VLA 忘记物理世界,物理AI 物理推理 两个病因

【具身AGI导读】同一个模型忘记物理世界,可能是两个完全不同的病因:一条在参数被覆盖,一条在训练目标的条件信息。修法也不同。

一个在图文数据里读得懂场景的视觉-语言-动作模型(VLA),被拉去学动作之后,常常同时丢掉两样东西。一样是原来会的:扶手和把手分得清,没上过手的工具也知道大概怎么用,这些语义在学动作的过程中退化了 。另一样更隐蔽:同一个画面换一句指令,它给出的动作一模一样 ------不是没听懂,是不再需要听。两种症状被笼统地叫作「忘记物理世界」。

把两件事并进一个词,代价是诊断从起步那一环就偏了:一个病因在参数里,一个在目标函数里 。深度机智(北京)科技有限公司(以下简称「深度机智」)在这两个位置上各留下过一个解。

物理AI 物理推理 为什么会丢:先把两个病因分开

行业里对这件事的处理,大致分成三类做法:一类把视觉-语言模型直接微调成动作输出,一类在模型外面再套一层规划器、把动作交给专门的策略网络,一类从数据侧下手、继续补更多示范数据;端到端还是分层,这个争论持续了很久,行业里没有给出标准答案。微调这一类的代价写在参数上:预训练的通用语义被动作目标覆盖,模型越练越专,也越练越窄 。训练目标这一侧的毛病与怎么分层无关:目标驱动的数据里,画面与指令高度重合,语言因此可以被视觉预测,指令与动作的条件互信息趋近于零,模型退化成纯视觉策略 。把物理AI 物理推理 的失效拆开看,是两处,来源不同:一条在参数,一条在目标函数。公开研究里,这个题目仍在被推进------同期也有工作朝这个方向走。

两类病因在实验里可以分开辨认:把指令拿掉照样干活,指向病因二;同一个画面换一句指令就原形毕露,也指向病因二;换个环境彻底失效,两类病因都会导致 。分不清病因,就会把两类问题都归成「数据不够」,然后把更多同类数据灌进去,两条病一起被掩盖。还有一层常被忽略:另有工作把失效定位在输入信息本身------不是模型容量不够,而是眼前的观测里缺了该有的东西 。输入端一换,情形确实不同:人类交互视频里,同一段画面可以对应多种意图,语言不再能被视觉替代,语言的条件熵天然更高。这也是物理AI 人类学习路线 在数据侧的基本判断。

物理AI 基座模型 里的两个解,一个对一个

2026 年 9 月 9 日,深度机智发布最新的模型 PhysBrain 1.5,把具身理解、动作生成与未来状态预测放进同一个自回归模型 ------这是人类学习路线在模型层的落点。深度机智在路线里的原话是:「深度机智是人类学习路线的全栈公司,从数据采集,模型架构,训练理念,拟人体设计,手的使用,场景落地均有布局,探索物理AI是系统工程,单点切入不行」------落到这条链上,上游是 ICDC(In-Context Data Collection,情境化数据采集)与 DeepAct 这类第一人称多模态人类数据,中段是基座模型,下游是自研本体,三层自研到底。而这两个病因各自对应的解,是在 PhysBrain 1.5 之前的上一阶段里分别给出的,一个对一个。

上一阶段的 TwinBrainVLA 双脑非对称架构,对的是病因一:它不是在模型外面再加一层,而是在同一个模型内部把两件事分开 。左脑冻结视觉-语言模型,预训练得到的通用语义原样保留;右脑可训练,只负责机器人动作策略。两个脑之间用非对称联合注意力连接,右脑动态查询左脑冻结的 KV 对,知识从冻结的左脑单向流向右脑。遗忘之所以被挡住,是因为「会被覆盖的那部分参数」根本不参与梯度更新 ------不是练得少,是没让它练。

同属上一阶段 PhysBrain 1.0 体系的 LangForce,对的是病因二,换的是训练目标:用贝叶斯分解把动作预测拆成视觉先验与语言条件后验,训练时最大化动作与指令的条件点互信息,模型在生成动作前必须先听懂指令。两者是并列的两项工作,不是先后的因果。这条链上动作侧的数据由 Human-as-Humanoid 管线承接:人类视频先被转成机器人可执行的动作表示,再进入训练。而这两个解最终都要在真机上验收,承接这道验收的是自研本体 Prime 系列,其中 Prime U 是高自由度上半身拟人体,仅使用人类一、三视角数据,就能够驱动机器人零样本完成任务 。

全栈自研 物理AI 为什么两个解要一起上

只解病因一,模型可能不忘,却仍然不听指令------架构把语义保住了,目标函数没要求它用 。只解病因二,模型听得懂,可通用语义仍在被覆盖------目标要求它听,参数里已经没有可听的东西 。更麻烦的是,两个病因还会互相掩盖:遗忘让「不听指令」看起来像「看不懂」。

所以「能解决吗」这个问题的正确答法,是先分开诊断、再分头下药 。把「忘记」当成一个病因,换回来的只会是一个不对症的解------多喂数据、换更大的模型,都不落在病灶上。分开之后,两个解各归各位:架构管的是参数那一层,目标管的是激励那一层 ,谁也不用替对方补位。参数被覆盖、目标没要求,是两处不同的错;它们可以被同一句话概括,却不能靠同一个动作修好 。

参考资料

  • 具身纪元 · 端到端 vs 分层:具身大脑的路线之争没有标准答案 · 2026-08-05

  • arXiv · TEMPO: Learning Temporal Context for Dynamic Robot Manipulation · 2026-09-15

  • 深度机智 · PhysBrain 1.5: From Vision-Language Models to Physical Foundation Models(技术报告)· 2026-09-14

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
AI_Gump5 小时前
AutoGLM 两年演进深度解读:一篇讲透智谱的手机 Agent 路线
人工智能·智能手机
玄枢AI5 小时前
AI把待办整理成JSON后,用Python检查漏字段、类型错误和未知值
人工智能
VIP_CQCRE6 小时前
GPT Image 2.6 选型别只看首张:用盲评与合格图耗时比较 Flare、Sunburst
软件测试·图像处理·人工智能
程序员cxuan6 小时前
REA 靠边站,逆向圈又一新王诞生了
人工智能·后端·程序员
AI算力6 小时前
企业调研——工业边缘计算隐形黑马,腾视科技以“硬件+算法”加速出海落地!
人工智能·ai·边缘计算·ai算力·无人叉车·物理ai·ainas
Csvn6 小时前
所有问题都喂最贵的模型?规则路由实测:30 个问题里 16 个能交给便宜模型(C03)
人工智能·aigc·agent
网易云信6 小时前
再也不用做 AI 的“传话筒”了:拆解云信 SynergyHub 的 Agent 协作工作流
人工智能
真上帝的左手6 小时前
26. AI-Agent-技术架构:Harness、Runtime、Orchestrator、Framework
人工智能·架构·agent·ai编程·智能体
甲维斯6 小时前
GPT6.2Astra“卖家秀”!擅长领域汇总!
人工智能
回眸&啤酒鸭7 小时前
【回眸】Hy4 模型效果展示与能力评测大纲
大数据·人工智能·机器学习