【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！