【独家】深度机智张翼博：做物理AI时代的核心大脑供应商

不在VLA和世界模型之间二选一，也不要迷信一种架构通吃一切。
编按：
“身体力行”，古已有之。《淮南子·氾论训》有“圣人以身体之”，《礼记·中庸》亦言“力行近乎仁”。古人所重，不只在“知”，更在知之后的“行”——以身体感知世界，在行动中验证认知。
两千多年后，这四个字在具身智能时代有了新的现实含义：具（身），让智能拥有进入物理世界的载体；智能（体），赋予机器感知、理解与决策的能力；创新（力），推动技术突破瓶颈、建立壁垒；执（行），让这些能力最终转化为产品、交付与真实价值。
值此之际，《融资中国》推出“身体力行”具身智能专刊，将目光投向一批正在产业深处生长的未来独角兽。我们试图记录的，是一场从“知”到“行”的跨越，也是新一代机器人企业从技术走向产业的成长之路。

“这半年，具身智能行业从自动化范式聊到智驾，再聊到大模型，底层其实只有一个问题，模型到底有没有真正理解物理世界。”这是深度机智联合创始人、CEO张翼博反复追问的核心命题。他认为，无论技术架构如何变化，最终都指向同一个底座：Physical Foundation Model。“机器人需要一个物理老师，去真正理解这个世界。”

在他看来，衡量机器人的智能水平，不能仅仅用为大语言模型设计的推理榜分数。机器人要走向真实工业和商业环境，考验的不只是逻辑推理能力，还有物理常识、预见能力，以及面对非结构化场景的泛化能力，这恰是当前大多数模型最薄弱的环节。

这也是深度机智出发的原点，机器人真正缺的，不是更多的训练数据，而是人类与生俱来的物理直觉：推一下东西会倒、高处落下的物体会反弹、柔软的物体会形变。人在真实世界无数次“感知—决策—行动—反馈”的循环中，建立起对物理世界的完整理解。具身智能同样也需要一个真正连续、自洽、可修正的 Physical Loop，将多维能力统一到同一个模型框架中，用具有闭环结构的人类经验训练物理智能的基座模型。

于是深度机智没有走行业里最拥挤的那条路——用真机轨迹堆数据、靠海量机械臂试错换泛化。张翼博的判断是，这条路终点太窄：换个物体、换个角度，成功率就断崖式下跌，因为模型学到的只是“这个场景下这条轨迹”，而不是“为什么要这样做”。它记住了动作，却没学会物理规律。

深度机智选择了一条更少有人走却也更根本的路：从人类第一视角的数据里，教会模型重力、摩擦、接触、形变这些物理规律，先让它“看懂”世界，再让它“动手”。基于此路线，他们训练出全球首个基于人类学习范式的具身基座模型PhysBrain1.0，将人类第一视角数据转化为模型能够读懂的结构化信息；采用“双脑”架构——左脑保留通用的视觉语言理解能力，不被破坏；右脑专注学习机器人的动作策略，两者互相配合又互不干扰，解决VLA模型的灾难性遗忘困境；并使用贝叶斯分解训练算法，让模型真正理解指令后行动，攻克VLA模型的视觉捷径问题。

结果是，团队用千小时级的人类数据、零真机轨迹训练出的PhysBrain1.0基座模型，在多个国际权威评测上的表现反而超过了行业用万小时真机数据训练的模型。用张翼博的话说，这不是终点，而是通向统一基座模型的必经之路。

在张翼博眼里，具身智能不该被“GPT时刻”这类说法定义，它有自己的节奏——三次Scaling：先学人类的物理常识，再学着驾驭不同的身体，最后沉淀千行百业的工作经验，走向真正的Physical AGI。今天，行业才刚刚站在第一次Scaling的起点上。

更长远地看，张翼博相信历史会重演，就像PC时代有Wintel、手机时代有操作系统，具身智能最终也会沉淀出一个独立的“大脑”层，硬件厂商负责终端，而通用大脑一旦成立，也会走向软硬一体的具身智能“消费电子”时代。

深度机智的定位很明确：做物理AI时代的核心大脑供应商，向上适配国产端侧GPU，向下打通机器人软硬件标准，实现跨本体“即插即用”。

以下为采访实录，以飨读者：

《本刊》：世界模型、VLA、端到端、分层大小脑等路线的差异究竟在哪里？

张翼博：VLA和世界模型两条当前主流的技术路线，究其本质，核心差异可以从模型底座和监督信号两个维度来看。

先说底座，它反映的是模型的能力从哪里继承。VLA（Vision-Language-Action）的本质，是把机器人控制嫁接在语言大模型上，它继承了语言模型强大的文本推理和指令理解能力，代价是视觉编码与物理规律编码是偏弱的。世界模型（World Model）的底座是视频生成扩散模型，对画面、空间、物体运动规律的编码能力天然更强，但语言推理偏弱。

再说监督信号，它指向的是模型是靠什么训练的。这是被大多数讨论忽略、却更本质的一点。VLA 的监督信号极度稀疏，一个 7 自由度的机器人每秒输出约 16Hz 动作信号，仅百余个数值，却要用这些信号去更新几十亿参数，效率极低、收敛困难。世界模型用完整视频帧做监督，是像素级的稠密信号，所以收敛更快、泛化更好，但难免模型幻觉，像素级准确也不等于动作最优，且世界模型对算力的要求更高。VLA 是“反应式”的，看到当下做出反应；世界模型是“预见式”的，能预判物体的位移、碰撞、形变等未来画面。

再来看端到端和分层大小脑，它们实际是系统架构上的选择。端到端是理想形态，用一个模型包揽感知、决策、控制所有环节，但现实中模型能力还撑不起这么高的要求；分层大小脑则是工程上的折中，把“想”和“做”拆开，“大脑”负责慢速、抽象的任务分解与运动规划，“小脑”负责快速、精准的动作控制，但大小脑间的接口信息丢失与不一致性都需要额外的补偿机制来协调。

我们的判断是：不必在 VLA 和世界模型之间二选一，也不该迷信“一种架构通吃一切”。具身智能的核心是动作生成问题。整合VLM、视觉基础模型、视频生成模型等多源模型能力，让视觉、语言、触觉等所有输入信息得到统一，为最终的动作生成服务。这条路的终点是收敛的——最终会走向原生预训练的统一基座。

《本刊》：机器人需要一个“超级大脑”，还是多个专用模型协同？

张翼博：这是一个阶段性的伪问题。真正值得探讨的不是“几个模型”，而是这些模型如何更好地赋予机器人在真实世界中行动的能力。

我们发布的PhysBrain1.0基座模型体系，是全球首个基于人类学习范式训练的基座模型，验证了人类在真实世界中的交互行为，可以被规模化地转化为模型可用的物理常识。PhysBrian1.0在数据翻译管线、模型架构和训练策略上都做了创新。数据翻译管线能够将人类第一视角视频中隐性的物理经验提取为包含时空关系、物体属性、力学信息和推理过程的结构化监督信息，成为模型学习认知物理世界的重要载体。“双脑”架构（TwinBrainVLA），能够实现通专融合，跟传统意义上的“大小脑”有本质区别。大小脑的分工是认知与运动控制，而双脑解决的是VLA领域一个长期存在的矛盾：通用语义理解与细粒度动作学习的冲突。左脑负责通用，冻结的VLM专注开放世界的视觉－语言理解，保持通用语义能力不被破坏；右脑负责专精，可训练的VLM专注机器人策略学习，参考左脑的语义特征来指导动作，但两者互不干扰，从根本上解决了VLA模型的灾难性遗忘问题。在训练策略上，通过贝叶斯分解强制模型在生成动作前，真正理解语言指令，做到先理解，后执行，攻破视觉捷径问题。

但PhysBrain1.0不是终点，而是通向原生物理智能基座的必经之路。如果一上来就追求端到端单一模型，会同时撞上“推理深度”和“实时性”两堵墙，训练都很难收敛。正确的顺序是：先用分层架构把每一层的能力练扎实，再把空间理解、视频生成、物理常识、语言理解整合进一个统一的基座模型。短期看，多个专用模型协同是更务实的方案；长期看，这些能力会逐步收敛到统一的基座模型中。

《本刊》：从语言理解到动作执行，中间最容易发生信息损失的是哪一步？

张翼博：最容易丢失的，不是语言，也不是动作，而是两者之间的“物理常识”。

语言是离散符号，动作是连续物理信号，中间隔着的不是一层“翻译”，而是一整套关于重力、摩擦、接触、形变、因果的物理规律。人类天生就有这套物理直觉，你知道推瓶子上沿它会倒，知道高处落下的物体会反弹，知道柔软的物体会形变。但机器人没有，模型也没有，除非你专门去教它。

传统路线最大的信息损失恰恰发生在这里：用真机轨迹数据训练，模型学到的是“这个场景下这条轨迹”，而不是“为什么要这样做”——它记住了动作，却没学会物理。这就是为什么换一个物体、换一个角度，成功率就断崖式下跌。

我们的做法是反过来：先用人类第一视角数据让模型习得物理常识，建立“先理解、后执行”的能力，动作执行只是最后一环的“落地”。这样从语言到动作之间，就补上了物理常识这一环，信息损失才真正可控。

《本刊》：机器人需要多强的推理能力，才能进入真实工业和商业环境？

张翼博：我不认为当前卡点在“推理能力”这个指标上。你用大语言模型去刷推理榜，分数可以很高，但放进真实环境，机器人连“这个杯子会滑、这个瓶盖要往哪个方向拧”都搞不定。真实工业和商业环境考验的不仅仅是逻辑推理，更是三个更朴素的东西：物理常识、预见能力，以及面对非结构化场景的泛化。

物理常识决定机器人能不能“读懂”真实物体的材质、摩擦、重心这些隐性属性，建立起对物体交互和动作执行的控制能力；预见能力决定能不能提前判断动作的连锁反应，提升在动态干扰下的自主修正能力；非结构化泛化决定机器人能不能在不同光照、噪声、摆放条件下保持稳定，性能持续在线。

总结来看，这三者本质上都指向同一个问题：机器人不是要解出“逻辑推理题”，而是要应对得了物理世界的不确定性。当机器人的“物理直觉”补足了，所谓“推理能力”的伪命题自然就化解了。

《本刊》：泛化究竟应该如何定义：换物体、换任务、换场景，还是换本体之后仍然能够工作？

张翼博：行业里对泛化的讨论太轻率了，大多停留在“换一个物体还能不能抓”。我认为泛化是分层的，从低到高依次是：换物体、换任务、换场景、换本体。前三层考验的是“能力的泛化”，最后一层考验的则是“通用性”本身。

先说前三层，这是当前许多公司主攻的方向，也是我们为什么选择人类数据的原因之一。真机数据主要是记住动作轨迹，换个物体、换个角度就失效，而人类数据里沉淀的是物理常识，重力、摩擦、接触、形变、因果等。模型掌握了这些底层的物理规律，才能长出跨场景、跨任务、跨物体的泛化能力。这也是为什么我们能以千小时级人类数据、零真机轨迹，在评测上超越用万小时真机数据训练的模型。

至于第四层“换本体”，它和前三层是不同性质的问题，需要单独拎出来讲。今天你用 A 公司的机器人采集的数据，换到 B 公司的机械臂上基本作废，因为数据里缺失了自由度、动力学、传感器位置这些本体参数。跨本体的真正重要性在于：如果每换一台机器人，过去积累的能力就全部清零，那无论单机做得多好，都只是项目能力，而不是基础模型能力。

只有物理常识和任务经验能在不同本体之间保留、新的本体只需有限适配，物理智能才真正具备“基座”的意义。所以跨本体不是今天的第一目标，却是衡量我们这条路有没有走对的最终标尺。

《本刊》：未来具身大脑会掌握在整机企业手里，还是形成类似操作系统、基础模型一样的独立平台公司？

张翼博：历史已经给出了答案。PC 时代有 Wintel，智能手机时代有操作系统，大模型时代有基础模型平台——每一轮计算平台的演进，最终都会沉淀出一个独立的“大脑/操作系统”层，硬件厂商则负责终端。具身智能不会例外。

整机企业做不出通用大脑，这是能力结构决定的，不是努力问题。做硬件和做通用基座是两个完全不同的能力栈、不同的数据飞轮、不同的资本曲线，一家公司很难同时做到两者的顶尖。反过来，通用大脑一旦成立，会反向定义硬件标准——就像操作系统定义手机配置一样。

深度机智的定位非常明确：做物理 AI 时代的核心大脑供应商，向上适配国产端侧 GPU，向下打通机器人软硬件标准，实现跨本体“即插即用”。

《本刊》：您认为具身智能行业目前处于什么阶段？距离真正的规模化商业化还有多远？

张翼博：行业里喜欢用“GPT 时刻”“AlphaGo 时刻”来类比具身智能的进展，好像只要等到某一个临界点，能力就会一夜之间爆发。我其实并不想用这种比喻来定义具身智能的时刻。具身智能有它自己独特的发展轨迹，有自己的Scaling Law和要Scaling的东西。

我们认为具身智能要经历三个阶段的Scaling，第一阶段是人类中心数据的Scaling，从人类行为中学习真实世界的物理常识与动作经验，并将其迁移到机器人身上，训练物理通用智能的统一基础模型；第二阶段是跨本体真机数据的Scaling，学会使用不同的身体，让本体特征成为模型的上下文，实现跨本体的能力和经验迁移；第三阶段是工作技能数据的Scaling，把散落千行百业的人类工作经验，沉淀为能够被基础模型学习的Work Skill Data，在持续的任务执行中掌握物理世界的know-how，最终实现Physical AGI。

目前行业才刚刚站在第一次Scaling的起点，物理常识的习得与积累仍是关键瓶颈。

在商业化上，我认为具身智能商业化需要满足三个前提条件：经济可行、能够反哺基础模型能力提升、不消耗核心研发团队追求智能上限的精力。只有三个条件同时满足，商业化才是健康的。

对于具身智能的商业化，根据三次Scaling的演进，也会带来三种不同的商业化方式。第一阶段，当模型具备较强的物理常识后，可对标Stable Diffusion的轻量化定制模式；第二阶段，当大量机器人进入场景、真机数据回流，可复现大模型领域“卖Token”的模式；第三阶段，当机器人的自主性与通用性进一步提升，则可能走向软硬一体开箱即用的消费电子模式。

这三个阶段分别对应具身智能从低成本进入场景，到能跨本体提供标准化智能，再到能够规模化进入每个人的生活。

（头图人物：深度机智联合创始人、CEO张翼博）