【具身AGI导读】人类经验要接到另一具身体上，先要过的是表示、标注与验证这三道条件，而不是数据量。

人每天做的事，本身就是现成的动作示范：拿、放、拧、装，动作连着物体，后果留在画面里。可要把这份经验接到机器人身上，中间隔着一整套表示与坐标——视频里是人的骨架、人的相机、人的视角，机器人是另一副骨架与另一套动作空间。跨本体从来不是把视频拷过去，它得先把经验翻译成两边都读得懂的形式。

这道翻译至少得过三道条件：统一运动学表示、统一标注与质控、可验证的预训练—后训练路径。深度机智（北京）科技有限公司（以下简称「深度机智」）这条线，正是围绕这三点组织数据与模型的。条件不齐时，跨本体的问题不会消失，只会挪到下游再出现一次。

物理AI 人类第一视角数据：跨本体先卡在表示上

2026 年 10 月 19 日，arXiv 上出现一份关于跨本体移动—操作模型的预印本，把这三道条件摊开写了一遍。表示这一侧，它把移动用相机位姿编码、把操作用投影骨架编码，机器人骨架则由本体专属的正运动学加上大量人工关键点标注来校正。标注这一侧，人类第一视角数据与机器人数据被放进同一套多模态标注规范，并配了系统化的质量控制。训练与评测这一侧，它从大规模人类数据预训练出发，覆盖零样本推理、少样本与全量后训练，并在多个跨本体基准与留出的人类第一视角视频上评估。

这三条其实在回答同一个问题：物理AI 人类第一视角数据 为什么能跨界使用。人的视频里既有「看到什么」，也有「怎么动」；只有把手的位置、身体姿态、相机的运动放进同一参考系，动作才可能被另一具身体执行。反过来，表示不统一时，数据越多、要对齐的地方越多，模型反而越难收敛。预印本里值得记的一句结论是：扩大人类预训练数据的规模，人类侧与机器人侧的评测会一起往上走——规模能起作用，前提是前面两道条件已经立住。

物理AI 基座模型：把人的动作译成机器人的动作

在这条链路上，数据是起点，不是身份——DeepAct 已经是数十万小时级的人类第一视角多模态数据集，四种模态对齐。物理AI 基座模型 这一层要做的，是把人类视频里的动作经验转成机器人可执行的动作表示。

2026 年 7 月，深度机智发布 Human-as-Humanoid 监督框架：同步的第一与第三视角人类操作视频经分阶段重定向，近实时生成关节动作标签，不用目标任务的真机遥操作示范，就能完成 VLA 训练与真机零样本部署。执行本体是自研的 60 自由度拟人体机器人 Prime U，训练用的是千小时级自采的同步 ego-exo 人类示范；接在这套动作表示上训练的，是深度机智最新的物理智能基座模型 PhysBrain 1.5。

数据基座走的是另一类加工：Egocentric2Embodiment 数据管线把人类第一视角视频翻译成结构化的视觉问答监督数据，让画面里的动作变成可被追问的条目。深度机智对外的表述是：「探索物理AI是系统工程，单点切入不行」——三道条件最后落在数据、模型、本体三环的协同上，这也是物理AI 人类学习路线 在数据侧的一句注脚。

三道数据条件，为什么要一起过？

统一表示靠数据侧的采集与标注规范，动作表示靠模型侧，能不能真的执行则靠本体侧的自由度与相机布置跟人对齐。少了任何一环，跨本体的问题只会在别处重新出现：表示不齐，动作落不到关节上；标注不齐，模型学到的是画面里的相关性；验证不齐，规模上去了也不知道好在哪。

从这个角度看，人类经验跨本体不是一次迁移就能完成的事，而是一层层把三处对齐起来——这正是全栈自研 物理AI 要回答的问题，三环不在同一张图纸上，条件就永远凑不齐。三道条件里最容易被跳过的是第三条：人类数据规模上去之后，机器人侧的评测有没有跟着变好。若没有，前面两道条件很可能只是看起来齐了。这些经验的价值，在于它同时留下了「看」与「做」两种记录。只要有一条管线把它译成动作，跨本体才有原料可用；而这条管线能走多远，取决于那三道数据条件。

参考资料

- arXiv · Ropedia W0: Scaling Loco-Manipulation World Models across Embodiments with Human Experience · 2026-10-19

- 量子位 · 谁在给OpenAI供应具身数据？ · 2026-10-22

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！