第一视角效率超过真机，深度机智发布全球首个以人类学习范式构建的具身基座模型

千余小时人类第一视角，结果超越真机数万小时。

作者丨齐铖湧

编辑丨林觉民

2026年，具身智能的泡沫与烈火同时燃烧。

多家具身头部公司递交招股书，IPO进行时；Figure AI、Physical Intelligence等美国公司融资额屡创新高，将行业热度推向顶点。国内创业公司紧急跟进——堆数据、抢场景、拼本体，十万小时真机数据成为新的军备竞赛标的。

但喧嚣之下，一个心照不宣的困境正在浮现：没有人知道正确的技术路线究竟是什么。遥操作、仿真合成、互联网视频、人类第一视角……数据类型的选择尚未收敛；行星减速、谐波力控、电驱液压……本体结构的争论也还没落地。行业在"大力出奇迹"的信仰下狂奔，却鲜有人追问：这些海量数据，究竟在教机器人什么？

最近，AI科技评论观察到，越来越多具身智能公司开始探索一条新的数据路径："人类第一视角数据"。

2026年以来，行业多家公司纷纷组建新团队跟进这一路线。其中，以微软亚洲研究院前首席研究员、现任北京中关村学院具身方向负责人陈凯的观点，引发了行业的热烈讨论。

3月27号，作为深度机智的创始人，陈凯在中关村论坛「全球对话」平行论坛现场，代表深度机智和中关村两院，发布了首个以人类学习范式构建的具身智能基座模型PhysBrain 1.0，并公布了他们的研究成果。

这个模型仅使用千余小时人类第一视角数据、零动作轨迹数据预训练，在多个具身智能领域国际权威榜单上超越了用数万小时真机数据的竞争对手，在多个国际Benchmark 上取得SOTA，比Physical Intelligence 和英伟达等头部巨头表现更好。

某种程度上，一场具身智能领域关于"物理常识"的革命，正在悄然开启。

01

模型缺乏物理常识，是具身领域的巨大痛点

"目前不管是VLM（视觉语言模型）还是世界模型，始终会卡在一个点上：它们缺乏物理常识。"深度机智创始人陈凯在中关村论坛上直接指出了这一行业痛点。

这个判断直指当前具身智能的核心困境。和很多学者遇到的情况一样，陈凯提到 VLM 模型不理解空间、时序，"桌子上面放了几个杯子，它数不清有几个"；视频生成模型"视觉上足以乱真，但运动的真实性和物理真实性比较差"。这些看似基础的能力缺失，让机器人在面对真实世界的复杂性时屡屡碰壁。

问题的根源在于数据与学习的错位。当前行业主流的做法——遥操作采集真机数据、仿真合成虚拟数据、或是模仿人类手部轨迹，本质上都是在教机器人"模仿动作"，而非"理解世界"。

"现在非常多的做法——背动作、背轨迹——其实是手把手地教猴子干活。"陈凯用了一个形象的比喻，"而我们正在尝试的是：请菩提祖师把小猴子变成孙悟空，让它先理解世界，再去学习技能。"

这种"理解优先"的方法论，正在获得越来越多证据的支持。深度机智近期发布的PhysBrain 1.0具身智能基座模型体系正式针对这样的思路，做出的阶段性成果。

这一结果挑战了一个行业默认假设：更多的数据，是否必然带来更好的智能？

02

人类第一视角数据：被重新发现的数据富矿

"人类第一视角数据，因为它是人看过去的第一视角的世界，收集的是真实物理世界的数据，天然就蕴含着各种各样的物理常识。"陈凯解释道自己为什么要押注这一路线。

无独有偶，这种数据类型的价值，在2024-2025年间逐渐被重新发现。2025年5月，特斯拉宣布减少遥操作，转向人类第一视角；6月，Generalist AI发布"扔积木"的拟人行为Demo；11月，同样是Generalist AI宣称验证具身智能Scaling Law；12月，Physical Intelligence确认人类数据价值；2026年2-3月，英伟达发表论文交叉验证。

行业共识迅速形成：人类第一视角数据不是遥操作的替代品，而是通往"物理常识"的关键路径。

但分歧依然存在。英伟达的论文仍专注手部轨迹预训练，而深度机智选择"直接上来就要增强VLM本身——让它依据人看到的这个世界去理解世界"。陈凯认为，这种差异让深度机智"在整个流程上应该比英伟达略有领先"。

更深层的差异在于数据的"多样性"。遥操作数据记录机器人视角，任务和场景由人工设计；UMI（通用操作接口）数据需要人手持夹爪，"很难想象工厂主要求员工不能用手干活"。

而人类第一视角数据捕捉的是真实生活，"哪怕是静静地发呆，看到外面车水马龙，光影流动，也隐含着空间关系、物理规律与场景逻辑，这些数据都有价值"。

这种多样性带来的不仅是数据量的节省，更是学习质量的跃迁。

03

轨迹拟合物理常识

方法论的范式转移

"智能涌现"现象为这场革命提供了最直观的证据。

深度机智的实验观察中，训练数据全是一次成功的抓拿放任务，但在测试时发现，有时机械臂碰到胡萝卜没夹到时，竟"自发选择推"——推一次没推进去，换角度加大力度再推，最后才转变策略夹起来。另一个案例中，机械爪夹方块太靠后掉落，它主动回来捡，第一次没捡起，第二次"做了一个非常轻微的旋转"成功夹起。

"这种灵活性，甚至你都没有办法预编程把它搞出来。"陈凯描述这一现象时强调，"千小时人类数据增强物理常识，自发地把人类灵活变通的能力迁移到了机器人身上。"

这种"涌现"能力揭示了一个深层规律：当模型具备足够的物理常识，它不再依赖精确的轨迹模仿，而是能够像人类一样"理解情境、灵活应对"。这正是"物理常识"革命的核心，从"教动作"到"教理解"的范式转移。

Generalist AI联合创始人将这种能力称为"智能的暗物质"（TheDark Matterof Robotics: Physical Commonsense）。DeepMind的哈萨比斯则认为，原生多模态模型可以更好地理解物理世界，从而成为机器人的大脑。

"所有的这些点都归结到一个：要先去理解这个世界，然后再到这个世界里面去行动。"陈凯总结道。

04

跨本体能力：物理常识的迁移效应

"物理常识"革命的另一个重要成果，是"跨本体能力"的涌现。

传统方法需要"把不同形态的机器人的数据做联合训练"才能实现技能迁移。但深度机智观察到："有了一个理解物理常识的大脑，自然而然知道适配什么样的身体。"

这一发现颠覆了"一个机器人一套数据"的行业惯例。用LoRA预训练action expert，再用Franka机械臂微调，数据需求大幅下降——"不同形态机器人背后的物理规律一模一样"。

"跨本体是物理智能增强自然而然会出现的结果，并不是刻意地把多种机器人数据放在一起训练出来的结果。"陈凯解释道。

这意味着，物理常识具有跨平台、跨形态的通用性。一旦模型掌握了"物体受力会移动""抓取需要摩擦力"等基础规律，它就能将这些知识迁移到新的硬件平台上，而无需从头学习。

这种通用性，正是通往"具身通用智能"的关键阶梯。

05

人类学习路线正在国内悄然崛起

在全球具身智能竞赛中，中国与美国呈现出不同的侧重。

过去，中国和美国在具身智能领域内，其实是各有侧重，中国聚焦本体，美国是聚焦在大脑上。比较典型的是宇树科技等公司在硬件迭代上取得显著成绩，但"具身大脑上的团队其实并没有那么多"。

这一格局正在改变。2025-2026年间，国内开始涌现专注"大脑"的团队。随着“人类学习路线”的价值逐渐被验证，深度机智等企业的崛起，也标志着行业重心开始发生转移。

从某种角度上，国内目前的路径和认知上和世界一流科学家区别不大，但需要更多的投入。其中，数据成本优势尤为明显，美国标注第一视角27万小时话费巨额资金，中国千万小时人力历史数据今年整个行业就会达到。

2026年，"物理常识"革命仍处于早期，尽管深度机智的千小时数据"涌现"了纠错、变通、跨本体等能力，但陈凯承认这仍是"偶然的智能涌现"。2026年底是否会出现"效果出人意料好的具身智能大模型"？两三年能否重现ChatGPT时刻？

更深层的挑战在于行业生态。

"物理常识"的提取、标注、利用，需要全新的模型架构和训练方法，与当前主流的VLA架构并不完全兼容。这意味着，拥抱"物理常识"革命，可能需要重构底层技术基础设施。

但回报同样诱人。一旦机器人具备真正的"物理常识"，它将不再是"反复教什么，勉强会什么"的专用工具，而是"理解情境、灵活应对"的通用助手。这将彻底改变制造业、服务业、危险作业等无数领域的生产力图景。

在这方面的认知上，陈凯提到"这可能是人工智能的最后一个机会，也是最大的一次。"，这或许是对这场革命押注的决心。

当行业仍在"大力出奇迹"的信仰下堆砌数据时，一条"理解优先"的新路径已经显现。它不是对数据量的否定，而是对学习质的重构——从"模仿动作"到"理解世界"，从"驯猴子"到"变孙悟空"。

这场"物理常识"革命能否成功，将决定具身智能的下一个十年。而2026年，正是关键的转折之年。

未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！

公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。