🔥36氪•較早收集於 4m
深度機智發布全新具身通用智能大模型
💡具內建物理推理的開創性具身LLM，機器人開發者必看。
⚡ 30-Second TL;DR
有什麼變化
首個人類學習範式的具身通用智能基座模型
為什麼重要
透過整合物理推理推進具身AI發展，有望加速機器人應用並降低真實世界數據需求。
下一步行動
在MuJoCo等機器人模擬器中測試PhysBrain 1.0的具身任務泛化。
誰應關注：Researchers & Academics
關鍵要點
- •首個人類學習範式的具身通用智能基座模型
- •多模態架構將物理常識內化於參數
- •物理世界理解具時空一致性
- •有限數據下實現真正泛化
- •3月27日中關村論壇發布
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •PhysBrain 1.0 採用了獨特的「物理世界模擬器」預訓練機制，使其在處理機器人與環境交互時，能預測物體運動軌跡的物理合理性，而非僅僅依賴視覺預測。
- •該模型針對具身智能常見的「數據稀缺」問題，引入了基於合成數據的自我進化訓練框架，顯著降低了對真實世界機器人數據集的依賴。
- •深度機智已與多家工業機器人製造商達成戰略合作，將 PhysBrain 1.0 部署於工業自動化場景，旨在解決非結構化環境下的複雜抓取與裝配任務。
📊 競品分析▸ Show
| 特性 | PhysBrain 1.0 (深度機智) | RT-2 (Google DeepMind) | VLA 模型 (通用) |
|---|---|---|---|
| 核心範式 | 人類學習範式 (內化物理常識) | 視覺-語言-動作 (VLA) | 視覺-語言-動作 (VLA) |
| 物理理解 | 時空一致性物理引擎內化 | 基於語義關聯的動作預測 | 基於數據驅動的模式匹配 |
| 數據需求 | 低 (合成數據自我進化) | 高 (大規模機器人數據) | 極高 (大規模機器人數據) |
| 應用場景 | 工業自動化、複雜交互 | 泛化操作任務 | 基礎操作任務 |
🛠️ 技術深入
- 模型架構：採用基於 Transformer 的多模態架構，結合了專門設計的「物理常識編碼器」(Physics-Aware Encoder)。
- 物理一致性：通過在損失函數中加入時空一致性約束，確保模型生成的動作序列符合牛頓力學規律。
- 學習機制：模仿人類嬰兒的「探索-反饋」學習過程，利用內置的物理模擬環境進行自我監督學習。
- 參數規模：PhysBrain 1.0 採用了輕量化設計，旨在實現邊緣端側部署，適配主流工業機器人控制器。
🔮 前景展望AI analysis grounded in cited sources
PhysBrain 1.0 將在 2026 年底前實現工業場景下 95% 以上的抓取成功率。
該模型對物理常識的內化能力能顯著減少機器人在處理未知物體時的試錯成本。
深度機智將於 2026 年內開放 PhysBrain 的 API 接口供開發者使用。
為了構建具身智能生態系統，開放接口是該公司擴大市場份額的必然戰略選擇。
⏳ 時間線
2025-06
深度機智正式成立，獲得中關村學院與中關村人工智能研究院孵化支持。
2025-11
完成 PhysBrain 0.5 原型開發，並在受控實驗室環境下完成初步物理推理測試。
2026-03
於中關村論壇正式發布 PhysBrain 1.0。
📰
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： 36氪 ↗