🐼Pandaily•較早收集於 25h
DeepCybo 獲融資，致力於透過人類第一人稱影片開發具身 AGI
💡了解為何頂尖機器人公司正轉向使用第一人稱人類影片數據來訓練具身 AI 代理人。
⚡ 30-Second TL;DR
有什麼變化
DeepCybo 獲得數億人民幣融資，用於開發具身 AI。
為什麼重要
此輪融資凸顯了第一人稱影片數據集在訓練人形機器人中的重要性。這標誌著產業競爭的轉變，數據獲取策略對於具身 AI 而言，已變得與模型架構同樣關鍵。
下一步行動
評估您目前的機器人訓練流程，看看是否能導入第一人稱影片數據集，以提升代理人的空間推理能力。
誰應關注：Founders & Product Leaders
關鍵要點
- •DeepCybo 獲得數億人民幣融資，用於開發具身 AI。
- •核心策略在於利用第一人稱人類影片數據來進行機器人訓練。
- •此方法驗證了產業對於物理 AI 代理人轉向以人為本數據的趨勢。
- •DeepCybo 的方法論與 Tesla、NVIDIA 和 Figure AI 的數據策略不謀而合。
🧠 深度解析
Web-grounded analysis with 3 cited sources.
🔑 增強重點摘要
- •DeepCybo 的數億人民幣融資由重量級國資平台、產業資本及頭部財務機構共同參與，顯示其具身通用人工智慧發展獲得了強大的國家和機構支持。
- •該公司採用的「人類學習」路線，旨在從第一人稱人類影片數據中提取「物理常識」，而非僅僅模仿動作，以為機器人建立對物理世界的基礎理解。
- •截至2026年5月，DeepCybo 在WorldArena、SimplerEnv、RoboTwin 2.0 和 RoboCasa 等多個國際具身人工智慧基準測試中取得了榜首或領先成績，展現其模型在世界建模、泛化能力和複雜操作任務上的強勁表現。
- •DeepCybo 計劃開源其4B 和 8B 模型及相關架構與演算法，此舉旨在建立行業影響力並驗證其技術路線在全球開發者社群中的可行性。
🛠️ 技術深入
- DeepCybo 的核心模型為「PhysBrain1.0 具身通用智能大模型體系」，於2026年中關村論壇發布。
- 該體系採用「情境數采 (In-Context Data Collection)」模式，以人類第一視角數據為主，輔以多角度觀測，同步採集多模態資訊。
- 數據採集依賴自研的「DeepAct 數據引擎」，確保標準化流程。
- 技術目標是從人類影片數據中提取「物理常識」，並透過具身基座模型轉化為理解、預測和動作生成能力。
- 模型設計旨在建立「數據—模型—執行」的正向回饋循環，以實現持續學習和進化。
🔮 前景展望AI analysis grounded in cited sources
具身通用人工智慧的發展將加速機器人在非結構化環境中的應用。
透過利用大規模人類第一人稱影片數據學習物理常識，機器人將能更好地理解和適應複雜多變的現實世界任務。
數據驅動的具身智能模型將成為產業標準，降低機器人開發門檻。
隨著像DeepCybo這樣利用人類影片數據訓練通用模型的公司取得進展，未來機器人將能像人類一樣透過「觀看」學習新技能，減少對昂貴的特定機器人數據採集的依賴。
中國在具身通用人工智慧領域的競爭力將顯著提升。
DeepCybo獲得國資平台和產業資本的數億人民幣融資，並在多個國際基準測試中取得領先，顯示中國在該領域的戰略投入和技術實力正在快速增長。
⏳ 時間線
2025-01
DeepCybo 創業團隊開始前瞻性投入具身智能方向。
2025-12
DeepCybo 與北京高校聯合成立「具身智能數據採集示範中心」。
2026-03
在2026年中關村論壇上，DeepCybo 發布了全球首個以人類學習範式構建的PhysBrain1.0 具身通用智能大模型體系。
2026-05
DeepCybo 成立一年內累計完成數億人民幣融資。
2026-05
DeepCybo 在WorldArena、SimplerEnv、RoboTwin 2.0、RoboCasa 等多個國際權威基準測試中取得榜首或領先成績。
📎 來源 (3)
Factual claims are grounded in the sources below. Forward-looking analysis is AI-generated interpretation.
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： Pandaily ↗