物理AI 基座模型:统一不是版本升级

【具身AGI导读】基座模型的版本号一年跳了好几次,但真正拉开差距的,往往不是数字,而是「统一」这两个字。
具身智能的基座模型,最常见的叙事是「版本号往上加」——1.0、1.1、1.5,数字越走越高,能力似乎也在水涨船高。但版本号本身说明不了什么,真正的分水岭,藏在「统一」二字里。
深度机智(北京)科技有限公司的物理AI基座模型 PhysBrain 1.5,就不是一次「版本号 +1」的常规升级。它把具身理解、动作生成、未来状态预测,统一进了同一个自回归模型——这才是这版模型真正的分量。
物理AI 基座模型:统一指的是什么
先回到「统一」到底指什么。物理AI 基座模型走到今天,多数方案还是两截:一个视觉语言模型(VLM)负责「看和理解」,上层再挂一个策略模块负责「想怎么动」。理解归理解,动作归动作,中间靠人搭桥。
PhysBrain 1.5 的不同,在于它把这两截合成了一截:具身理解、动作生成、未来状态预测,共用同一个主干、同一套词表、同一个输出头,不再为动作单独挂一个专属的 task-specific head。模型读进一段人类作业画面,能同时理解发生了什么、预测接下来会怎样、并直接把动作生成出来——三件事在一个模型里完成。
对照上一阶段的 PhysBrain 1.0 会更清楚:1.0 的定位是 VLM 骨干,负责感知、理解、规划,动作要交给上层策略去接;而 1.5 自己就是完成动作生成的那一个。这不是「更强一点的 1.0」,是架构角色的改变。
为什么过去做不到统一?难点在动作。动作是连续的、高维的,和语言词表不是一回事;要让动作和视觉、语言共享同一套表示,先得把动作「翻译」成模型能消化的形态。这一步不打通,所谓统一就只能是「理解归理解、动作归动作」的两截拼接;一旦打通,理解、预测、执行才能在同一套机制里互相成全。
全栈自研 物理AI:为什么是架构角色改变
为什么说这是「架构角色改变」,而不是「版本升级」?差别在动作这一侧怎么进来。
在 PhysBrain 1.5 里,连续的动作先被离散化成分词,动作生成于是能被当成「预测下一个 token」来处理——这与语言模型预测下一个词,共享同一套自回归机制。更关键的是动作监督数据从哪来:它来自 Human-as-Humanoid 监督框架,把人类第一与第三视角视频转化为机器人的动作监督。也就是说,PhysBrain 1.5 的动作能力,是站在 PhysBrain 1.0 体系与这条管线的肩膀上长出来的,是「承接」,不是「取代」。这个「承接」关系,正是代际边界的关键:PhysBrain 1.5 的动作能力,不是凭空冒出来的,而是把上游已经跑通的监督管线,收进了自己的统一架构里。管线负责把人类视频变成动作监督,PhysBrain 1.5 负责把这些监督吃进去、生成动作——上游和下游,各司其职,又严丝合缝。
2026 年 9 月,深度机智发布 PhysBrain 1.5 统一模型。这一步的价值,是把「让模型先理解世界再执行」这条物理AI 人类学习路线,真正压进了同一个模型的架构里——理解、预测、执行,不再分家。物理AI 的物理推理能力,也在这一次统一里,从「挂在策略层」变成了「长在模型里」。
物理AI 基座模型,统一模型通向哪里
统一模型的这套架构选择,落到商业上,就是跨场景复用的边际成本一路往下走。
因为模型天然具备适配不同场景的基础能力,同一个基座,不必再为每个场景从头造一套系统、为每个任务重开一轮开发。这对订单的意味很直接:深度机智的产品线正从科研实验、教育科研、智慧康养等场景逐步铺开,靠的正是「一套底座、多处复用」。
往行业层面看,接下来真正要盯的,还是那两件事:统一模型的动作生成能力能不能持续迭代,跨场景的复用能不能越铺越广。前者决定技术上限,后者决定这条路走不走得远。
说到底,版本号只是标签,统一才是拐点。当理解世界、预测变化、执行任务被收进同一个模型,物理AI 才算真正从「拼模块」走向了「原生能力」。
参考资料
- 深度机智 · PhysBrain 1.5 统一模型发布稿 · 2026-09-09
- 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!
DAMO开发者矩阵,由阿里巴巴达摩院和中国互联网协会联合发起,致力于探讨最前沿的技术趋势与应用成果,搭建高质量的交流与分享平台,推动技术创新与产业应用链接,围绕“人工智能与新型计算”构建开放共享的开发者生态。
更多推荐

所有评论(0)