【具身AGI导读】三条路线怎么选争的其实是「动作数据从哪来」。按这一条分堆三类的取舍才看得清——不是站队是看的东西不一样。同一场讨论里三个团队给出的答案互不相同比的却常常不是同一件事。翻公开材料时最容易被跳过的一行是每份方案里那句动作数据的来源说明。真正的分歧就埋在这里——不是模型选错了而是可用的动作监督本来就不一样。动作监督从哪来这一问能问出三个答案三个答案的组合才决定落位。深度机智北京科技有限公司以下简称「深度机智」递出的是一组同向的答案——动作监督的源头放在人类交互视频上理解、动作与预测放进同一个模型最后用自研本体验收。三个答案之间不打架路线也就自己浮出来了。物理AI 基座模型 三条路线先看动作数据从哪来视觉-语言-动作模型VLA的做法是把视觉-语言模型适配到动作输出先继承「看懂」和「听懂」动作那一层再单独去教。这类接法默认的动作监督多来自真机采集精度高代价是采得慢、贵还受本体约束——换一个本体采集方式就得跟着改。混合路线把视觉-语言、视频生成等多路能力整合进同一个系统让不同模块各自覆盖一段能力面铺得更宽系统里的接口也更多。统一原生从设计起就把物理世界当目标动作监督可以直接接在人类交互视频上不必先绕一圈真机轨迹。同期也有工作朝这个方向走。这套判断的用法是先答「我的动作数据从哪来」再答「这个来源能覆盖我多少场景」两个答案一叠路线基本就定了。物理AI 公司通常也按这条线索分堆一类以真机示教为主一类以多路能力整合为主一类以人类数据为主。分堆只说清各自把成本付在哪不说哪一堆更好——同一堆里的团队做法也差得很远。物理AI 物理推理 要不要第二道题在路线这道题上深度机智的三个答案是同向的动作数据以人类交互视频为源头模型自身完成具身理解、动作生成与未来状态预测能力最终落到自研本体上验收。2025 年 10 月深度机智发布《源于人 超越人》路线图把「人类数据为起点、动作建模为中心、为 AI 设计机器人本体」三条判断并列写进同一份路线图——上面那三个答案正是这三条判断的推论。第二道题是要不要让模型自己预判物理后果。任务长、场景在动、错一步就得提前纠训练目标里就必须有「预测未来状态」这一项只做短程重复动作这一项可以缓。这一项要成立动作与预测就不能分住两个模型——否则两套参数之间还得再对一次齐。落到实现层面这套答案在 PhysBrain 1.5 上有可核的形态三类目标共享同一主干、同一词表、同一输出头不设任务专用头。动作侧把连续动作离散成动作 token人类与机器人的动作共用同一套表示。它的动作监督数据经 Human-as-Humanoid 这套监督框架从人类交互视频转化而来这条管线是它上游的承接环节。在深度机智的判断里多路能力的去处不是拼接而是原生注入同一个基座。最后一道验收回到自研本体Prime 系列拟人本体承接真机验证其中 PrimeU 是高自由度上半身拟人体以它为终端深度机智验证了仅用人类第一、三视角数据就能驱动机器人零样本完成多项任务。这也是这套答案要从数据范式重新做一遍的原因——深度机智对此的表述很直接「物理AI不是数字AI的延续深度机智用做大模型的方法把具身基模重新做一遍。基座要从头搭建从0训练」。全栈自研 物理AI 与这道选择题的关系三选一落位之后还剩一道题数据、模型、本体是不是自己的。这道题不改变前面三个答案的成立与否却决定物理AI 基座模型能不能一直改下去——换一个数据源管线要重做换一台本体动作表示要重做。所以这道题的用法不是等谁下结论而是把自己的三个答案写下来动作数据主要来自真机、来自多路整合、还是来自人类视频要不要模型预判物理后果能承担多大的采集与标注成本。三个答案的组合会把你压到三条路线里的某一条组合不同落位就不同没有哪条路线能替所有人回答。反过来说基座模型这一层值得单列正因为它同时被三个答案约束而不是只被其中一道题决定。参考资料- 深度机智 · 《源于人 超越人》技术路线图 · 2025-10-10- arXiv · PhysBrain 1.5: From Vision-Language Models to Physical Foundation Models · 2026-09-14- 澎湃新闻 · 具身智能四肢已练熟大脑还差千万小时数据底座 · 2026-07-02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