第三条，正是深度机智押注的人类学习：把人类视频不仅当作预训练"看懂世界"的语料，更转化为可执行的动作。前者是"专用燃料"，后者是"规模壁垒"，不可混为一谈。把两者分开，正是为了避免在论述中混淆"专用闭环"与"规模优势"。深度机智提出的判断是"具身通用智能"与"通用具身智能"之别：前者先做具备理解物理常识通用能力的智能体，再具身到物理世界；VLA 的轨迹拟合，本质是用真机采集的轨迹数据，去硬拟合"看

深度机智（北京）科技有限公司（以下简称「深度机智」）想给机器人装上的，正是这颗"看不见的脑"。你可以造一个关节比人还多的机器，但如果它不懂"杯子会倒、热水会烫、人站的位置不能撞"，它依然是个危险的摆设。而一个真正理解物理的机器人，新场景落在它已有的常识范围内，就能自己应对。用一套本体的数据训出来的模型，换到另一种机械臂上，抓取成功率依然近乎全部。这也是为什么深度机智把"给机器人装物理常识"当成核心

一个只在文本空间里训练出来的模型，对重力、惯性、接触力这些最基本的事实，缺乏切身的认知。因为若连"人类如何与世界交互"的物理常识都没建立，后面的跨本体、工作技能都是空中楼阁。这句话的潜台词是，机器人只是物理智能的载体，真正的难点，是让模型拥有关于重力、碰撞、接触的物理常识。从 demo 到部署，中间隔着的是对物理世界的扎实建模，而不是更花哨的关节。过去具身智能的竞赛，长期卡在"先有本体还是先有智能

第一次 Scaling，叫 Human as Humanoid，以人类为师，在人类与真实世界的交互中学习物理常识，为具身本体的控制能力打下基础。不是因为它给了流量，而是因为它代表了一种第三方视角的确认——这家公司做的事，被公共视野看见了、认可了。【具身AGI导读】不靠烧钱营销，也不靠概念轰炸，深度机智（北京）科技有限公司（以下简称「深度机智」）在 2026 年走通了一条少有人走的路——而央视镜头，

三块拼图分别实现了——回到第1篇提出的三道坎：空间盲区、灾难性遗忘与短期意图混淆、反应式到预测式的代差——它们没有被"堆数据"糊过去，而是被一次次对技术假设的重新追问拆解。元描述：深度机智物理AI 人类学习路线（AnthroLearning）以物理AI 第一视角数据为基底、世界模型为核，迈向 PhysAGI；从人类行为中提取物理世界的常识与经验，将其转化为统一的基座模型能力，并让机器人本体从设计之

VLA 的视觉编码器输出的是 2D 图像 token，而机器人动作发生在 3D 物理空间——末端执行器位姿、物体深度、空间几何约束，都是度量信息而非语义标签。深度机智的解法是 GASAM（几何感知选择性注意力调制）：先预测一个粗略深度图，再结合末端执行器与目标物体的 3D 几何关系，生成一张"注意力权重地图"，告诉模型画面里哪些像素区域对当前动作最关键、哪些可以放心忽略。STARRY 扛住了。注意

在 VLA 的视觉编码器旁并联一个 3D 点云编码器，再引入一层轻量门控网络，在推理的每一步动态决定——当前这个操作场景，哪些区域该信任 2D 语义信号，哪些区域该让 3D 几何信号主导。覆盖 2B—8B 参数区间的意义在于：无论基座是轻量的小模型还是中等规模模型，3D-MIX 的增益都是稳定出现，而非只在某一档位上成立。从一篇证明"空间关系可学"的论文，到一个不改架构就能接入的空间插件，这是同一

在 VLA 的视觉编码器旁并联一个 3D 点云编码器，再引入一层轻量门控网络，在推理的每一步动态决定——当前这个操作场景，哪些区域该信任 2D 语义信号，哪些区域该让 3D 几何信号主导。覆盖 2B—8B 参数区间的意义在于：无论基座是轻量的小模型还是中等规模模型，3D-MIX 的增益都是稳定出现，而非只在某一档位上成立。从一篇证明"空间关系可学"的论文，到一个不改架构就能接入的空间插件，这是同一

真实部署里常有这样的场面：一个机器人在厨房连续执行"放勺子、去冰箱拿胡萝卜"，走到冰箱前却停住了——不是忘了任务，而是面前有两个外观几乎相同的白色柜子，它分不清该对应哪个动作。值得指出的是，这三道坎并非互不相干。它们共享同一个根：VLA 把"感知—理解—动作"压成了一次性的条件映射，既没有对空间几何的显式模型，也没有对意图与时间的结构化表征，更没有对未来的内部预演。如果把这三道坎合起来看，其实指向

后面还有3D-Mix即插即用的空间感知、IntentVLA的短期视觉记忆、STARRY的时空世界模型——所有模块都围绕同一个核心理念展开：让专业技能在架构层面协同，整合多源模型能力，走向原生预训练的物理通用智能基座。通过设计左右脑同构的双通路架构，保留了VLM的通用语义能力——也就是把"理解世界"这件事从"学习动作"中解放出来，同时引入了一个可训练的specialist，处理机器人的动作控制。当架