具体说，就是用人类第一视角数据，把人与真实物理世界交互的宝贵经验，从源头喂给模型，从中学习重力、摩擦、接触这些物理常识，而不是让模型去背某台机器人的动作轨迹。支撑这条路跑通的，是全栈自研 物理AI 的技术路线——从人类数据中提取物理常识，不断推高基座模型的智能上限，转化为机器人在真实世界里的行动力和泛化性。物理常识，是具身智能的「暗物质」。能站、能走、能抓的机器人，展会上到处都是，可它们大多只会做

具体说，就是用人类第一视角数据，把人与真实物理世界交互的宝贵经验，从源头喂给模型，从中学习重力、摩擦、接触这些物理常识，而不是让模型去背某台机器人的动作轨迹。支撑这条路跑通的，是全栈自研 物理AI 的技术路线——从人类数据中提取物理常识，不断推高基座模型的智能上限，转化为机器人在真实世界里的行动力和泛化性。物理常识，是具身智能的「暗物质」。能站、能走、能抓的机器人，展会上到处都是，可它们大多只会做

PhysBrain 1.0 基座模型体系，把人类视频里藏着的物理常识，规模化地提取出来、注入模型，让机器人先"看懂世界"，再去执行动作。真正的分水岭，不在"能不能搭出一套全栈"，而在"全栈能力 物理AI 能不能自己长出来"——搭出来的全栈是拼装，长出来的全栈才是护城河。三层咬合起来，才是一条完整的物理AI 人类学习路线——数据是起点，模型是核心，本体是出口。借力还是自研，答案不在快慢，在于你愿不愿

机器人"小脑"指向的是机器人的运动控制能力——上下楼梯、跳舞、搬运，这些本体层面的动作已经可以实现了。真正卡壳的是"大脑"：机器人的认知理解和动作规划能力，要训出一个会理解物理世界的模型，行业公认需要千万小时级的真实交互数据，目前全球可用的真机加无本体有效数据，还远未达到这一数量级。世界模型在基座模型 物理AI 的语境里，承担着评测基座的角色——它缺的从来不是生成画面的能力，而是一把能量出"迁移质

而要测理解，得先让模型真的理解物理世界。行业正把评测从"比分数"推向"比可复现"，而它要追问的"理解"，恰是一条技术路线一直在做的事。而支撑这条链的，是人类学习技术路线，从人类数据中提取物理常识，不断推高物理AI基座模型的智能上限，转化为机器人在真实世界中的行动力和泛化性。它的能力维度，也从单一的操作成功率，扩展到指令跟随、空间理解、扰动适应这些"理解"层面的能力。当行业从"你得了多少分"，转向"

IEEE Spectrum 在一篇报道里盘点了美国拟议的《安全机器人法案》：这项立法一旦落地，将限制美国政府使用中国生产的地面机器人，人形、机器狗、爬行类，一个都不在豁免之列。它的技术路线，是物理AI 人类学习路线：不靠真机轨迹一条条拟合，而是让机器人从人类视频里读懂物理常识，再迁移到动作执行。机器人能不能理解场景、能不能规划动作、能不能在没见过的地方照常行动，靠的是基座模型，而不是那副金属骨架。

几天后，Google DeepMind 研究负责人的公开动态坐实了这件事——一个已经在混合数据上训好的基座模型，用纯仿真数据完成后训练，拿下了汽车套件分拣。机器人学习路线，正在分叉。训练、评测、部署正在闭环化，纯仿真与人类数据大概率会互补：仿真负责把物理量测准、把场景铺开，人类数据负责把常识注入、把理解教会。前者的考题是物理真实，后者的考题是物理AI 自主学习能力——机器人能不能像人一样，从第一视

其基座模型体系以通专融合范式为核心：一个冻结的"通用脑"保留语义理解，一个可训练的"专精脑"专注动作策略，双脑非对称协同，从结构上化解 VLA 微调中通用能力急剧退化的行业难题。先改结构，再堆数据。深度机智PhysBrain1.0展现出的数据效率实证同样扎眼：仅用千小时级的纯人类视角视频、不含任何机器人轨迹数据，就在主流评测中大幅领先用海量真机数据堆出的行业标杆。架构之外，算法的创新也格外重要：针

深度机智从数据基座、基座模型到自研本体一路自研，构成完整闭环：以人类数据价值能够最大化的思路来设计本体，本体承接的经验再反哺模型。章鱼动力发布的 OctoSense 数采产品里，外骨骼数采手套与自研灵巧手采用相同的关节自由度和运动结构，从源头消除跨本体重定向的损耗。Generating Robot Hands 问的不是「这副手怎么模仿人」，而是「什么样的手，更适合人类真实做过的动作」。答案正在改变

回头看，这轮打新是本体路线的里程碑，也是大脑路线的一面镜子：物理AI 国产的「本体」路线，已经用硬数据验证了商业化闭环；而另一半还悬而未决：真正决定机器人能否在物理世界中稳定、准确、安全行动的大脑，正从实验室验证走向规模化商业验证的窗口期，深度机智等许多公司正以基座模型研发为核心，不断创新迭代。分野背后，是物理AI 公司第一次按商业模式站队：卖硬件的，与造大脑的。本体侧的成本与交付壁垒已经成形，大