机器人为什么要拟人？终于有人正确回答了

今年 6 月 1 日，机器在英伟达 GTC 台北大会上，人为人终人正黄仁勋正式发布了 Isaac GR00T 人形机器人参考平台。什拟该平台搭载真人尺寸机身，机器集成灵巧手、人为人终人正感知模块与本体计算能力，什拟并向全球研究机构开源。机器

英伟达的人为人终人正意图十分明确：通用物理智能的研究，亟需一个统一且接近人类形态的什拟载体。

作为全球算力与 AI 生态的机器定义者，芯片巨头亲自下场为 AI 铸造躯体，人为人终人正标志着「机器人本体即 AI 基础设施」这一理念正式纳入其核心路线图。什拟

过去二十年，机器机器人产业遵循「先造机器、人为人终人正后装大脑」的什拟线性逻辑。如今，这一逻辑正在被颠覆。身体服务于智能，本体为 AI 而生，这条被称为 Robot for AI的路线，正成为具身智能领域的关键共识。

同月，深度机智在此路线上取得了突破性验证成果。

6 月 30 日，深度机智团队发布论文 Human-as-Humanoid。他们在自研拟人机器人 PrimeU 上，实现了在零目标任务真机示范数据的情况下，仅凭从人类视频中提取的动作监督信号，零样本完成了倒水、放环、装袋、叠杯等复杂真实操作任务。

• 论文链接：https://arxiv.org/pdf/2606.32009
• 项目链接：https://zgc-embodyai.github.io/Human-as-Humanoid/

都在喊 Robot for AI，为何难以落地？

具身智能当前的最大瓶颈在于数据。

机器人习得动作需要海量的「观察 - 动作」配对数据。目前主流采集方式仍依赖遥操作，即人员佩戴设备逐条「教导」机器人。然而，真机遥操存在速度慢、成本高、安全约束多、场景单一等结构性缺陷。为突破此瓶颈，智元机器人在上海建立了超 4000 平米的数据采集工厂，行业正以重资产模式对抗数据短缺。

因此，越来越多团队将目光转向人类本身。人类日常演示了最丰富、最自然的操作行为，若能将其直接转化为机器人训练数据，将根本性解决数据瓶颈。黄仁勋早在 2024 年便指出，下一代机器人极可能是人形的，因为拟人构造能获取更多模仿训练数据。这一判断使 Robot for AI成为行业高频词。

然而，讲清概念易，构建可运行、可验证、可持续迭代的工程闭环难。核心难点在于数据、模型与机器人本体能否真正咬合：
1. 人类视频仅有画面和动作，缺乏机器人可执行的动作标签；
2. 人与机器人在体型、关节结构、手部形态、自由度及视角上存在巨大差异；
3. 任何环节的对齐偏差，都会导致人类数据仅停留在「辅助模型理解世界」层面，无法转化为机器人的实际操控能力。

早在去年十月，深度机智便公开回应了这一挑战，提出了通用具身智能的核心发展路线：
* Action-Centric Modeling（以动作建模为中心）
* Human-Centric Data（以人类数据为起点）
* Robot for AI（为 AI 设计机器人本体）

这三项技术判断构成了完整的系统性战略，且目前均已由深度机智自主兑现。放眼全行业，敢于提前公开核心技术判断并全部自主落地的公司，深度机智几乎是唯一案例。

这条路线的内在逻辑被深度机智定义为「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；机器人本体则是承接这些数据的关键基础设施。

本体的角色由此发生根本转变：它不再仅仅是展示终端，而是 AI 训练、迁移和验证过程中的核心基础设施。

跑通闭环，需过四关

拆解 Human-as-Humanoid，其核心回答了四个层层递进的问题：
1. 身体设计：如何最小化人类数据的迁移误差？
2. 数据转换：如何将人类视频转化为机器人可直接训练的动作标签？
3. 模型驾驭：模型如何控制 60 个自由度，将标签转化为稳定的操作能力？
4. 真实验证：学到的能力能否在真实物理世界中执行？

一、为 AI 设计身体

关于「人形机器人为何要像人」，行业常以「适应人类环境」作答，但多数公司仍沿用「为机器人装大脑」的思路——先有本体，再适配算法。

深度机智倒置了这一顺序：先定义 AI 所需的身体，再设计本体。在「人类学习范式」下，既然使用人类数据作为预训练语料，身体越接近人类，动作经验的迁移误差就越小。

去年 9 月，深度机智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，并推出高自由度轮式拟人机器人 Prime U及教育版 Prime Lite。目前 Prime 系列已进入量产和商业交付阶段。在拟人体概念的提出与落地进度上，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，其设计目标直指最小化人类数据在物理层面的迁移误差。

深度机智参照 ANSUR II 人体测量数据库，以第 50 百分位男性身体参数为基准：
* 肩宽比例：0.97
* 臂展至中指指尖可达长度比例：1.02
* 手掌长度比例：1.00

这种刻意的尺寸对齐确保了：人类日常操作可达区域，PrimeU 基本覆盖；人类抓握几何形状与机器人手部几何形状保持在相近尺度。

此外，机器人头部和腕部搭载与策略部署时完全相同的 RGB-D 相机，确保训练与部署阶段的视觉观测一致性。

PrimeU 硬件规格：
* 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
* 一个 3 自由度腰部
* 总计 60 个自由度

二、把人的动作，变成机器人的动作

拥有结构对齐的本体后，下一步是将人类视频转化为 PrimeU 可训练的动作标签。

数据采集创新：
深度机智摒弃了昂贵的惯性动捕设备，采用纯视觉方案：
* 第一视角：操作者佩戴头戴式相机，提供策略训练和部署时的观测输入。
* 第三视角：外置 RGB 相机，提供遮挡较少的视觉证据，用于恢复上肢和手部运动。

第一视角与第三视角同步采集装置示意。

对比实验显示，在近距离双手操作场景中，纯视觉恢复的人体关键点稳定性优于穿戴式动捕系统。后者易出现定位漂移，需频繁校准。这意味着数据采集门槛被大幅降低。

动作转换流程：
1. 系统以约 20 FPS 实时处理视频。
2. 从第三视角追踪人体，恢复上肢关节和手部关键点。
3. 通过分阶段逆运动学（Staged IK）求解器，将人体骨架映射至 PrimeU 关节空间。
4. 生成 60 自由度的控制器对齐动作序列，输出机器人可直接训练的动作块（Action Chunk）。

效率与精度验证：
* 效率提升：该方案比遥操实现了 4.8 至 7.2 倍的原始演示吞吐量提升，大幅压缩人力与时间成本。
* 精度对齐：使用仅在人类转换数据上训练的动作分词器重建未见真机轨迹，归一化平均误差仅 0.008，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被压缩至毫米级，证明机器人可像学习自身数据一样，直接学习人类动作经验。

三、让模型驾驭 60 个自由度

将人类示范转化为动作标签后，需具备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（Vision-Language-Action）策略。它直接预测关节空间动作块，部署时无需在线求解 IK。

技术挑战：
纯关节空间监督易将 60 个关节视为独立回归目标，忽略其通过运动学链共同决定腕部位置和指尖接触几何的特性。

解决方案：双空间分层运动学约束（DS-HKC）
PhysDex 引入 DS-HKC，通过可微正向运动学层将预测动作映射至任务空间，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，保障了腕部与指尖的几何精度，使策略能在真实硬件上有效执行。

高自由度 VLA 动作学习的训练损失对比。FK 感知监督通过机器人运动学约束关节预测，从而降低训练损失；基于 PhysBrain 初始化的 FK 感知模型取得了最低损失。

四、七项任务，全面胜出 GR00T

机器人能否真正干活？深度机智进行了真机验证。

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。

任务分类：
1. 纯人类示范组（套圈游戏、魔方包装、叠杯子、倒水）：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。
2. 混合数据组（体温枪测量、拧灯泡、瓶盖松动）：涉及精细接触和强硬件依赖，加入少量真实机器人数据作为锚定。

• 详细评测视频：https://mp.weixin.qq.com/s/ljpogVzMsm5Nw9jpou5Zlg

结果：
PhysDex 在全部七项任务上均取得了更高的「阶段 — 最终」综合评分。尤其在纯人类示范任务组中，优势更为显著。

结语

自 2025 年公开「人类学习路线」以来，深度机智始终沿此逻辑推进：
1. 让机器人本体向人类对齐；
2. 让模型从人类第一视角视频中建立物理认知；
3. 将认知转化为机器人可执行的动作指令。

Human-as-Humanoid是这一路线的关键技术兑现。它证明：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可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。

从时间线看，该路线具备显著前瞻性。当行业主流仍依赖真机遥操作时，深度机智已先行完成本体、数据链路和模型的系统性建设，并拿出真机验证结果。

这一领先优势正在扩大。未来，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进入链路，数据飞轮的转速将进一步提升。

Robot for AI由此从一个口号，转变为一套可复现、可检验、可迭代的工程方法。接下来的竞争焦点，在于谁能让数据、模型和本体之间的飞轮转得更快。就当前进度而言，深度机智已占据先发位置。

• 来源参考：
• https://x.com/clankrmedia/status/2073414138907197600
• https://blogs.nvidia.cn/blog/nvidia-open-humanoid-robot-reference-design/