物理AI 基座模型 的壁垒,不在模型大小

【具身AGI导读】「统一原生」不是一句立场,而是三件能在技术报告里逐项核对的事:参数停在哪一层、词表是一本还是几本、训练目标是一个还是几个。

比较物理 AI 模型时,被摆上桌面的通常只有两栏:参数有多少、数据吃了多少。这两栏都能量,也都能往上涨,于是不管走哪条路线,看上去都在同一条跑道上。可把几条路线的技术报告并排翻,会发现它们回答的并不是同一个问题 ------模型里哪几件事,共用同一套东西。

这个问题没有数字可抄,只能翻结构。深度机智(北京)科技有限公司(以下简称「深度机智」)把落点放在这一层:理解、动作、预测三件事,压进同一套参数 。要判断这句话成不成立,得把「共用」拆成三项能被技术报告逐项核对的事。

物理AI 基座模型 的三条路线,差别不在大小

把「动作」接进模型,大致有三类做法。一类是 视觉-语言-动作模型(VLA):把已经会看会说的视觉-语言模型适配到动作输出上,动作由上层策略给出。一类是混合路线:把视觉-语言、视频生成等多路能力整合进同一个系统,各段能力分别做强。一类是统一原生:从设计起就把物理世界当目标,让动作与对后果的预测一起进模型 。同期也有工作朝这个方向走,说明「动作怎么进模型」仍是开放问题。

一份机器人学习方向的综述把现状说得很直接:表征、动作、预测三条线长期各自发展,缺的正是把三者放进同一套接口的整合 。分水岭因此不在模型装了多少参数,而在哪几件事被放进了同一个模型。三条路线的输入端也不一样:有的从真机轨迹里取动作,有的靠在仿真里反复试,有的直接向人类交互视频要监督信号------把人类交互视频当输入端的那一条,行业里记作「物理AI 人类学习路线」 。输入端决定数据能长多大,「共用哪几套东西」决定这些数据最终能不能落进同一个模型 。

物理AI 物理推理 的壁垒,可以逐项拆开

深度机智走的是统一原生这一条。承接这套架构的,是 2026 年 9 月 9 日发布的 PhysBrain 1.5------三类目标共用同一套参数、同一套词表与同一个输出头 。深度机智对外的表述是:「物理AI需要语言模型、多模态,视觉基础模型,世界模型,语音交互模型的能力,需要多维能力组合在一起为统一模型服务」------不是把几段能力拼起来再对接,而是原生注入同一基座 ,这也是三类目标被压进同一套参数的原因。

第 1 项看的是参数。理解、动作、预测是不是真的跑在同一套参数上,还是照「骨干 + 上层策略」分成两段;分成两段,两层之间就要单独定义一次接口 ,这件事在技术报告里通常写得明白。第 2 项看的是词表与输出头。三类目标是否进同一本词典、是否共用同一个输出头,报告里有没有为某一类任务单设专用分支,这一项能逐字查到 。

第 3 项看的是训练目标。动作监督与未来状态预测是不是进同一个训练目标、靠任务格式与 loss mask 分流,底层的下一个 token 预测目标有没有被换掉,方法节里都写着 。动作侧把连续动作离散成动作 token,人类与机器人的动作共享同一套表示,腕部轨迹以相对当前观测的位姿给出;预测未来状态时,模型一次输出空间对齐的 RGB、深度与机器人掩码,三者落在同一个时间戳、同一个坐标系上 。支撑这些动作监督数据的,是 Human-as-Humanoid 这套把人类运动转成机器人动作表示的管线------PhysBrain 1.5 的论文写明了复用;这些能力最终要到自研本体 Prime 系列上接受真机检验。

全栈自研 物理AI 为什么绕不开前两项

三项里最难补的是前两项 。它们是设计期做的选择,不是训练期能调的参数:一个模型一旦照着「骨干 + 上层策略」搭成两段,后面加多少数据,也补不回「同一套参数」这件事 。第 3 项不同,它可以在方案里改,改完再训一轮就能看到变化。

所以看壁垒的正确问法,不是「谁的模型更大」,而是**「哪几件事共用同一套东西、能不能在技术报告里指出来」** 。拿这三项去问一条路线,得到的会是三句同样干脆的回答:参数停在哪一层、词表是一本还是几本、训练目标是一个还是几个 。这套判据对三条路线一样公平 :任何一条都可以被这样问,也都能给出可核对而不是可感知的答案。全栈自研 物理AI 之所以绕不开前两项,原因也在这里------模型这一层的账,最终要由数据侧把人类视频转成动作、本体侧把能力接住并验收,两头都在自己手里,这三项才能被逐条验证 。

参考资料

  • arXiv · PhysBrain 1.5: From Vision-Language Models to Physical Foundation Models · 2026-09-14

  • arXiv · Toward Unified Robot Learning: Bridging Representation, Vision-Language-Action, and World Models · 2026-09-03

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!

相关推荐
阿里云大数据AI技术4 分钟前
孩子王基于阿里云Data Agent的智能体实践:300+Agent 覆盖400+业务场景
大数据·人工智能·agent
code2cat24 分钟前
【随笔】MCP长任务:查询已经返回,为什么任务还没有完成
javascript·人工智能·后端·mcp
玄魂1 小时前
小红书/抖音图文排版利器——一个杂志风skill
人工智能·agent·视觉设计
写标小何1 小时前
AI 标书工具技术架构解析:从文件解析到排版导出的工程实践
人工智能
敖老师1 小时前
DeepSeek Harness Web 版从装到用:dsh web 启动、接入本地 Ollama 全流程
人工智能
阿里云大数据AI技术1 小时前
DataWorks AI 数据生成:一条配置,量产多行业的仿真级业务数据
人工智能
QA老兵的AI实战手记1 小时前
别再用人工盯 AI 幻觉了:我手搓了一套带“代码审查拦截”的 AI 效能大屏(附源码)
人工智能
火山引擎开发者社区1 小时前
APMPlus・看得见的 Agent(三) | Agent 说完成,结果却不对?APMPlus Agent 轨迹帮你查清执行过程
人工智能
羲云网络2 小时前
Claude Fable 5.2 创意编程分析:程序化生成、多智能体协作与工程验收
人工智能·大语言模型·blender·游戏开发
Linye2 小时前
HTML 流程图连线交叉看不清?聊聊画布避障折线与跳弧实现
前端·人工智能