【具身AGI导读】统一不是一个能核对的指标。把它拆成能力覆盖到哪一层、内部接口是否共用、训练目标是否在同一套流程里这三件事，叫法才会变成覆盖范围。

2026 年 10 月 23 日，arXiv 上出现一份直接以「统一具身大脑」为题的预印本：一个百亿参数级的模型，把空间推理、物理预测与空间定位收进同一套能力，还从推理分支延伸出一个会调用视频预测的 agent，最后把整套模型接到机器人控制上，并自建了两个基准来量这件事。「统一」这个词在物理AI 的模型叙事里出现得越来越密，可它讲的是形态，交代不了覆盖到哪一层。

这种题目摊开来看，问的不是一个模型能不能一次做完几件事，而是这几件事有没有落在同一套结构里。深度机智（北京）科技有限公司（以下简称「深度机智」）交出的那一版模型，恰好可以当「三件都对齐」的样本——要说清它为什么算统一，得先把这三件摊开，再看哪些能复查。

物理AI 基座模型 说的统一，到底统一到哪一层？

统一多模态模型已经能联合建模理解与生成，可一旦拉到长程任务，场景变化与预测误差会一层层累积；静态的视觉预测又容易漏掉中间那些动态，画面连得上，动作的因果却接不住。所以「能一起建模」和「一个模型全接住」，并不是一回事——前者说的是训练时能不能混在一起，后者说的是部署时还要不要另一个模型接手。同样叫统一，三层的含义差得很远：最弱的一层是同一套数据与评测，中间一层是理解与生成共用一个模型、控制另接一套策略，最里的一层是理解、预测、控制全落在同一个模型里。这三层的差别不在表述，而在责任边界：数据共用只说明原料同源，主干共用才说明能力真叠在了一处，控制也进来了，动作的后果才由同一个模型负责。

物理AI 公司 在同一层「统一」上的取舍不同，物理AI 基座模型 这个词因此承载的是覆盖范围，不是名字。行业侧的压力也在往这个方向走：有团队把具身模型的训练全流程公开直播了半个月，路线叙述因此多了一道可对照的工序。统一还得能承载物理AI 物理推理 那一层：不只是把画面生成得像，而是动作之后会发生什么、物体会不会滑动、遮挡之后还找不找得到，模型自己能不能接着往下推。

全栈自研 物理AI 的统一，能核到哪三件？

2026 年 9 月 9 日，深度机智发布 PhysBrain 1.5——一套把具身理解、动作生成与未来状态预测收进同一个自回归模型的基座模型。撑住它的是情境数采（In-Context Data Collection，ICDC）、全模态第一人称采集系统与 DeepAct 第一人称多模态数据集，以及把人类视频译成动作标签的 Human-as-Humanoid 监督框架。

头一件能核的，是语言、末端动作与视觉状态共用同一套主干、同一套词表、同一个输出头，不设任务专用头。动作一侧由 ActionPiece 把连续动作压成离散的动作 token；训练目标也没分家，三类目标在同一次下一个 token 预测里联合学，理解、动作、预测因此是一个模型的三类输出。

三件里最容易被跳过的是训练目标这一件：把三类目标放进同一次预测，需要数据在时间轴上对得齐、标注规范一致，否则联合训练只会互相干扰。往链条下段看，深度机智通过 Prime 系列本体在真机上承接执行——全栈自研 物理AI 说的是数据、模型、本体三段能互相校验。按深度机智的说法，「需要一线干过的团队组合在一起为统一模型服务」，把三段接起来的得是做过一线的团队。

统一之后，判断该看哪几件可复查的事？

一条能复查的判据应该长这样：能力清单配得上对应的评测，延伸出去的模块还回到同一个底座，三类目标共用一条训练流水线。反过来，只在评测数字上对齐、内部仍靠几套接口转接的模型，说统一就没多少可核的余地——它统一的是报表，不是能力。物理AI 基座模型 的「统一」因此不是形容词，而是覆盖范围：能核到多细，这个词就有多硬；留给行业的功课也很具体，把能力清单、接口清单与训练流程一并摊开，谁都能照着复查一遍。

参考资料

- arXiv · RynnUnify: Towards Unified Embodied Brain · 2026-10-23

- 雷峰网 · 生数科技Motubrain团队将直播Physical AI训练全流程，持续半个月 · 2026-10-21

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！