机器人为什么要拟人？终于有人正确回答了

今年 6 月 1 日，英伟达 GTC 台北大会上，黄仁勋发布了 Isaac GR00T 人形机器人参考平台。它配备真人尺寸的机器人身体，集成灵巧手、感知与本体计算，向全球研究机构开放。

英伟达给出的理由很直接，通用物理智能的研究，需要一个统一的、接近人的身体作为载体。

芯片巨头亲自下场，为 AI 造了一具身体。这意味着全球算力与 AI 生态的定义者，正式把「机器人本体是 AI 基础设施」写进了自己的路线图。

机器人产业过去二十年的默认逻辑是先造机器、再装大脑，如今这个逻辑正在被倒转。身体为智能服务，本体为 AI 而生，这条被称为 Robot for AI 的路线，正在成为具身智能的重要共识。

同一个月，深度机智在这条路线上交出了新的验证成果。

6 月 30 日，深度机智团队发布论文Human-as-Humanoid。他们在自研拟人机器人 PrimeU 上，实现了完全没有目标任务真机示范数据的情况下，仅凭从人类视频中转换而来的动作监督，零样本完成了倒水、放环、装袋、叠杯等复杂真实操作任务。

• 论文链接：https://arxiv.org/pdf/2606.32009
• 项目链接：https://zgc-embodyai.github.io/Human-as-Humanoid/

都在喊 Robot for AI，为什么没人做成？

具身智能此刻最大的瓶颈，是数据。

机器人要学会动作，需要海量的「观察 - 动作」配对数据。这类数据的主流采集方式至今仍是遥操作，由人戴着设备一条一条地「教」机器人。但真机遥操速度慢、成本高、受安全约束，场景也难以多样化。为了突破数据瓶颈，智元机器人在上海投建了超 4000 平米的数据采集工厂，多地也密集布局具身智能数据采集中心。整个行业都在用重资产的方式，对抗一个结构性的短缺。

于是，越来越多团队把目光投向了人类本身。人类每天都在演示着最丰富、最自然的操作行为，如果人的动作经验能直接变成机器人的训练数据，数据瓶颈就有了根本解法。黄仁勋早在 2024 年就说过，下一代机器人很可能是人形的，因为构造与人相似的机器人可以获得更多模仿训练数据。这个判断在行业里被反复引用，Robot for AI 也因此成为发布会上的高频词。

讲清楚 Robot for AI 很容易，把它做成一个可运行、可验证、可持续迭代的工程闭环，此前没有任何一家公司完整做到。 难点在于，数据、模型和机器人本体能不能真正咬合成一个系统。人的视频里只有画面和人的动作，没有机器人可执行的动作标签；人和机器人在体型、关节结构、手部形态、自由度、视角上全都不同；任何一环对不齐，人类数据就只能停留在「帮模型理解世界」的层面，无法变成机器人手上的动作能力。

早在去年十月，深度机智就已对这一问题给出公开回应。彼时，这家公司公布了通用具身智能的核心发展路线：以动作建模为中心的 Action-Centric Modeling、以人类数据为起点的 Human-Centric Data、为 AI 设计机器人本体的 Robot for AI，三大技术判断构成一个完整的系统性战略。今天回头看，这三个判断已经全部由深度机智自主兑现。

放眼整个行业，敢于提前公开核心技术判断，又能全部自主兑现的公司，深度机智几乎是唯一一家。

这条路线的内在逻辑，深度机智称之为人类学习范式：人类的真实动作经验是具身智能最大、最廉价、最多样的数据源，模型以动作建模为中心去消化这些数据，机器人本体则是承接这些数据。

本体的角色由此发生根本变化，它不再是一个展示终端，而是 AI 训练、迁移和验证过程中的关键基础设施。

跑通闭环，要过四关

把 Human-as-Humanoid 拆开看，它实际上回答了四个层层递进的问题。

第一，身体该怎么设计，人类数据的迁移误差才最小？

第二，人的视频，怎么变成机器人能直接训练的动作标签？

第三，模型怎么驾驭 60 个自由度，把这些标签学成稳定的操作能力？

第四，学到的能力，能不能在真实世界里干活？

为 AI 设计身体

人形机器人为什么要长得像人？行业讲了很多年，答案大多停留在「适应人类环境」这类泛泛之谈。

多数机器人公司的做法是「为机器人装大脑」，先有一个本体，再去适配算法。深度机智把顺序倒了过来，先定义 AI 需要什么样的身体，再去设计本体。这是因为在人类学习范式的逻辑下，既然要用人的数据作为语料去预训练和驱动机器人，那么身体越接近人，人类数据里的动作经验就越有可能被完整承接下来，跨越形态差异时的迁移误差就越小。

去年 9 月，深度机智就发布了全球首个实现断电自主站立的工业级全自由度拟人体，并先后推出高自由度轮式拟人体机器人 Prime U 和教育版机器人 Prime Lite，目前 Prime 系列机器人产品已进入量产和商业交付阶段，在拟人体概念的提出和落地上，深度机智比英伟达早了九个月。

本次研究使用的 PrimeU，是一个 60 自由度的上半身平台。它的设计目标就是让人类数据在物理层面的迁移误差降到最低。

为此，深度机智对照 ANSUR II 人体测量数据库，以第 50 百分位男性的身体参数为基准进行设计。肩宽比例 0.97，臂展至中指指尖的可达长度比例 1.02，手掌长度比例精确到 1.00。

这种刻意的尺寸对齐意味着，人类日常操作中手能够到的地方，PrimeU 的手臂也基本能够到；人类操作时的抓握几何形状，与机器人手部的几何形状也保持在相近的尺度范围内。

与此同时，机器人头部和腕部搭载与策略部署时完全相同型号的 RGB-D 相机，确保训练与部署阶段的视觉观测一致。

PrimeU 包括两条 7 自由度机械臂、两只各 20 自由度的五指灵巧手（每指 4 个关节）、一个 3 自由度颈部，以及一个 3 自由度腰部，总计 60 个自由度。

把人的动作，变成机器人的动作

有了结构对齐的本体，下一环是把人类视频转化为 PrimeU 可直接训练的动作标签。

采集阶段，深度机智放弃了惯性动捕设备，只用摄像头。操作者佩戴头戴式相机提供第一视角流，外置 RGB 相机提供第三视角流。前者作为策略训练和部署时的观测输入，后者提供遮挡较少的视觉证据，用于恢复上肢和手部运动。

第一视角与第三视角同步采集装置示意。

对比实验显示，这套纯相机方案恢复出的人体关键点，稳定性反而超过了穿戴式动捕系统，后者在近距离双手操作中会出现明显的定位漂移，需要操作员反复补偿和校准。

这说明，在近距离双手操作场景中，纯视觉恢复比昂贵的惯性动捕更稳定。采集数据的门槛，被彻底拉低了。

视频采集完成后，系统以约每秒 20 帧的速度实时处理。先从第三视角视频中追踪人体，恢复上肢关节和手部关键点位置；再通过分阶段逆运动学（Staged IK）求解器，将恢复的人体骨架映射到 PrimeU 的关节空间，生成 60 自由度的控制器对齐动作序列，最终输出机器人可直接用于训练和执行的动作块（Action Chunk）。

在采集效率上，这套方案比遥操实现了 4.8 到 7.2 倍的原始演示吞吐量提升。换句话说，收集同等规模的训练数据，人力成本和时间成本都可以大幅压缩。

转换出的人类动作，机器人能不能「看懂」？深度机智用只在人类转换数据上训练的动作分词器，去重建从未见过的真机轨迹。结果，归一化平均误差仅 0.008，经正向运动学换算后的双手末端误差为 5.34 毫米，与纯机器人数据训练的 4.09 毫米处于同一量级。

人类动作与机器人控制接口之间的分布差异，被压缩到了毫米级。这意味着，机器人可以像学习自身数据一样，直接学习人类的动作经验。

让模型驾驭 60 个自由度

将人类示范转化为机器人动作标签之后，还需要一个能够有效利用这些标签的模型。

PhysDex 学习流程概览。

深度机智开发了PhysDex，一套高自由度人形 VLA 策略。它直接预测关节空间动作块，部署时无需在线求解 IK。但纯关节空间监督会把 60 个关节当成独立回归目标，忽略它们通过运动学链共同决定腕部位置和指尖接触几何。

为此，PhysDex 引入双空间分层运动学约束 DS-HKC，通过可微正向运动学层把预测动作映射到任务空间，在腕部位姿和十个指尖位置两个层级施加几何监督，无需任何额外标注。

消融实验表明，在相同训练预算下，加入 DS-HKC 约束的模型取得了更低且更平滑的训练损失。腕部与指尖的几何精度由此得到保障，学到的策略才能真正在真实硬件上执行。

高自由度 VLA 动作学习的训练损失对比。FK 感知监督通过机器人运动学约束关节预测，从而降低训练损失；在相同训练预算下，基于 PhysBrain 初始化的 FK 感知模型取得了最低损失。

七项任务，全面胜出 GR00T

那么，机器人到底能不能干活？

深度机智直接进行真机验证。以 1500 小时自采集的人类示范作为预训练语料，全部经 Human-as-Humanoid 管线转换为 60 自由度动作标签，在七项双手操作任务上与 GR00T N1.7 对比。

这七项任务分为两类：套圈游戏、魔方包装、叠杯子和倒水四项，仅使用人类示范进行目标任务后训练，不引入任何目标任务机器人数据；体温枪测量、拧灯泡和瓶盖松动三项因涉及精细接触和强硬件依赖，加入少量真实机器人数据作为锚定。

https://mp.weixin.qq.com/s/ljpogVzMsm5Nw9jpou5Zlg

结果显示，PhysDex 在全部七项任务上都取得了更高的「阶段 — 最终」综合评分，且在纯人类示范任务组中，优势更为突出。

结语

自 2025 年公开人类学习路线以来，深度机智始终沿着这个技术逻辑持续推进。先让机器人本体向人类对齐，再让模型从人类第一视角视频中建立物理认知，最后把这种认知转化为机器人可执行的动作指令。

Human-as-Humanoid 正是这条路线的一大关键技术兑现。它证明了经过合理的本体设计和动作转换链路，人类视频中的动作经验能够直接进入机器人关节空间，成为可执行、可学习的训练信号，无需目标任务的真机示范。至此，深度机智完成了从数据、模型和本体部署的全栈技术闭环。

从时间线看，这条路线具备明显的前瞻性。深度机智公开三大技术判断时，行业主流的数据来源仍是真机遥操作。不到一年，人类数据的价值已被全行业关注，而深度机智已经先行完成了本体、数据链路和模型的系统性建设，并拿出了真机验证结果。

这个领先优势还在扩大。接下来，深度机智计划攻关遮挡、运动模糊等困难条件下的纯第一视角骨架恢复，并通过生成合成交互视频扩展数据规模。一旦高质量合成视频也能进入这条链路，数据飞轮的转速还会继续提升。

Robot for AI 由此从一个口号，变成一套可复现、可检验、可迭代的工程方法。接下来真正要比拼的，是谁能把数据、模型和本体之间的飞轮转得更快。就目前的进度而言，深度机智已经占据先发位置。

https://x.com/clankrmedia/status/2073414138907197600

https://blogs.nvidia.cn/blog/nvidia-open-humanoid-robot-reference-design/