数据困境是理解的起点

进行大语言模型训练之际, 互联网之上存在着数万亿Token的现成文本以供使用。然而具身智能并不具备如此这般的现成数据池, 机器人所需的是真实世界的物理交互经验。在2025年10月之时, 深度机智发布了《源于人 超越人》路线图, 还提出了以人类数据作为起点的“人类学习”范式, 其直接回应了这个数据究竟从哪里来的根本问题。

这个思路和主流路线全然不一样。在过去的两年当中, 行业于VLA端到端、仿真训练、遥操作这三条路径上都有进行押注, 每一家投身了大量投入, 然而谁都不清楚哪一条能够抵达终点。深度机智所做出的选择是返回到人类自身那里, 运用真实的人类行为数据去训练机器人。

先发一年的数据采集优势

深度机智自行研究拟定的、专门那种分体样式的、针对第一视角展开感知并进行采集的方案, 早在2025年6月的时候就已经完成了确定其形式且落实实现的这项操作。这样的一种进展速度对比美国Scale AI所拥有的、与之同类并且质量相当的方案要早了差不多一年的时间。他们率先创造出了ICDC情境数采范式, 在真实存在的场景当中记录人跟世界相互交流互动时的属于时间和空间方面的经验, 依靠自动化的管道将其转变为模型能够用来学习的数据。

此套安排的关键价值是什么呢? 它并非仅仅变换了一类数据收集方式, 而是尝试依据人类的认知以及行为模式当作示范, 再度构建整个技术体系。数据应当怎样去采集, 模型该如何进行训练, 机器人要怎样制造, 这三者围绕着同一套逻辑共同开展设计活动。全球顶尖的机构正在对此种认定进行验证, 而深度聪慧是最早作出认定的团队。

模型验证的零样本能力

2026年3月, 深度机智于中关村论坛首发1.2具身通用智能基014位, 围绕物理世界理解、空间关系并连续动作训练呢发生呢过。发布时间比美国技术呢早了。核心前沿技术被前沿发布呢公开引用。这个模型构建的是面向物理不是单一任务的策略。

那模型层面极具力度的进展是Zero-shot泛化验证, 机器人在未曾针对特定物体或者任务开展专项训练的情形下, 仅仅凭借借助人类数据预训练而获取的能力, 便在真机之上达成了自主操作, 这是于国内首次在全自研技术体系的状况下, 验证了纯人类数据从模型训练直至真机执行的完整路径。

机器人为AI而生的硬件设计

深度机智秉持“机器人为AI而生”的设计理念, 结构比例、自由度配置以及控制逻辑, 全都专为AI模型的数据迁移而精心打造, 2025年9月推出的Prime是全球首个工业级能自主站立的全自由度拟人体机器人, 达成了纯人类数据驱使、零真机微调的技术闭环。

以不同场景为依托, 公司对产品矩阵予以更深层次拓展, 他们推出了针对精细操作的轮式双臂机器人Prime U, 还推出了面向教育及开发者的3D打印轻量化机器人Prime Lite。三条线分开来看, 均有其他家在进行相关操作, 然而三者是围绕同一条技术路线展开协同设计, 且将从数据到模型再到真机的闭环完整地运行了一遍。

商业化落地的克制节奏

深度机智秉持“克制又灵活”这样一种商业化节奏, 核心资源全力放在基座模型的长期构建方面, 在研发进程里所沉淀下来的技术成果, 同时推向市场去进行验证, 全栈能力的价值体现于技术成果能够迅速转化为场景实现落地, 而并非单纯只是停留在实验室的Demo状态。

公司创办人陈凯觉得, 物理人工智能的进展会逐个历经三个时期: 人类数据大规模预先训练, 本体数据返回流动反复更新, 真实环境自行发展进化。哪个人能够在这个时间范围内最先达成全栈封闭循环、构建数据飞轮, 那个人就有机会界定下一阶段的行业规范。提前迈出一步意味着早一年遭遇困难、早一年积攒工程方面的经验。

中国原创路线的产业意义

身为中关村学院跟中关村人工智能研究院共同孵化的首个具备自身通用智能的企业, 深度机智的目标不光是一家技术公司, 还要寻觅一条归属于中国的物理AI原创技术途径。这条“人类学习”线路能不能走远, 正在查验一个核心论题: 中国可不可以在物理AI赛道把控底层技术定义权。

真正深度机智的壁垒并非仅仅在于先发一年所产生的时间差, 而是全栈协同才带来的复合放大效应。当数据、模型以及硬件围绕同一路线朝着相同方向迭代时, 每一次技术突破都会反过来对另外两个环节起到反哺作用, 进而从而形成正向循环。这个循环正在持续不断地放大他们的先发优势。

你觉得“人类学习”这条路线, 能不能使得中国在具身智能这个领域, 掌握行业标准的定义权力呢? 欢迎在评论的区域, 去分享你个人的看法, 点赞并且转发, 从而让更多的人, 看到中国AI的原创力量。