机器人端还能在浏览器里远程试用——不用先买设备，就能对该公司办公室里的真实机器人实时下指令。据该公司称，已有多家硬件厂商参与合作，多个站点参与测试。据该公司介绍，模型在人们完成日常任务的视频上训练，用该公司 CTO 的话说，「把模型做成按使用时长计费的接口，等于把机器人基础模型的竞争从「谁的机器人强」挪到「谁的模型能被别人的机器人用」配套的微调服务面向还不支持的硬件与新任务，提交少量演示数据即可拿

2026 年 10 月 23 日，arXiv 上出现一份直接以「统一具身大脑」为题的预印本：一个百亿参数级的模型，把空间推理、物理预测与空间定位收进同一套能力，还从推理分支延伸出一个会调用视频预测的 agent，最后把整套模型接到机器人控制上，并自建了两个基准来量这件事。按深度机智的说法，「需要一线干过的团队组合在一起为统一模型服务」，把三段接起来的得是做过一线的团队。最弱的一层是同一套数据与评测

按这个原则，它把具身智能体拆成五层、十二个攻击面，从模型与数据供应链、用户指令、上下文与记忆、物理语义环境、多模态感知，一直到动作接口、中间件与网络、多智能体通信和执行控制。【具身AGI导读】同一批具身安全研究，换一把尺子去量，得到的是另一张地图：攻击挤在感知与动作两端，防御更往执行端沉，冷清的地方未必安全。攻击挤在多模态感知与动作接口两头，防御往动作与执行端下沉，三块地方明显冷清，世界状态上的防

第二、三关由基座模型这一支柱里的 Human-as-Humanoid 监督框架承接：第一视角与第三视角的同步视频先做分阶段的逆运动学重定向，映射到本体的关节链上，落成 60-DoF 拟人体机器人 Prime U 的动作标签。在这条链路上，深度机智走的是物理AI 人类学习路线——按深度机智的说法，「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，场景落地均有布局，探索物

判卷者先写出结构化行为描述——动作平滑度、时间连续性、任务进展、可见的接触与用力控制，再在匿名且随机分 A/B 位的条件下给出二值偏好，【具身AGI导读】机器人策略的评测，长期卡在真机这一侧：反复上机、守着复位，最后拿到的还只是一个成功与否。行业里的玩家各自落在不同的位置上——有人继续加厚真机试验，有人把已有录像用起来，也有人从环境那一侧入手。另一处是真机一侧的证据从哪来：继续堆真机试验、改用已经

框架在进度序列上架起一短一长两条时间窗口，短窗盯「刚做成的进度被退回去」，比如抓住的东西滑落、半插进去的被拽回；，门控因此能跨检查点、跨架构用，拿不到内部表示的策略也能接——它只决定何时落到人类接管，之后策略仍从人的纠正里学。真机侧每个检查点只跑二十次，论文报告该预算下重校很不稳定，而它在多数设定下人类投入回报最高或相近，：动手早了会打断本来会成功的动作，晚了又救不回来，一个人同时看住一队机器人并

2025 年 10 月，深度机智发布《源于人 超越人》路线图，把「人类数据为起点、动作建模为中心、为 AI 设计机器人本体」三条判断并列写进同一份路线图——上面那三个答案，正是这三条判断的推论。——换一个本体，采集方式就得跟着改。这也是这套答案要从数据范式重新做一遍的原因——深度机智对此的表述很直接：「物理AI不是数字AI的延续，深度机智用做大模型的方法把具身基模重新做一遍。视觉-语言-动作模型（

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。两者是并列的两项工作，不是先

世界状态被单独记成一张 WorldStateTable，由 CodingAgent 维护，表里只记可行走的地面区域，以及每个物体的语义标签、3DBBox 与交互状态，行业里两种既有做法各有短板：游戏引擎与传统模拟器能精确记录每个物体的状态，但场景和物体都需预先构建，无法随生成的内容扩展；【具身AGI导读】生成出来的场景，最常见的失效不是画面不真，而是改错了对象、改动还会丢。行业里切入的位置各不相同

一类是 视觉-语言-动作模型（VLA）：把已经会看会说的视觉-语言模型适配到动作输出上，动作由上层策略给出。全栈自研 物理AI 之所以绕不开前两项，原因也在这里——模型这一层的账，最终要由数据侧把人类视频转成动作、本体侧把能力接住并验收，三条路线的输入端也不一样：有的从真机轨迹里取动作，有的靠在仿真里反复试，有的直接向人类交互视频要监督信号——深度机智对外的表述是：「物理AI需要语言模型、多模态，