機器人為什么要擬人？終于有人正確回答了

今年 6 月 1 日，英偉達 GTC 臺北大會上，黃仁勛發布了 Isaac GR00T 人形機器人參考平臺。它配備真人尺寸的機器人身體，集成靈巧手、感知與本體計算，向全球研究機構開放。

英偉達給出的理由很直接，通用物理智能的研究，需要一個統一的、接近人的身體作為載體。

芯片巨頭親自下場，為 AI 造了一具身體。這意味著全球算力與 AI 生態的定義者，正式把「機器人本體是 AI 基礎設施」寫進了自己的路線圖。

機器人產業過去二十年的默認邏輯是先造機器、再裝大腦，如今這個邏輯正在被倒轉。身體為智能服務，本體為 AI 而生，這條被稱為 Robot for AI 的路線，正在成為具身智能的重要共識。

同一個月，深度機智在這條路線上交出了新的驗證成果。

6 月 30 日，深度機智團隊發布論文Human-as-Humanoid。他們在自研擬人機器人 PrimeU 上，實現了完全沒有目標任務真機示范數據的情況下，僅憑從人類視頻中轉換而來的動作監督，零樣本完成了倒水、放環、裝袋、疊杯等復雜真實操作任務。

• 論文鏈接：https://arxiv.org/pdf/2606.32009
• 項目鏈接：https://zgc-embodyai.github.io/Human-as-Humanoid/

都在喊 Robot for AI，為什么沒人做成？

具身智能此刻最大的瓶頸，是數據。

機器人要學會動作，需要海量的「觀察 - 動作」配對數據。這類數據的主流采集方式至今仍是遙操作，由人戴著設備一條一條地「教」機器人。但真機遙操速度慢、成本高、受安全約束，場景也難以多樣化。為了突破數據瓶頸，智元機器人在上海投建了超 4000 平米的數據采集工廠，多地也密集布局具身智能數據采集中心。整個行業都在用重資產的方式，對抗一個結構性的短缺。

于是，越來越多團隊把目光投向了人類本身。人類每天都在演示著最豐富、最自然的操作行為，如果人的動作經驗能直接變成機器人的訓練數據，數據瓶頸就有了根本解法。黃仁勛早在 2024 年就說過，下一代機器人很可能是人形的，因為構造與人相似的機器人可以獲得更多模仿訓練數據。這個判斷在行業里被反復引用，Robot for AI 也因此成為發布會上的高頻詞。

講清楚 Robot for AI 很容易，把它做成一個可運行、可驗證、可持續迭代的工程閉環，此前沒有任何一家公司完整做到。 難點在于，數據、模型和機器人本體能不能真正咬合成一個系統。人的視頻里只有畫面和人的動作，沒有機器人可執行的動作標簽；人和機器人在體型、關節結構、手部形態、自由度、視角上全都不同；任何一環對不齊，人類數據就只能停留在「幫模型理解世界」的層面，無法變成機器人手上的動作能力。

早在去年十月，深度機智就已對這一問題給出公開回應。彼時，這家公司公布了通用具身智能的核心發展路線：以動作建模為中心的 Action-Centric Modeling、以人類數據為起點的 Human-Centric Data、為 AI 設計機器人本體的 Robot for AI，三大技術判斷構成一個完整的系統性戰略。今天回頭看，這三個判斷已經全部由深度機智自主兌現。

放眼整個行業，敢于提前公開核心技術判斷，又能全部自主兌現的公司，深度機智幾乎是唯一一家。

這條路線的內在邏輯，深度機智稱之為人類學習范式：人類的真實動作經驗是具身智能最大、最廉價、最多樣的數據源，模型以動作建模為中心去消化這些數據，機器人本體則是承接這些數據。

本體的角色由此發生根本變化，它不再是一個展示終端，而是 AI 訓練、遷移和驗證過程中的關鍵基礎設施。

跑通閉環，要過四關

把 Human-as-Humanoid 拆開看，它實際上回答了四個層層遞進的問題。

第一，身體該怎么設計，人類數據的遷移誤差才最小？

第二，人的視頻，怎么變成機器人能直接訓練的動作標簽？

第三，模型怎么駕馭 60 個自由度，把這些標簽學成穩定的操作能力？

第四，學到的能力，能不能在真實世界里干活？

為 AI 設計身體

人形機器人為什么要長得像人？行業講了很多年，答案大多停留在「適應人類環境」這類泛泛之談。

多數機器人公司的做法是「為機器人裝大腦」，先有一個本體，再去適配算法。深度機智把順序倒了過來，先定義 AI 需要什么樣的身體，再去設計本體。這是因為在人類學習范式的邏輯下，既然要用人的數據作為語料去預訓練和驅動機器人，那么身體越接近人，人類數據里的動作經驗就越有可能被完整承接下來，跨越形態差異時的遷移誤差就越小。

去年 9 月，深度機智就發布了全球首個實現斷電自主站立的工業級全自由度擬人體，并先后推出高自由度輪式擬人體機器人 Prime U 和教育版機器人 Prime Lite，目前 Prime 系列機器人產品已進入量產和商業交付階段，在擬人體概念的提出和落地上，深度機智比英偉達早了九個月。

本次研究使用的 PrimeU，是一個 60 自由度的上半身平臺。它的設計目標就是讓人類數據在物理層面的遷移誤差降到最低。

為此，深度機智對照 ANSUR II 人體測量數據庫，以第 50 百分位男性的身體參數為基準進行設計。肩寬比例 0.97，臂展至中指指尖的可達長度比例 1.02，手掌長度比例精確到 1.00。

這種刻意的尺寸對齊意味著，人類日常操作中手能夠到的地方，PrimeU 的手臂也基本能夠到；人類操作時的抓握幾何形狀，與機器人手部的幾何形狀也保持在相近的尺度范圍內。

與此同時，機器人頭部和腕部搭載與策略部署時完全相同型號的 RGB-D 相機，確保訓練與部署階段的視覺觀測一致。

PrimeU 包括兩條 7 自由度機械臂、兩只各 20 自由度的五指靈巧手（每指 4 個關節）、一個 3 自由度頸部，以及一個 3 自由度腰部，總計 60 個自由度。

把人的動作，變成機器人的動作

有了結構對齊的本體，下一環是把人類視頻轉化為 PrimeU 可直接訓練的動作標簽。

采集階段，深度機智放棄了慣性動捕設備，只用攝像頭。操作者佩戴頭戴式相機提供第一視角流，外置 RGB 相機提供第三視角流。前者作為策略訓練和部署時的觀測輸入，后者提供遮擋較少的視覺證據，用于恢復上肢和手部運動。

第一視角與第三視角同步采集裝置示意。

對比實驗顯示，這套純相機方案恢復出的人體關鍵點，穩定性反而超過了穿戴式動捕系統，后者在近距離雙手操作中會出現明顯的定位漂移，需要操作員反復補償和校準。

這說明，在近距離雙手操作場景中，純視覺恢復比昂貴的慣性動捕更穩定。采集數據的門檻，被徹底拉低了。

視頻采集完成后，系統以約每秒 20 幀的速度實時處理。先從第三視角視頻中追蹤人體，恢復上肢關節和手部關鍵點位置；再通過分階段逆運動學（Staged IK）求解器，將恢復的人體骨架映射到 PrimeU 的關節空間，生成 60 自由度的控制器對齊動作序列，最終輸出機器人可直接用于訓練和執行的動作塊（Action Chunk）。

在采集效率上，這套方案比遙操實現了 4.8 到 7.2 倍的原始演示吞吐量提升。換句話說，收集同等規模的訓練數據，人力成本和時間成本都可以大幅壓縮。

轉換出的人類動作，機器人能不能「看懂」？深度機智用只在人類轉換數據上訓練的動作分詞器，去重建從未見過的真機軌跡。結果，歸一化平均誤差僅 0.008，經正向運動學換算后的雙手末端誤差為 5.34 毫米，與純機器人數據訓練的 4.09 毫米處于同一量級。

人類動作與機器人控制接口之間的分布差異，被壓縮到了毫米級。這意味著，機器人可以像學習自身數據一樣，直接學習人類的動作經驗。

讓模型駕馭 60 個自由度

將人類示范轉化為機器人動作標簽之后，還需要一個能夠有效利用這些標簽的模型。

PhysDex 學習流程概覽。

深度機智開發了PhysDex，一套高自由度人形 VLA 策略。它直接預測關節空間動作塊，部署時無需在線求解 IK。但純關節空間監督會把 60 個關節當成獨立回歸目標，忽略它們通過運動學鏈共同決定腕部位置和指尖接觸幾何。

為此，PhysDex 引入雙空間分層運動學約束 DS-HKC，通過可微正向運動學層把預測動作映射到任務空間，在腕部位姿和十個指尖位置兩個層級施加幾何監督，無需任何額外標注。

消融實驗表明，在相同訓練預算下，加入 DS-HKC 約束的模型取得了更低且更平滑的訓練損失。腕部與指尖的幾何精度由此得到保障，學到的策略才能真正在真實硬件上執行。

高自由度 VLA 動作學習的訓練損失對比。FK 感知監督通過機器人運動學約束關節預測，從而降低訓練損失；在相同訓練預算下，基于 PhysBrain 初始化的 FK 感知模型取得了最低損失。

七項任務，全面勝出 GR00T

那么，機器人到底能不能干活？

深度機智直接進行真機驗證。以 1500 小時自采集的人類示范作為預訓練語料，全部經 Human-as-Humanoid 管線轉換為 60 自由度動作標簽，在七項雙手操作任務上與 GR00T N1.7 對比。

這七項任務分為兩類：套圈游戲、魔方包裝、疊杯子和倒水四項，僅使用人類示范進行目標任務后訓練，不引入任何目標任務機器人數據；體溫槍測量、擰燈泡和瓶蓋松動三項因涉及精細接觸和強硬件依賴，加入少量真實機器人數據作為錨定。

https://mp.weixin.qq.com/s/ljpogVzMsm5Nw9jpou5Zlg

結果顯示，PhysDex 在全部七項任務上都取得了更高的「階段 — 最終」綜合評分，且在純人類示范任務組中，優勢更為突出。

結語

自 2025 年公開人類學習路線以來，深度機智始終沿著這個技術邏輯持續推進。先讓機器人本體向人類對齊，再讓模型從人類第一視角視頻中建立物理認知，最后把這種認知轉化為機器人可執行的動作指令。

Human-as-Humanoid 正是這條路線的一大關鍵技術兌現。它證明了經過合理的本體設計和動作轉換鏈路，人類視頻中的動作經驗能夠直接進入機器人關節空間，成為可執行、可學習的訓練信號，無需目標任務的真機示范。至此，深度機智完成了從數據、模型和本體部署的全棧技術閉環。

從時間線看，這條路線具備明顯的前瞻性。深度機智公開三大技術判斷時，行業主流的數據來源仍是真機遙操作。不到一年，人類數據的價值已被全行業關注，而深度機智已經先行完成了本體、數據鏈路和模型的系統性建設，并拿出了真機驗證結果。

這個領先優勢還在擴大。接下來，深度機智計劃攻關遮擋、運動模糊等困難條件下的純第一視角骨架恢復，并通過生成合成交互視頻擴展數據規模。一旦高質量合成視頻也能進入這條鏈路，數據飛輪的轉速還會繼續提升。

Robot for AI 由此從一個口號，變成一套可復現、可檢驗、可迭代的工程方法。接下來真正要比拼的，是誰能把數據、模型和本體之間的飛輪轉得更快。就目前的進度而言，深度機智已經占據先發位置。

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

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