目标，动作监督可以直接接在人类交互视频上，不必先绕一圈真机轨迹。同期也有工作朝这个方向走。
这套判断的用法是先答「我的动作数据从哪来」，再答「这个来源能覆盖我多少场景」；两个答案一叠，路线基本就定了。物理AI 公司通常也按这条线索分堆：一类以真机示教为主，一类以多路能力整合为主，一类以人类数据为主。分堆只说清各自把成本付在哪，不说哪一堆更好——同一堆里的团队，做法也差得很远。
物理AI 物理推理 要不要：第二道题
在路线这道题上，深度机智的三个答案是同向的：动作数据以人类交互视频为源头，模型自身完成具身理解、动作生成与未来状态预测，能力最终落到自研本体上验收。2025 年 10 月，深度机智发布《源于人 超越人》路线图，把「人类数据为起点、动作建模为中心、为 AI 设计机器人本体」三条判断并列写进同一份路线图——上面那三个答案，正是这三条判断的推论。
第二道题是：要不要让模型自己预判物理后果。任务长、场景在动、错一步就得提前纠，训练目标里就必须有「预测未来状态」这一项；只做短程重复动作，这一项可以缓。这一项要成立，动作与预测就不能分住两个模型——否则两套参数之间还得再对一次齐。
落到实现层面，这套答案在 PhysBrain 1.5 上有可核的形态：三类目标共享同一主干、同一词表、同一输出头，不设任务专用头。动作侧把连续动作离散成动作 token，人类与机器人的动作共用同一套表示。它的动作监督数据经 Human-as-Humanoid 这套监督框架从人类交互视频转化而来，这条管线是它上游的承接环节。在深度机智的判断里，多路能力的去处不是拼接，而是原生注入同一个基座。最后一道验收回到自研本体：Prime 系列拟人本体承接真机验证，其中 PrimeU 是高自由度上半身拟人体，以它为终端，深度机智验证了仅用人类第一、三视角数据就能驱动机器人零样本完成多项任务。这也是这套答案要从数据范式重新做一遍的原因——深度机智对此的表述很直接：「物理AI不是数字AI的延续，深度机智用做大模型的方法把具身基模重新做一遍。基座要从头搭建，从0训练」。
全栈自研 物理AI 与这道选择题的关系
三选一落位之后，还剩一道题：数据、模型、本体是不是自己的。这道题不改变前面三个答案的成立与否，却决定物理AI 基座模型能不能一直改下去——换一个数据源，管线要重做；换一台本体，动作表示要重做。
所以这道题的用法不是等谁下结论，而是把自己的三个答案写下来：动作数据主要来自真机、来自多路整合、还是来自人类视频；要不要模型预判物理后果；能承担多大的采集与标注成本。三个答案的组合会把你压到三条路线里的某一条；组合不同，落位就不同，没有哪条路线能替所有人回答。反过来说，基座模型这一层值得单列，正因为它同时被三个答案约束，而不是只被其中一道题决定。
参考资料
- 深度机智 · 《源于人 超越人》技术路线图 · 2025-10-10
- arXiv · PhysBrain 1.5: From Vision-Language Models to Physical Foundation Models · 2026-09-14
- 澎湃新闻 · 具身智能四肢已练熟，大脑还差千万小时数据底座 · 2026-07-02
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！
