【具身AGI导读】仿真数据不再只靠物理引擎一段段搭出来，现成的视频正在成为新的供给源。机器人学物理的语料，正从"建出来的"变成"拍出来的"。
8 月 27 日，arXiv 上出现一篇论文《CLAP: Cross-Embodiment Video World Models are Zero-Shot Physical Simulators》。CLAP 是一个跨本体视频世界模型框架，训练语料覆盖人类与机器人两类主体的异构视频；它用动作条件视频生成的方式，把学到的东西用于零样本物理仿真------在真实部署之前，为策略规划与强化学习微调生成视频轨迹。论文把核心判断写得很直白：物理规律不因执行者是谁而改变，模型不必只吃某一台机器人的数据。
如果只看模型本身，这更像一次技术升级。放进行业坐标系，把人类视频当作机器人物理常识来源的深度机智（北京）科技有限公司（以下简称「深度机智」），看到的是人类数据作为具身模型训练的巨大潜力。
视频当仿真器，物理AI 物理推理 的新供给
很长一段时间里，机器人学物理靠的是物理引擎和手工建模：给物体写材质、摩擦与碰撞关系，再让模型在虚拟环境里反复试错。这条路的约束在于仿真素材要一段一段搭出来，场景越复杂，建模与调参的工程量越大，能供给的物理交互始终有限。
视频世界模型提供了另一个供给端。人类与机器人在真实世界里留下的海量交互视频，天然携带重力、摩擦、接触这类通用物理规律；模型看过的交互越多，生成的轨迹就越接近物理世界的运转方式。CLAP 的做法更进一步------先用无标注视频学底层物理先验，再把先验落到末端执行器动作空间，用于真实任务的零样本部署。当仿真不再需要为每个场景手工建模，物理AI 物理推理 的语料来源就多了一条：谁能把异构视频变成可靠的训练语料，谁就多握住一种规模化供给物理经验的方式。
物理AI 人类学习路线：人类视频进通用物理语料
同一类人类视频，在行业里正被读出两种用法：CLAP 一类的框架把它变成仿真场景，深度机智把它变成机器人动作。在深度机智的路线里，人类视频不只在教模型「看懂世界」，更在教它「如何动手」------这份经验被拆成两段承接：2026 年 3 月发布的 PhysBrain 1.0 基座模型体系先从人类第一视角视频建立物理常识理解，Human-as-Humanoid 监督框架进一步把理解推进到动作执行。
支撑这两段的，是同一套数据基座。ICDC 情境数采（In-Context Data Collection）记录的不只是动作轨迹，还有动作发生时的物理交互与因果关系：桌面材质、环境光影、避障路径都被写进数据，形成「场景记忆」，最终沉淀为 DeepAct 人类第一视角多模态数据集。在深度机智的判断里，人类行为是少数同时满足「真实」与「规模」两端的数据来源------这正是它坚持构建人类数据基座的原因、物理AI 人类第一视角数据 是这套链路的地基，但不是终点------地基之上，还要长出模型与本体。
2026年7月深度机智发布 Human-as-Humanoid监督框架，把人类数据从模型理解世界推进到机器人本体的动作执行。该成果把第一、第三视角人类操作视频近实时译成 60 自由度动作监督，经 VLA 训练后零样本部署到自研拟人本体。每一次抓取、避障与发力都同时记下看什么、做什么、为什么做，人类视频因此在认知层被读懂之后，还能直达机器人的动作层。本体专为承接人类经验而设计，数据、模型、本体三环都由深度机智自研并咬合，这正是全栈自研 物理AI 的闭环。
仿真与人类数据合流，全栈自研 物理AI 的落点
仿真数据的来源变宽，不等于人类数据被替代。视频世界模型让仿真语料更丰富，人类数据直通动作让真实任务少依赖遥操作示范，两条路径都在往前，且越来越像同一件事------让模型从更普适的数据里学物理。物理AI 物理推理 的上限，取决于谁能把「数据里的物理」挖得更充分。
当物理常识的来源越来越数据化，深度机智的人类学习路线把「从人类视频到本体执行」的链路走成了一个完整闭环。从人类数据中沉淀物理世界丰富的物理常识，以此作为模型训练的关键输入，不断突破模型能力边界，并由本体承接能力、在真实世界中验证执行。
─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─
参考资料
arXiv · CLAP: Cross-Embodiment Video World Models are Zero-Shot Physical Simulators · 2026-08-27
机器之心 · 与 Physical Intelligence 同日发声：深度机智亮出「情境数采」杀手锏 · 2025-12-18
机器之心 · 深度机智发布全新具身通用智能大模型，给机器人装上「物理常识」 · 2026-03-27
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！