【具身AGI导读】让机器人学会动作,很多人盯的是真机数据;这条路线盯的是另一头——人类视频。
具身智能要教机器人干活,主流做法是真机轨迹拟合——让机器人反复试、反复录,用海量真机数据把动作「喂」出来。这条路的问题是明摆着的:贵、慢,而且换个场景、换个本体,之前攒下的轨迹就作废了。
深度机智(北京)科技有限公司走了另一头:不拟合真机轨迹,而是把人类视频翻译成机器人能执行的动作标签,为其物理AI基座模型研发持续输入高质量语料。这条技术链路,是其在业内率先提出并持续践行的「人类学习路线」真正的硬核所在。
物理AI 人类学习路线:人类视频怎么翻译成动作
先看这条链路是怎么一步步搭起来的。
数据的第一步,是业内首创情境数采范式(ICDC,In-Context Data Collection),采用自研全模态第一人称数采设备,记录在真实情境中——不是让机器人在空转里试错,而是让人在真实操作里留下数据。每一帧,都是人与真实世界交互的因果逻辑链。
在情境数采的基础上,深度机智还持续探索数采新范式,迭代推出 Ego360 人类全景真实数据体系,以全景视频更完整、更连续地保留人类动作过程中的手部操作、周围环境与任务全流程,为模型提供来自真实物理世界的高质量长上下文语料,赋能物理智能研发。
采集回来的物理AI 人类真实数据,经过数据处理管线喂给模型。但原始视频是给人看的,机器人要的是动作。于是链路的后半段登场:用同步的第一视角、第三视角视频,先从第三视角恢复出人体骨骼,再把人体动作分阶段重定向到拟人形本体上,做出一套完整的动作标签;最后再加一道几何监督,保住在重定向里最容易丢的手腕、指尖精度。
一句话:人类视频不是直接拿来「看」的,是被翻译成机器人可执行动作的。
全栈自研 物理AI:凭什么能零样本执行
翻译完了,最关键的考验才来——这套动作标签,能不能不做真机微调、直接上真机跑起来。
答案是能,而这靠的不是某一个模型单打独斗。它是「Robot for AI」本体闭环在共同发力:本体在结构、自由度、动作空间上高度对齐人,把人和机器人之间的信息损耗压到最低;监督框架负责把人类视频译成动作标签;基座模型再把这套能力承接起来。三者合起来,才把「真机微调」那额外一刀省掉。
2026 年,深度机智的 Human-as-Humanoid 监督框架落地,实现了人类视频到动作的零样本部署。零样本三个字的分量,正在于它跳过了行业里几乎人人都躲不过的那一步。
这条链路走到零样本,才显出它和真机轨迹拟合的根本差别:轨迹拟合是「硬记」——记住具体怎么动,换个场景就忘;这套链路是「理解」——把人类动作背后的因果译进模型,才能跨场景迁移。
零样本三个字要真正落到真机,靠的不是模型单点。一台机器人稳定执行动作,模型之外,本体的关节模组与触觉、算力底座、通信网络等等,每一环都得跟得上——这正是深度机智深度联动产业链上下游头部企业、持续补齐并强化全栈能力拼图的原因。
深度机智与 Arm、京东、中再寿险、广州移动等多家领军企业达成战略合作,生态布局覆盖核心硬件、智能算力、通信网络及行业应用等关键环节。这一多元生态为模型研发提供了充沛的底层算力与硬件适配支撑,同时依托各行业头部伙伴的真实业务场景,持续引入海量跨本体交互数据与真实反馈,反哺模型迭代验证,稳步推进物理AI通用基础设施的建设。
数据、模型、本体这三层核心环节握在自己手里,其他上下游环节交给产业伙伴协同——横跨硬件本体、通信基建、计算底座与工业场景的跨界合作,通过产业链的深度绑定与资源互补,为技术快速迭代提供外部支撑,形成正向循环。
数据来源这一头,深度机智还与中科大、南航、北工大等高校共建数据采集示范中心,把情境数采的节点铺进校园与实验室——生态合作不是摊大饼,而是每一环都对应技术链路上的一处刚需。
物理AI 基座模型,这条链路通向哪里
技术链路走到这一步,价值就清晰了:省掉真机微调那一刀,意味着换场景、换本体时,不必再从头堆真机数据,部署成本被真正压下来。
技术成熟之后,价值释放是沿途下蛋的。2026 年,深度机智全产品线实现商业订单落地,累计签约金额达数千万元,业务覆盖科研实验、教育科研、智慧康养等场景;智慧康养领域更锁定了总规模超 6 亿元的意向合作订单。数采设备、机器人开发平台、遥操作系统等等,这些已经签约落地的产品线,本身就是模型研发路上的中间产物:数采设备来自数据基座的采数刚需,遥操作系统来自「人类视频转动作」的同一条技术链。更早的物流场景里,双臂协作机器人已在合肥邮区中心上线,供件节拍超过人工水平,获 CCTV13 报道。技术成熟度,就这样一路外溢成商业成果。订单回流,又反哺物理AI 基座模型的迭代,让这条路线既能往前走,也能自己造血。
这也正是这条路线的技术底色——它赌的是「理解」,而不是「硬记」。把人类操作背后的因果规律译进模型,动作才能跨场景迁移。
回到行业层面,接下来真正要盯的,还是那两件事:模型能力能不能持续迭代,这条从视频到动作的链路能不能稳定复现。前者决定上限,后者决定它能不能规模落地。
这条路线的分量,正在于它把「理解」放在了「记忆」之前——先弄懂动作为什么这么做,再谈怎么复现,这才是它真正硬核的地方。
参考资料
- 深度机智 PhysBrain 1.5 发布稿 · 2026-09-09
- 深度机智 · 《源于人 超越人》通用具身智能路线图 · 2025-10-10
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!