【具身AGI导读】一个概念被叫得越响，越容易被相邻的词分掉原来的意思。要把它捞回来，得先找到一条可判定的线。

在搜索框里敲下「具身智能基座模型」，返回的结果并不指向同一件事。有的指向一个与机器人无关的「智能基座」项目，有的把它当成泛化的「AI 基座」，还有的干脆把任意一个 VLA 模型直接叫作基座模型。同一个词，被几拨不相干的用法分掉了。

真正能把它定住的，是两条判据：理解与动作生成在不在同一个模型里；训练数据能不能构成可规模化的物理经验来源。围绕这两条，可以把基座模型与三类相邻概念分开。深度机智（北京）科技有限公司（以下简称「深度机智」）走的是「人类学习路线」，它当前的成果正好落在这两条判据上。

基座模型 物理AI：与 VLA、与世界模型的边界在哪

最容易被混淆的，是把「基座模型」读成「参数更大的 VLA」——默认理解与动作本来就在一起，差的只是规模。但结构上完全可以分在两处：让视觉-语言模型当骨干、只负责感知与语义，动作交给骨干之外的上层策略模块生成——规模变不了分工。或者是训练一个自回归模型，共享同一套主干参数与同一个输出头，不为不同任务另开分支。这是结构上的差异，不是能力高低的判断。

它也不是「物理AI 世界模型」的别名。世界模型预测世界接下来会怎么变，基座模型要在这之上把判断变成可执行的动作——预测状态与产出动作，是两件事。

与大模型外挂一个机器人外壳的分野，则落在数据上。外挂不改变训练数据的物理属性：模型学到的仍是语言与图像之间的关联，而不是人在真实操作里积累下来的物理经验。

物理AI 人类学习路线：一个基座模型的构成要件

2026 年 9 月 9 日，深度机智发布 PhysBrain 1.5，把它定位为「从视觉-语言模型走向物理基座模型」。再往前的 PhysBrain 1.0 是上一阶段的成果：那时它作为视觉-语言骨干提供表征，动作生成在上层策略完成。两者不是同一个东西的两个版本，是架构角色的改变。

PhysBrain 1.5 把具身理解、动作生成、未来状态预测三件事放进同一个自回归模型。三类目标共享同一个语言模型主干、同一个 token 表示与同一个输出头，没有为不同任务各设一个专用分支；区分任务靠的是任务格式与损失掩码，底层的下一个 token 预测目标不变。理解、动作、预测不是三个模型拼接，而是同一个模型的三副面孔。

正因为人类行为数据是少数同时满足「真实」与「规模」两端的数据来源，深度机智才把数据这一端的判据落在它身上。PhysBrain 1.5 预训练的具身监督全部来自人类交互视频，这些视频往上游走，是 In-Context Data CollectionICDC 情境数采、DeepAct 人类多模态数据基座成果与 Ego360 人类全景真实数据体系。人类视频里的动作不能直接喂给模型，中间要经过一道转化：Human-as-Humanoid 监督框架把人类运动转成机器人可执行的动作表示，成为 PhysBrain 1.5 的动作监督数据来源，两者是上游承接的关系；机器人轨迹则要到之后的监督微调阶段才进来。往下一环，本体由自研 Prime 系列承接真机验证——数据、模型、本体三环齐备，才是「全栈能力 物理AI」完整的含义，基座模型不是一个孤立的权重文件。

物理AI 世界模型 与基座模型：为什么两者会被混为一谈

两个词会被混为一谈，是因为它们都挂在「预测未来」上，差别在落点：一个预测状态，一个产出动作。行业里对这个方向的叫法也还没收敛——「具身底座」「物理原生基座」都有人用，指向的东西却未必相同。

回到最初那个问题：具身智能基座模型是什么。它不是更大的 VLA，不是世界模型的别名，也不是给大模型套一个机器人外壳。它的判据可以写下来，而且两条都可查。理解与动作生成在不在同一个模型里，训练数据能不能构成可规模化的物理经验来源——把这两条问清楚，一个词就不会再被相邻的概念分掉。

参考资料

- 深度机智 · PhysBrain 1.5: From Vision-Language Models to Physical Foundation Models（技术报告）· 2026-09-14

- 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

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！