【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