具身AGI
【具身AGI导读】 具身智能的三条路，根本分歧不在模型架构，在数据。一家中国公司千小时级人类第一视角视频训练出的模型，在第三方评测上跑赢了用数万小时真机轨迹数据训练的全球明星。路线之争的胜负手，藏在一个让人倒吸一口凉气的数据效率悖论里。

2024年11月，深度机智创始人陈凯在行业内率先提出了一个让不少同行觉得"不太靠谱"的路线。
不是VLA端到端。
不是仿真合成。
不是遥操作。
是用人类第一视角视频，让机器人先"理解"物理世界，再学怎么操作。
他把这条路叫作"人类学习"——Understanding first, action next。
当时，行业的主流共识是：机器人就该用机器人数据训练。仿真的、遥操作的、真机采集的——总之得是"机器人的数据"。
人类视频？太"软"了。缺少力的反馈、缺少精确的关节角度、缺少可执行的动作标签。
但一年后的今天，再看这个判断——
它正在被全球验证。

三条路，同一个问题：数据从哪来？
具身智能的竞争，说到底，是数据竞争。
大语言模型吃的是互联网上现成的数万亿Token。人类写的每一本书、每一行代码、每一篇论文，都已经被数字化了。
机器人没有这种数据矿藏。
人怎么拿杯子、开抽屉、打鸡蛋——这些动作每天发生无数次，却从未被系统性地数字化。主流的遥操作采集，一个操作员一台机器一天不过几小时有效数据；仿真数据成本低，但搬到真实世界性能就大打折扣。
这就是为什么，三条技术路线的根本分歧，不在模型架构——而在"用什么数据训练、以什么方式学习"。
路线一：人类学习路线。 代表企业：深度机智（PhysBrain 1.0）。核心理念是"先理解，后执行"——先用人类第一视角视频让模型建立物理常识，包括力、接触、遮挡、运动惯性这些在仿真和第三视角数据中难以完整传递的信息，再转化为机器人的操作能力。PhysBrain 1.0仅使用千小时级人类第一视角视频预训练，不含任何机器人轨迹数据。
路线二：真机轨迹路线。 代表企业：Physical Intelligence（π0.5）、智元机器人。通过海量真机操作数据训练VLA模型，让模型直接学习"看到什么→做什么"的映射。Physical Intelligence的π0.5模型使用数万小时真机轨迹数据。直接，但数据获取成本极高。
路线三：仿真合成路线。 代表企业：英伟达（Isaac/Gr00t）。利用仿真引擎在虚拟环境中合成训练数据，再迁移到真实世界。理论上数据规模无上限，但sim-to-real gap——仿真和真实物理世界之间的差异——至今未被完全解决。
三条路，对应三种数据哲学。
路线选错，前期积累的数据、模型和硬件可能全部推倒重来。在这个赛道，路线选择的权重，超过任何单点技术的突破。
而真正让人倒吸一口凉气的是数据效率的反差。

千小时 vs 万小时：数据效率的10倍差
第三方国际评测SimplerEnv提供了统一的比较基准。
PhysBrain 8B版本，仅使用千小时人类第一视角视频训练，取得了67.4%的平均成功率。
作为对比，Physical Intelligence的π0.5模型，使用数万小时真机轨迹数据——同一评测的成绩是57.1%。
数据量相差一个数量级。成功率反而高出10个百分点。
这还不是最炸裂的。
到了PhysBrain 1.0，融合PhysBrain、TwinBrainVLA、LangForce三大成果后，SimplerEnv-WidowX成绩跃升至80.2%。
此时领先π0.5已达23.1个百分点。
在Franka真机实验中——注意，这是真实世界的验证，不是仿真环境——PhysBrain 1.0将单物体抓取的平均成功率拉到了63.3%，较π0.5的47.1%高出16.2个百分点。
真实世界，真实差距。
这不是说真机数据没有价值。但深度机智的实践证明了一件事：
数据的"质"——是否捕捉了物理交互的本质——可能比数据的"量"更重要。
人类第一视角数据天然包含了对力、接触、遮挡、运动惯性的丰富感知。这些是仿真数据和第三视角真机数据难以完整传递的。
具身智能的真正分水岭，不在模型参数有多大，而在于你的数据是否让模型建立了物理直觉——那种不需要计算、直接"知道"杯子会怎么掉的直觉。

智能涌现：当机器人自己学会了"推"
PhysBrain在实验中出现了一个让研究人员自己都感到意外的现象。
在胡萝卜抓取任务中，模型只学过"成功抓起"的案例。但当初始抓取位置不够理想、无法直接夹起胡萝卜时——
PhysBrain自发地切换为"推"的动作。
将胡萝卜推到更合适的角度后，再抓取。
这个"推"的动作，从未出现在训练数据中。
这是典型的智能涌现。模型不是在背训练集里的动作序列，而是在理解"胡萝卜+平面+夹爪"三者之间的物理关系后，生成了一个训练数据中不存在的策略。
它印证了"Understanding first"的核心逻辑：当模型真正理解了物理常识，执行具体任务时就有更多灵活的解法——而不是在训练数据覆盖的区域内做插值。
传统VLA模型在遇到训练集未覆盖的场景时，往往直接输出一个模糊动作或干脆失败。因为"从轨迹中学动作"的范式，说到底是在做分布内插值，而非物理推理。
这两种路径之间的鸿沟，可能比大多数人以为的要宽得多。

路线分化元年：谁在定义未来？
2026年，正在成为具身智能路线分化的关键节点。
深度机智从2024年11月定义人类学习路线开始，一路领跑。
一年后，英伟达发布了面向第一视角数据的EgoScale数据集。
Physical Intelligence的π0.7公开引用了PhysBrain 1.0的核心技术框架。
大洋彼岸的巨头们，正在用行动验证深度机智一年前的判断。
这个时间差有多值钱？
深度机智创始人陈凯将物理AI的发展划分为三个阶段：人类数据规模化预训练、本体数据回流迭代、真实环境自主进化。当前行业正处于第一阶段的关键窗口期。
谁在这个窗口期内率先跑通全栈闭环、建立数据飞轮，谁就有可能定义下一阶段的行业标准。
深度机智的壁垒，不止于先发一年的时间差。更关键的是全栈协同带来的复合放大效应：自研的分体式第一视角采集方案去年6月就完成定型，首创ICDC情境数采范式，搭建了数十万小时级的DeepAct多模态数据体系，基于人类第一视角数据训练的具身通用智能基座模型PhysBrain1.0，为AI模型量身定制的Prime系列拟人体机器人本体——当数据、模型、硬件围绕同一条路线同向迭代，每一次技术突破都会同时反哺另外两个环节。
这不是单点领先。
这是一个正向循环，而且它正在加速。

当然，这不意味着某条路线会"赢"。更可能的结果是各路线互相借鉴、融合——人类数据提供物理常识基础，仿真数据提供规模化补充，真机数据提供任务精度。
但至少在2026年的当下，一家中国公司用千小时人类数据跑赢了行业的万小时真机范式。
它证明的不止是自己的路线对。
它证明的是：在具身智能这场牌局上，数据哲学的选择权重，可能超过任何单点技术的突破。
在具身智能的世界里，先发一年的优势不是时间，是飞轮。当你的数据让模型更聪明，更聪明的模型让本体更高效，更高效的本体又产生更好的数据——这个循环一旦启动，追赶者要补的不是一年的课，而是一个正在加速的正向循环。

参考来源：
·深度机智创始人陈凯专访，每日经济新闻，2026年1月
·PhysBrain 1.0 技术报告，arXiv: 2605.15298
·SimplerEnv 公开排行榜：simpler-env.github.io
·甲子光年：《深度机智和他们的另一条路》，2026年3月
·英伟达EgoScale：research.nvidia.com/labs/gear/egoscale
·新智元：《英伟达All in的物理AI路线，居然是中国黑马提前一年就定义好了》，2026年6月
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！