机器人拟人化的真正原因，终于有人正确解答了

6月1日，英伟达GTC台北大会上，黄仁勋正式发布了Isaac GR00T人形机器人参考平台。该平台配备了一具真人尺寸的机器身体，集成灵巧手、感知系统与本体计算能力，现已面向全球研究机构开放使用。 英伟达给出的理由非常直接：要研究通用物理智能，需要一个统一且接近人体的载体。芯片巨头亲自下场为AI打造身体，这无异于宣告——全球算力与AI生态的引领者，已正式将“机器人本体作为AI基础设施”写入自身战略路线图。 过去二十年，机器人产业的默认路径一直是“先造机器，再装大脑”——如今这一顺序正被彻底颠倒。身体服务于智能，本体因AI而生，这条被称为“Robot for AI”的路线，正迅速成为具身智能领域最具共识的发展方向。 同一个月，深度机智在这条路线上交出了新的验证成果。 6月30日，深度机智团队发表论文《Human-as-Humanoid》。他们在自研的拟人机器人PrimeU上完成了一项引人注目的突破：无需目标任务的真机示范数据，仅凭从人类视频中转换而来的动作监督，就零样本实现了倒水、放环、装袋、叠杯等复杂真实操作任务。 ## 都在喊Robot for AI，为什么没人做成？ 具身智能当前面临的最大瓶颈，是数据。机器人要掌握动作，必须拥有海量的“观察—动作”配对数据。目前主流的数据采集方式仍是遥操作——人佩戴设备，逐条“教”机器人。然而真机遥操作速度慢、成本高、受安全限制，场景也难以多样化。为突破这一瓶颈，智元机器人在上海投建了超过4000平米的数据采集工厂，多地也在密集布局具身智能数据采集中心。整个行业正以重资产模式，对抗结构性的数据短缺。 于是，越来越多团队将目光投向人类自身。人类每天都在演示最丰富、最自然的操作行为。若能直接将人的动作经验转化为机器人的训练数据，数据瓶颈便可迎刃而解。黄仁勋早在2024年就指出，下一代机器人很可能采用人形设计，因为与人相似的构造能获得更多模仿训练数据。这一判断在行业内被频频引用，Robot for AI也随之成为发布会上的高频词汇。 讲清楚Robot for AI并不难，但要将它打造成一个可运行、可验证、可持续迭代的工程闭环，此前没有任何一家公司真正实现。真正的难点在于：数据、模型和机器人本体能否咬合成一个完整系统。人类视频中只有画面和人体动作，缺乏机器人可执行的动作标签；人与机器人在体型、关节结构、手部形态、自由度、视角等方面均存在差异。任何一个环节对不齐，人类数据就只能停留在“帮助模型理解世界”的层面，无法转化为机器人手上的实际动作能力。 好在，早在去年10月，深度机智就针对这一难题给出了公开回应。当时，这家公司公布了通用具身智能的核心发展路线：以动作建模为中心的Action-Centric Modeling、以人类数据为起点的Human-Centric Data、为AI设计机器人本体的Robot for AI。三大技术判断构成了一个完整的系统性战略。如今回顾，这三个判断已全部由深度机智自主兑现。 放眼整个行业，敢于提前公开核心技术判断，并全部自主兑现的公司，深度机智几乎是唯一一家。这条路线的内在逻辑，深度机智称之为“人类学习范式”：人类的真实动作经验是具身智能最大、最廉价、最多样的数据源；模型以动作建模为中心消化这些数据；机器人本体则负责承接这些数据。本体的角色由此发生根本转变——它不再是一个展示终端，而是AI训练、迁移和验证过程中的关键基础设施。 ## 跑通闭环，要过四关 将Human-as-Humanoid拆开来看，它实际上回答了四个层层递进的问题。 第一，身体该如何设计，才能使人类数据的迁移误差最小？第二，人的视频如何变成机器人可直接训练的动作标签？第三，模型如何驾驭60个自由度，将这些标签学习为稳定的操作能力？第四，学到的能力能否在真实世界中执行任务？ ### 为AI设计身体 人形机器人为何要长得像人？行业对此已讨论多年，答案大多停留在“适应人类环境”这类泛泛之谈。多数机器人公司的做法是“为机器人装大脑”——先拥有本体，再去适配算法。深度机智则把顺序颠倒了过来：先定义AI需要怎样的身体，再设计本体。因为在人类学习范式的逻辑下，既然要用人的数据作为语料去预训练和驱动机器人，那么身体越接近人，人类数据中的动作经验就越有可能被完整承接，跨越形态差异时的迁移误差也就越小。 去年9月，深度机智率先发布了全球首个实现断电自主站立的工业级全自由度拟人体，并先后推出了高自由度轮式拟人体机器人Prime U和教育版机器人Prime Lite。目前Prime系列机器人产品已进入量产和商业交付阶段。在拟人体概念的提出与落地方面，深度机智比英伟达早了九个月。 本次研究使用的PrimeU，是一个60自由度的上半身平台。其设计目标是将人类数据在物理层面的迁移误差降到最低。为此，深度机智参照ANSIUR II人体测量数据库，以第50百分位男性的身体参数为基准进行设计。肩宽比例0.97，臂展至中指指尖的可达长度比例1.02，手掌长度比例精确到1.00。 这种刻意的尺寸对齐意味着：人类日常操作中手能触及的位置，PrimeU的手臂也基本能到达；人类操作时的抓握几何形状，与机器人手部的几何形状保持在相近的尺度范围内。同时，机器人头部和腕部搭载了与策略部署时完全相同型号的RGB-D相机，确保训练与部署阶段的视觉观测一致。 PrimeU包含两条7自由度机械臂、两只各20自由度的五指灵巧手（每指4个关节）、一个3自由度颈部以及一个3自由度腰部，总计60个自由度。 ### 把人的动作，变成机器人的动作 有了结构对齐的本体，下一步是将人类视频转化为PrimeU可直接训练的动作标签。在采集阶段，深度机智放弃了惯性动捕设备，仅使用摄像头。操作者佩戴头戴式相机提供第一视角流，外置RGB相机提供第三视角流。前者作为策略训练和部署时的观测输入，后者提供遮挡较少的视觉证据，用于恢复上肢和手部运动。 对比实验显示，这套纯相机方案恢复出的人体关键点，稳定性反而超过了穿戴式动捕系统——后者在近距离双手操作中会出现明显的定位漂移，需要操作员反复补偿和校准。这说明在近距离双手操作场景中，纯视觉恢复比昂贵的惯性动捕更加稳定。数据采集的门槛被彻底拉低。 视频采集完成后，系统以约每秒20帧的速度实时处理。先从第三视角视频中追踪人体，恢复上肢关节和手部关键点位置；再通过分阶段逆运动学（Staged IK）求解器，将恢复的人体骨架映射到PrimeU的关节空间，生成60自由度的控制器对齐动作序列，最终输出机器人可直接用于训练和执行的动作块（Action Chunk）。在采集效率上，这套方案比遥操作实现了4.8到7.2倍的原始演示吞吐量提升——收集同等规模的训练数据，人力成本和时间成本都得以大幅压缩。 转换出的人类动作，机器人能否“看懂”？深度机智用仅在人类转换数据上训练的动作分词器，去重建从未见过的真机轨迹。结果，归一化平均误差仅0.008，经正向运动学换算后的双手末端误差为5.34毫米，与纯机器人数据训练的4.09毫米处于同一量级。 人类动作与机器人控制接口之间的分布差异已被压缩到毫米级。这意味着机器人可以像学习自身数据一样，直接学习人类的动作经验。 ### 让模型驾驭60个自由度 将人类示范转化为机器人动作标签之后，还需要一个能够高效利用这些标签的模型。 深度机智开发了PhysDex——一套高自由度人形VLA策略。它直接预测关节空间动作块，部署时无需在线求解IK。但纯关节空间监督会将60个关节视为独立回归目标，忽略它们通过运动学链共同决定腕部位置和指尖接触几何。为此，PhysDex引入了双空间分层运动学约束DS-HKC，通过可微正向运动学层将预测动作映射到任务空间，在腕部位姿和十个指尖位置两个层级施加几何监督，无需任何额外标注。 消融实验表明，在相同训练预算下，加入DS-HKC约束的模型取得了更低且更平滑的训练损失。腕部与指尖的几何精度由此得到保障，学到的策略才能真正在真实硬件上执行。 ### 七项任务，全面胜出GR00T 那么，机器人到底能不能干活？深度机智直接进行了真机验证。以1500小时自采集的人类示范作为预训练语料，全部经Human-as-Humanoid管线转换为60自由度动作标签，在七项双手操作任务上与GR00T N1.7进行对比。 这七项任务分为两类：套圈游戏、魔方包装、叠杯子和倒水四项，仅使用人类示范进行目标任务后训练，不引入任何目标任务机器人数据；体温枪测量、拧灯泡和瓶盖松动三项因涉及精细接触和强硬件依赖，加入了少量真实机器人数据作为锚定。 结果显示，PhysDex在全部七项任务上都取得了更高的“阶段—最终”综合评分，且在纯人类示范任务组中，优势更为突出。 ## 结语 自2025年公开人类学习路线以来，深度机智始终沿着这一技术逻辑持续推进。先让机器人本体向人类对齐，再让模型从人类第一视角视频中建立物理认知，最后将这种认知转化为机器人可执行的动作指令。Human-as-Humanoid正是这条路线上的一项关键技术兑现。它证明了：经过合理的本体设计和动作转换链路，人类视频中的动作经验能够直接进入机器人关节空间，成为可执行、可学习的训练信号，无需目标任务的真机示范。至此，深度机智完成了从数据、模型到本体部署的全栈技术闭环。 从时间线来看，这条路线具备明显的前瞻性。深度机智公开三大技术判断时，行业主流的数据来源仍依赖真机遥操作。不到一年，人类数据的价值已得到全行业关注，而深度机智已先行完成了本体、数据链路和模型的系统性建设，并拿出了真机验证结果。这一领先优势还在扩大。接下来，深度机智计划攻关遮挡、运动模糊等困难条件下的纯第一视角骨架恢复，并通过生成合成交互视频扩展数据规模。一旦高质量合成视频也能进入这条链路，数据飞轮的转速将继续提升。 Robot for AI由此从一个口号，变成了一套可复现、可检验、可迭代的工程方法。接下来真正比拼的，是谁能将数据、模型和本体之间的飞轮运转得更快。就目前的进度而言，深度机智已经占据了先发位置。