机器之机杼剪部

本年 6 月 1 日，英伟达 GTC 台北大会上，黄仁勋发布了 Isaac GR00T 东谈主形机器东谈主参考平台。它配备真东谈主尺寸的机器东谈主躯壳，集成灵敏手、感知与实质测度，向环球沟通机构敞开。

英伟达给出的根由很平直，通用物千里着闲散能的沟通，需要一个融合的、接近东谈主的躯壳行动载体。

芯片巨头躬行下场，为 AI 造了一具躯壳。这意味着环球算力与 AI 生态的界说者，厚爱把「机器东谈主实质是 AI 基础秩序」写进了我方的门路图。

机器东谈主产业以前二十年的默许逻辑是先造机器、再装大脑，如今这个逻辑正在被倒转。躯壳为智能职业，实质为 AI 而生，这条被称为 Robot for AI 的门路，正在成为具身智能的迫切共鸣。

合并个月，深度机智在这条门路上交出了新的考证效果。

6 月 30 日，深度机智团队发布论文 Human-as-Humanoid。他们在自研拟东谈主机器东谈主 PrimeU 上，实现了完全莫得办法任务真机示范数据的情况下，仅凭从东谈主类视频中调度而来的动作监督，零样本完成了倒水、放环、装袋、叠杯等复杂真实操作任务。

论文团结：https://arxiv.org/pdf/2606.32009

表情团结：https://zgc-embodyai.github.io/Human-as-Humanoid/

都在喊 Robot for AI，为什么没东谈主作念成？

具身智能此刻最大的瓶颈，是数据。

机器东谈主要学会动作，需要海量的「不雅察 - 动作」配对数据。这类数据的主流集合方式于今仍是遥操作，由东谈主戴着设备一条一条地「教」机器东谈主。但真机遥操速率慢、老本高、受安全拘谨，场景也难以各样化。为了冲突数据瓶颈，智元机器东谈主在上海投建了超 4000 平米的数据集合工场，多地也密集布局具身智能数据采聚拢心。悉数这个词行业都在用重财富的方式，招架一个结构性的缺少。

于是，越来越多团队把眼神投向了东谈主类本人。东谈主类每天都在演示着最丰富、最当然的操作行径，若是东谈主的动作训戒能平直酿成机器东谈主的教练数据，数据瓶颈就有了根柢解法。黄仁勋早在 2024 年就说过，下一代机器东谈主很可能是东谈主形的，因为构造与东谈主相似的机器东谈主不错获取更多师法教练数据。这个判断在行业里被反复援用，Robot for AI 也因此成为发布会上的高频词。

阐明晰 Robot for AI 很容易，把它作念成一个可运行、可考证、可连续迭代的工程闭环，此前莫得任何一家公司齐全作念到。 难点在于，数据、模子和机器东谈主实质能不可果然咬合成一个系统。东谈主的视频里惟有画面和东谈主的动作，莫得机器东谈主可履行的动作标签；东谈主和机器东谈主在体型、要津结构、手部形态、目田度、视角上齐备不同；任何一环对不皆，东谈主类数据就只可停留在「帮模子相识寰宇」的层面，无法酿成机器东谈主手上的动作才气。

早在昨年十月，深度机智就已对这一问题给出公开回话。彼时，这家公司公布了通工具身智能的中枢发展门路：以动作建模为中心的 Action-Centric Modeling、以东谈主类数据为起初的 Human-Centric Data、为 AI 联想机器东谈主实质的 Robot for AI，三大技艺判断组成一个齐全的系统性策略。今天回头看，这三个判断也曾一谈由深度机智自主达成。

放眼悉数这个词行业，勇于提前公开中枢技艺判断，又能一谈自主达成的公司，深度机智险些是独逐个家。

这条门路的内在逻辑，深度机智称之为东谈主类学习范式：东谈主类的真实动作训戒是具身智能最大、最低价、最各样的数据源，模子以动作建模为中心去消化这些数据，机器东谈主实质则是衔接这些数据。

实质的变装由此发生根柢变化，它不再是一个展示末端，而是 AI 教练、迁徙和考证过程中的要害基础秩序。

跑通闭环，要过四关

把 Human-as-Humanoid 阻隔看，它履行上回答了四个层层递进的问题。

第一，躯壳该何如联想，东谈主类数据的迁徙误差才最小？

第二，东谈主的视频，何如酿成机器东谈主能平直教练的动作标签？

第三，模子何如旁边 60 个目田度，把这些标签学成矫健的操作才气？

第四，学到的才气，能不可在真实寰宇里干活？

为 AI 联想躯壳

东谈主形机器东谈主为什么要长得像东谈主？行业讲了许多年，谜底大多停留在「顺应东谈主类环境」这类无为之谈。

大都机器东谈主公司的作念法是「为机器东谈主装大脑」，先有一个实质，再去适配算法。深度机智把轨则倒了过来，先界说 AI 需要什么样的躯壳，再去联想实质。这是因为在东谈主类学习范式的逻辑下，既然要用东谈主的数据行动语料去预教练和驱动机器东谈主，那么躯壳越接近东谈主，东谈主类数据里的动作训戒就越有可能被齐全衔接下来，朝上形态各异时的迁徙误差就越小。

昨年 9 月，深度机智就发布了环球首个实现断电自主耸立的工业级全目田度拟东谈主体，并先后推出高目田度轮式拟东谈主体机器东谈主 Prime U 息争说版机器东谈主 Prime Lite，现在 Prime 系列机器东谈主居品已干预量产和交易托付阶段，在拟东谈主体见识的建议和落地上，深度机智比英伟达早了九个月。

本次沟通使用的 PrimeU，是一个 60 目田度的上半身平台。它的联想办法即是让东谈主类数据在物理层面的迁徙误差降到最低。

为此，深度机智对照 ANSUR II 东谈主体测量数据库，以第 50 百分位男性的躯壳参数为基准进行联想。肩宽比例 0.97，臂展至中指指尖的可达长度比例 1.02，手掌长度比例精准到 1.00。

这种刻意的尺寸对皆意味着，东谈主类普遍操作中手大概到的场地，PrimeU 的手臂也基本大概到；东谈主类操作时的抓持几何模式，与机器东谈主手部的几何模式也保持在邻近的法式范围内。

与此同期，机器东谈主头部和腕部搭载与策略部署时完全疏导型号的 RGB-D 相机，确保教练与部署阶段的视觉不雅测一致。

PrimeU 包括两条 7 目田度机械臂、两只各 20 目田度的五指灵敏手（每指 4 个要津）、一个 3 目田度颈部，以及一个 3 目田度腰部，测度 60 个目田度。

把东谈主的动作，酿成机器东谈主的动作

有了结构对皆的实质，下一环是把东谈主类视频转化为 PrimeU 可平直教练的动作标签。

集合阶段，深度机智毁掉了惯性动捕设备，只用录像头。操作家指导头戴式相机提供第一视角流，外置 RGB 相机提供第三视角流。前者行动策略教练和部署时的不雅测输入，后者提供荫庇较少的视觉把柄，用于复原上肢和手部通达。

第一视角与第三视角同步集合装配暗意。

对比实验袒露，这套纯相机决策复原出的东谈主体要害点，矫健性反而越过了衣服式动捕系统，后者在近距离双手操作中会出现显著的定位漂移，需要操作员反复抵偿和校准。

这阐明，在近距离双手操作场景中，纯视觉复原比不菲的惯性动捕更矫健。集合数据的门槛，被透顶拉低了。

视频集合完成后，系统以约每秒 20 帧的速率及时处分。先从第三视角视频中跟踪东谈主体，复原上肢要津和手部要害点位置；再通过分阶段逆通达学（Staged IK）求解器，将复原的东谈主体骨架映射到 PrimeU 的要津空间，生成 60 目田度的放置器对皆动作序列，最终输出机器东谈主可平直用于教练和履行的动作块（Action Chunk）。

在集合效能上，这套决策比遥操实现了 4.8 到 7.2 倍的原始演示隐晦量擢升。换句话说，网罗同等鸿沟的教练数据，东谈主力老本和时间老本都不错大幅压缩。

调度出的东谈主类动作，机器东谈主能不可「看懂」？深度机智用只在东谈主类调度数据上教练的动作分词器，去重建从未见过的真机轨迹。遣散，归一化平均误差仅 0.008，经正向通达学换算后的双手末端误差为 5.34 毫米，与纯机器东谈主数据教练的 4.09 毫米处于合并量级。

东谈主类动作与机器东谈主放置接口之间的散布各异，被压缩到了毫米级。这意味着，机器东谈主不错像学习自身数据雷同，平直学习东谈主类的动作训戒。

让模子旁边 60 个目田度

将东谈主类示范转化为机器东谈主动作标签之后，还需要一个大概灵验期骗这些标签的模子。

PhysDex 学习经过概览。

深度机智开发了 PhysDex，一套高目田度东谈主形 VLA 策略。它平直量度要津空间动作块，部署时无需在线求解 IK。但纯要津空间监督会把 60 个要津当成寂然归来办法，忽略它们通过通达学链共同决定腕部位置和指尖战役几何。

为此，PhysDex 引入双空间分层通达学拘谨 DS-HKC，通过可微正向通达学层把量度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，无需任何畸形标注。

消融实验标明，在疏导教练预算下，加入 DS-HKC 拘谨的模子取得了更低且更平滑的教练失掉。腕部与指尖的几何精度由此得到保险，学到的策略才能果然在真实硬件上履行。

高目田度 VLA 动作学习的教练失掉对比。FK 感知监督通过机器东谈主通达学拘谨要津量度，从而镌汰教练失掉；在疏导教练预算下，基于 PhysBrain 运行化的 FK 感知模子取得了最低失掉。

七项任务，全面胜出 GR00T

那么，机器东谈主到底能不颖慧活？

深度机智平直进行真机考证。以 1500 小时自集合的东谈主类示范行动预教练语料，一谈经 Human-as-Humanoid 管线调度为 60 目田度动作标签，在七项双手操作任务上与 GR00T N1.7 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，仅使用东谈主类示范进行办法任务后教练，不引入任何办法任务机器东谈主数据；体温枪测量、拧灯泡和瓶盖松动三项因触及邃密战役和坚贞件依赖，加入少许真实机器东谈主数据行动锚定。

遣散袒露，PhysDex 在一谈七项任务上都取得了更高的「阶段 — 最终」轮廓评分，且在纯东谈主类示范任务组中，上风更为凸起。

结语

自 2025 年公开东谈主类学习门路以来，深度机智长久沿着这个技艺逻辑连续鼓励。先让机器东谈主实质向东谈主类对皆，再让模子从东谈主类第一视角视频中树立物理贯通，临了把这种贯通转化为机器东谈主可履行的动作教唆。

Human-as-Humanoid 恰是这条门路的一大要害技艺达成。它证明了经过合理的实质联想和动作调度链路，东谈主类视频中的动作训戒大概平直干预机器东谈主要津空间，成为可履行、可学习的教练信号，无需办法任务的真机示范。至此，深度机智完成了从数据、模子和实质部署的全栈技艺闭环。

从时间线看，这条门路具备显著的前瞻性。深度机智公开三大技艺判断时，行业主流的数据开头仍是真机遥操作。不到一年，东谈主类数据的价值已被全行业温雅，而深度机智也曾先行完成了实质、数据链路和模子的系统性开发，并拿出了真机考证遣散。

这个最先上风还在扩大。接下来，深度机智盘算推算攻关荫庇、通达恶浊等穷困条款下的纯第一视角骨架复原，并通过生成合成交互视频扩张数据鸿沟。一朝高质料合成视频也能干预这条链路，数据飞轮的转速还会络续擢升。

Robot for AI 由此从一个标语，酿成一套可复现、可测验、可迭代的工程方法。接下来果然要比拼的，是谁能把数据、模子和实质之间的飞轮转得更快。就现在的程度而言，深度机智也曾占据先发位置。

参考团结：

https://x.com/clankrmedia/status/2073414138907197600

https://blogs.nvidia.cn/blog/nvidia-open-humanoid-robot-reference-design/

© THE END

转载请关连本公众号获取授权

投稿或寻求报谈：liyazhou@jiqizhixin.com开云体育