点击下方卡片，关注【Xbotics具身智能实验室】公众号
你想要的这里都有~~
导语
GPT-6 在机械臂上一成一败的两个结果，说明了同一件事：模型能走多远，取决于它对物理世界理解到什么程度。深度机智把基座当作主线做了近两年，PhysBrain 1.5 是阶段性成果。
GPT-6 的发布，把大语言模型的能力边界又推高了一截。推理、编程、多模态理解接连突破，通用智能的演进还在提速。但模型在数字世界里越能干，一个问题就越难绕开：一个足够理解世界的模型，能不能在真实世界里动手？
机器人评测机构 Robocurve 做过一组机械臂测试，两个任务，结果一成一败。
第一个任务，让 GPT-6 Astra 把一块积木放进碗里，20 次成功了 19 次。整个过程没有用任何针对该任务采集的真机数据，方法也相当朴素：模型只充当高层策略，读摄像头画面与机器人状态，把「手该往哪儿去、夹爪什么时候合上」写成一段指令，交给现成的控制器执行是把大模型接到机器人上最直接的一种接法。
一个通用基座模型，仅凭自身能力的提升，就把一件物理世界里的活干成了。这给行业的启示是：具身智能的泛化可以来自基座模型本身。
第二个任务，把一块圆形拼图按进对应的凹槽，GPT-6 Astra 20 次只成功 2 次，每次都够到槽口就停在那里。粗抓放做得了，毫米级的对位做不了。
两个任务的差别不在执行层——接法一样，控制器一样，摄像头一样。差别在基座模型本身，它能理解到粗抓放这一层，再往上的空间、接触与后果，它还没有建模能力。
所以基座模型的能力上限，就是物理智能的上限。
这个判断，行业里真正当主线做的团队并不多。多数人还是按老路子走：针对场景收数据、针对任务调策略，基座能用就行。深度机智是少数把它当成主线的一家，从海淀中关村走出来，由中关村两院孵化，是中国物理 AI 赛道上的一匹黑马。深度机智的路线很清楚，以“人类学习”的技术路线，从人类经验中先立住物理世界的基座，再用本体验证，进而考虑场景任务的落地。
前段时间开源的 PhysBrain 1.5，是这条主线上的阶段性成果：8B 参数，在 28 项具身空间智能与规划的公开评测上综合得分 72.5，在参评的开源模型中排名第一，整体表现已接近得分 73.3 的 GPT-6 Astra 和 73.0 的 Gemini 3.6 Flash 等头部闭源模型。
01｜8B 拿下开源第一，紧随闭源前沿
深度机智使用了 28 个各自独立的学术基准——RoboSpatial-Home 考察空间理解、Part-Affordance 考察可操作部位识别、RoboRefIt 考察视觉指代……深度机智把它们按五类能力编成一份统一成绩单，并把跑分工具包一并开源，谁都可以复算。
这些能力在一件真实任务里是连着用的：先看清环境里各个物体的关系，再识别哪个位置可以下手，然后形成一条合理的运动路径 —— 模型从「认识物体」走到「使用物体」，靠的就是这一串。
成绩单上有三个数。
第一个是 0.8 分。 PhysBrain 1.5-8B 综合得分 72.5，GPT-6 Astra 是 73.3，差距就这 0.8 分。在开源模型中排名第一，整体位次仅次于 GPT-6 Astra 与 Gemini 3.6 Flash 两个闭源前沿，排在得分 67.9 的 Claude Opus 5 之前。一个 8B 的开源模型，挤进了闭源前沿。
第二个是 24。 28 项里有 24 项进入开源模型前二 —— 14 项拿到开源最佳，另有 10 项位列第二。感知、空间、规划、指向、轨迹，五类能力都进了开源前二。不是靠某一类偏科拉分，是五类一起顶上去的。
第三个是 66.6。 深度机智同时开源了一个 2B 版本，综合得分 66.6，高过参与对比的每一个开源模型 —— 包括一个总参数达 30B 的混合专家模型。以约十五分之一的参数规模胜出，说明这套能力并不依赖堆参数，而是来自训练方式本身。
两个尺寸的定位是分开的：8B 追求性能极致，用来探明这条路线的能力边界；2B 面向轻量部署，能不能在端侧有限的算力与功耗里跑起来，决定了这套能力能不能跟着机器人一起出厂。
更关键的是开放的彻底程度：两个尺寸的权重、完整的技术报告、以及这套评测所用的工具包，三样同步公开。这在当下的物理基座模型里并不多见 —— 多数团队公开的是结论，而深度机智把得出结论的整条路径一并交了出来，任何人都可以照着把这张成绩单重算一遍。
两个权重上线 HuggingFace 三天，下载使用已超过三千次。
Project: deepcybo-physai.github.io/PhysBrain-1.5 HF: hf.co/collections/DeepCybo/physbrain-15 Eval: github.com/DeepCybo-PhysAI/PhysBrainEvalKit
02｜把理解、动作、预测收进同一个闭环
从公开的技术路线看，PhysBrain 1.5 首先要解决的，是一个比跑分更重要的问题：物理智能到底在解决什么。
深度机智的答案是「循环」——「Physical Loop」：观察世界、理解眼前的空间和任务、判断动作会带来什么后果、动手、再依据新看到的东西修正下一步。人就是靠无数次「看—想—做—再看」，把物理常识、空间感和动手能力一起练出来的。
这个循环难在连续。杯子会滑动，工具会被遮挡，物体位置和预期对不上，机器人要把一件事从头做到尾，就得在整个过程里维持住对世界的理解，并根据反馈自己纠错。现实里的任务一直在变，循环一旦断掉，后面就接不上。
而今天构成这个循环的能力是散的。语义理解、空间感知、物体识别、画面生成，各由一个模型解决，各自都能做好自己那一段，但彼此之间没有共同的世界表征，没有共同的行动目标，也没有一条把执行结果收回来的通路。拼在一起，循环还是转不起来。
要做出一个能在世界里行动、还能自我修正的底座，就得回到闭环本身，把这几段能力接回同一个模型，让它们共用一套世界表征。PhysBrain 1.5 就是这么重建的：把 Physical Loop 拆成三段能力，在同一个模型、同一个训练目标下一起训练。
第一段是具身理解，对应循环里的「看懂与判断」。 模型沿用通用视觉语言模型的接口，再以具身监督加以强化，覆盖五类能力 —— 基础的视觉空间感知、三维与多视角理解、具身认知与规划、空间指向与可供性，以及视觉轨迹推理。它不只是认出画面里有什么，而是带着空间结构与物理常识去理解一个场景，哪里能下手、够不够得着、动作该沿什么路径组织。
第二段是动作生成，对应循环里的「动手」。 给定任务指令、当前观测与近期动作，模型直接输出下一拍末端执行器的动作块。关键在于表达方式：单臂、左腕、右腕共用同一套动作词表与码本，因此一份通用的模型权重就能驱动不同形态的机器人，不必为每种构型单独训一版。这是「理解」能够落地为「行动」的关键一跃。
第三段是未来状态预测，对应循环里的「预判后果」。 三件事中，预判最难。给模型一帧当前画面和一句任务指令，它需要生成约一秒后的画面：场景会发生什么变化，物体之间的远近和深度关系如何，机器人本体会出现在什么位置。动作尚未执行，结果已被预演 ，也正是这种能力，让模型在闭环中获得了前瞻与纠错的依据，不必等撞上了才知道错。
三段合起来，Physical Loop 才第一次在一个模型内部闭合：「理解」把「判断」交给「动作」，「动作」把「改变后的世界」交给「预测」，「预测」再把「预演出的结果」交回「理解」。
PhysBrain 1.5 能让它闭合，靠的是把动作提前放进了训练。多数视觉语言模型先把世界看懂，再外接控制器执行，动作始终是最后一步；PhysBrain 1.5 让模型在学「看到什么」的同时也学「怎么动」。视觉和动作在同一套表达里互相牵引：看得更准，动作就更准；动作数据多了，对场景的理解也会更细。
03｜这个循环要学的，是完整的人类经验
模型能把这个循环转到什么程度，取决于它学到什么经验。Ego360 解决的就是经验从哪来。
机器人轨迹里只有动作。人做事的过程里带着意图、上下文和纠错：为什么伸手、为什么换姿势、出错之后怎么调，全在同一段连续的经验里。Physical Loop 要学的正是这些环节之间的因果关系，而完整的人类经验是这种关系的最佳来源。
在今年7月，WAIC具身智能交互论坛上深度机智创始人陈凯博士首次对外发布Ego 360人类全景真实数据体系。Ego360 能够更加完整地记录人类交互动作，同时留下环境、身体姿态、手部交互与注视四路信息，尽量保住行动前后的因果链条，让模型学到的是一段连续经验，而不是一堆孤立动作。这套体系目前每月增长万小时级。
用人类数据值不值，PhysBrain 1.0 已经答过一次：千小时量级的人类数据训出来的能力，超过万小时量级真机数据训出来的水平。同样一小时，人类经验能教给模型的东西更多。
PhysBrain 1.5 负责把这些连续经验训进一个能看懂场景、能给出动作、还能预判后果的基座。
Human-as-Humanoid 负责最后一段：人类经验绕过遥操作，直接变成机器人能执行的动作。同步采集的第一视角与外部视角人类视频，可直接转成适配自家本体的动作训练数据，原始示范吞吐量是遥操作的 4.8 到 7.2 倍。部分任务不需要针对该任务的机器人示范，就完成了从人类数据到真机执行的迁移。
04｜2024年押下的路，从少数派走到领跑者
深度机智创始人陈凯的判断做得很早。2022 年底 ChatGPT 爆发前，他就认定人工智能的终极形态是具身智能，而中国不能只造本体，更要有自己的「大脑」。
2024 年 11 月，他提出一条当时并不主流的路线：回到人自己做事的过程里去学，用人类第一视角的数据构建基座模型。
这条路线当时没人跟。用陈凯自己的话说，「这条差异化技术路线并未受到认可，团队一度陷入技术方向孤立、不被外界看好的艰难时刻」。
但深度机智选择把路走下去，并把它写进公司发展的战略路线。2025年10月10日，公司正式发布《源于人，超越人》技术路线图，明确三大战略：以人类数据为起点、以动作为中心建模、身体为AI设计。
路线图发布后，成果开始沿着它一一落地。
2025 年 12 月，第一视角人类多模态数据集DeepAct与 PhysBrain 论文同期放出，积累的人类数据有了进入模型训练的转化通路；2026 年 3 月的中关村论坛上，PhysBrain 1.0 与全尺寸拟人体机器人 Prime 一起亮相，全球首个基于人类学习范式的基座模型达成多项SOTA，模型能力也有了承接的载体。从数据基建，到模型研发，再到硬件本体，路线图上的每一环都在逐步兑现。当初那条不被看好的路，正一步步走通。
全球的路线正在收敛。英伟达在 GTC 之后确认了同一个方向；今年 4 月，估值 110 亿美元的 Physical Intelligence 发布 π0.7，把机器人数据、人类数据与自主执行数据混在一起训练；7 月，Google DeepMind 发布 Gemini Robotics 2。
8 月更密集：Generalist 用 50 万小时以上的真实物理交互数据做预训练；Figure 推出众包应用，花钱买全球用户拍摄的日常操作视频，承诺未来 12 个月投入 10 亿美元以上。
人类经验数据、空间与交互能力、基础模型训练，全球头部正在殊途同归。这三件事，在深度机智一年前那份路线图里就已经是并列的三条主线
支撑这条路线的是一支不大但很硬的队伍。创始人陈凯出自中科大少年班、微软亚洲研究院联培博士，深耕人工智能领域15年，是深度机智基座模型研发的核心引领者；联合创始人兼 CEO 张翼博同样出自少年班，应用物理学背景，为物理智能研发提供重要支撑；首席机器人专家何旭国深耕机器人领域10余年，是多届世界机器人奥运会青少年国家队的总教练，主导深度机智Prime系列本体的研发，为模型能力验证提供载体。。核心团队汇聚了来自微软亚研院、北京中关村学院，以及清华、北大、中科大、伯克利等全球顶尖学府的博士及核心骨干，覆盖计算机、人工智能、机器人工程、精密制造等方向。
05｜结语
回到开头那组测试。GPT-6 Astra 能把积木放进碗里，却在毫米级插接上失手。这说明通用大模型的能力再往上走一步，碰到的就是物理世界的边界——空间、接触、后果，这些它还无法掌握。
这道边界，现在还没有解。它指向一个更根本的判断：物理智能需要自己的基座模型。通用大模型的能力可以溢出到物理世界，但物理世界的智能，终究要从物理世界本身长出来。
而以基座模型的路径解具身问题，是深度机智从成立之初就定下的战略路线。PhysBrain 1.5 正是其长期坚持该方向的阶段性成果。
它在28项评测上拿下开源第一，靠的就是将物理世界操作的连续过程收束进了同一个基座。看到、判断、行动、观察结果、修正下一步，，物理闭环第一次在同一个模型内部形成。
物理智能的终局，会是一个能在真实世界里感知、行动、不断自我修正的闭环。而今天，这个闭环刚刚开始转动。
-END-
Ask Me Anything｜提问箱
对文章有疑惑，或想聊更深？欢迎把你的问题丢给我们：技术方案、实操踩坑、课程与资料、项目合作、职业发展，都可以问。
怎么问：在评论区留言，或私信公众号
我们会做什么：每周集中整理高质量问题并公开回复，重点问题邀请作者或嘉宾深度解答；典型问题会加入知识库并持续更新。
提问小提示：尽量说明「你的目标—当前做法—期望产出」，附上必要信息（硬件/软件版本、数据规模等），能更快获得有用答案。
一起把问题变成知识，推动社区进步 🚀
