作者：彭堃方
编辑：吕鑫燚
出品：具身研习社
GPT-6 Astra出现后，具身智能行业重新审视起自己的边界。通用模型开始展现生成机器人动作、参与导航和操作的能力，围绕“大模型会不会吃掉具身智能”的讨论迅速升温。一个更直接的问题随之摆到桌面上：物理AI被打穿了吗？
至少到今天，答案还没有那么简单。
离身智能切入具身智能，中间绕不开机器人本体、运动控制和真实场景中的积累。已有评测展示了Astra在任务理解、目标纠正与决策上的潜力，也揭示了它在精细接触、动态控制和连续执行中的困难。虚拟世界里形成的智能，正在获得进入物理世界的入口；真正跨过这道门，还要面对摩擦、碰撞、负载、时延，以及每一次动作产生的实际后果。做这些事情，OpenAI会和所有具身智能公司一样去重头做起。
这也让近期云深处科技密集发布的一系列研究值得关注。围绕自研具身大脑DEEPRobotics-Brain，云深处科技集中披露了世界模型DR-WM-1.0、具身基础模型DR-VLA-2.0、具身智能体DR-Agent、策略优化框架DR-APO和数据闭环平台DR-Benchmark五个方向的成果。六篇论文共同勾勒出一套覆盖物理预测、导航与操作、动态记忆、策略优化和数据评测的具身大脑架构，也让云深处科技长期积累的系统研发能力进入集中爆发的阶段。
云深处科技正在把机器人本体、运动控制和真实场景中的积累，转化为具身大脑的研发能力。它所布局的，已经包括理解、预测、执行、记忆、训练和评测等多个环节。随着这些成果相继公开，其具身大脑DEEPRobotics-Brain的研究架构正变得格外清晰。行业也有必要重新认识，真实世界里的经验，如何参与下一阶段智能能力的竞争。当通用模型加速进入物理世界之际，这种连接本体、控制与智能算法的完整架构，正成为云深处科技参与下一阶段竞争的重要底气。
01丨六篇论文 展现大脑完整拼图
理解这组论文，可以先从机器人面前的一段路说起。一条覆盖积雪的坡道，视觉上或许没有明显障碍，机器人也知道目的地在哪里，但继续向前是否会打滑、绕行能否更快抵达，都需要对行动后果作出判断。识别出“这是一条路”，距离决定“我应该怎样走”，还有一段需要物理经验填补的距离。
世界模型 DR-WM研究的正是这段距离。它把地形几何、接触属性和真实机器人动作反馈结合起来，让物理仿真参与未来运动的预测，再由预测出的运动引导未来画面的生成。这样，模型对未来的想象就有了更具体的依据：机器人在这块地面上发出这样的动作指令，身体可能产生怎样的响应。
DR-WM 的整体流程与不同接触条件下的运动表现
这类能力的价值，最终体现在决策上。在论文设置的90个挑战场景中，获得DR-WM辅助的8B视觉语言模型，在六项动作选择指标中的五项超过了没有该辅助的32B模型。它提供了一个有启发性的结果：在物理任务中，补上与行动直接相关的预测能力，能够显著改善判断。模型规模之外，机器人对自身与环境关系的理解，同样决定智能的有效性。
机器人还需要学习如何与人共享空间。行人突然转身、前方车辆停下、狭窄通道需要等待，这些情况涉及对场景变化和他人行为的理解。全部依靠机器人逐条采集，成本高，覆盖也慢。具身基础模型DR-VLA 因此把目光投向互联网中的人类第一视角视频，尝试将其中丰富的导航经验转化为机器人可用的知识。
DR-VLA 方法概览。
左侧为人类第一视角视频，中间为三个专家及机器人数据，右侧为未来场景表示与预测轨迹。人类视频提供理解与预测监督，机器人示范进一步提供动作监督。
这项研究使用约1万小时经过整理的互联网视频，以及2000段遥操作机器人训练片段。人类视频帮助模型学习场景结构与变化，机器人数据进一步把这些理解落实到可执行的动作。通过这种分工，真实机器人数据的价值变得更加明确：它承担着经验落地的关键一步，让通用知识适配机器人的视角、运动方式与任务要求。论文中的消融实验也显示，互联网视频预训练确实带来了导航评测表现的改善。
视线再从机器人脚下移到手上，原子运动坐标大模型AMC（Atomic Motion Coordinate）关注的是指令与动作之间的关系。在熟悉的场景里，机器人可能沿着已经学会的动作习惯继续执行，人的指令却没有充分改变它的行为。AMC通过建立具有明确几何含义的基本运动单元，加强语言与动作之间的联系，并让力反馈参与接触过程中的动作调整。
原子运动控制器（AMC）及其力驱动扩展模块总览
这种研究直接关系到机器人是否好用。用户要求换个目标、改变方向，机器人需要及时响应；插接和擦拭过程中遇到阻力，也需要随接触情况调整。论文中，未见过的水果布局任务平均归一化进度由微调基线的60.5%提高到87.8%，加入力反馈后，插接与擦拭任务的进度进一步改善。导航与双臂操作同时进入这组研究，也让云深处科技的大脑布局有了更宽的任务范围。
当机器人开始长期工作，新的问题还会继续出现。昨天看到的物品，今天可能已经被挪走；出发时作出的判断，抵达时可能已经过期。具身智能体DR-Agent所依托的EvolvingNav导航框架把时间引入空间记忆，结合历史记录预测目标在检查时可能出现的位置，再根据新观察修正判断。记忆由此能够更有效地服务于查找、重新规划和失败恢复，为机器人在变化环境中的持续运行提供支持。
DR-Agent导览图
最后是模型学习能力的核心问题。现阶段，具身智能不再是有无模型，而是比拼模型成长曲线到底有多陡峭。关于这方面，云深处科技提出的首个表征解耦的通用生成式策略强化学习框架DR-APO探索可适配不同策略表示的优化方法，在真机导航测试中，将经过后训练的NavDP成功率由25%提高到65%。
DR-APO将优势引导目标改进与适配策略表示的动作拟合，
从连续控制验证到具身导航后训练
与此同时，云深处科技还推出DR-Benchmark数据闭环平台，其核心数据集LynxScenes则汇集山猫系列轮足机器人采集的833.6小时、3294.7公里真实运行记录，在同一套数据上支持导航、感知、未来预测和场景重建评测。它们分别为能力改进提供训练方法和检验依据，补上了具身大脑研发中长期需要的基础工作。
LynxScenes 总体框架，涵盖真实机器人采集、多模态观测、空间与行为标注，以及四项下游任务
至此，云深处科技的大脑拼图成果已然清晰：世界模型提供满足物理规律的未来预测，基础模型研究指令驱动的导航与操作，智能体引入动态记忆，策略优化和数据平台支撑能力迭代。这些研究共同构成DEEPRobotics-Brain的技术布局，让云深处科技对具身大脑的探索，同时覆盖机器人如何完成任务，以及整套能力如何持续改进。
02丨物理世界积累 具身大脑结果
这轮成果的集中爆发，最值得我们思考的是，云深处科技正在把过去与机器人可靠行动紧密相关的积累，进一步用于解决智能判断和自主执行的问题。过往，不少人只看到其优秀的机器人平台和控制能力，眼下DEEPRobotics-Brain的整体架构则展示出这些积累的内在连续性：本体与控制支持真实交互，真实交互为预测、决策和学习提供依据，多项研究共同服务于机器人的自主作业。
世界模型需要知道真实动作会产生什么结果，导航模型需要完成对机器人视角与动作空间的适配，评测数据需要记录传感器信息、机器人状态和连续轨迹。这些研究都依赖与物理世界的直接联系。机器人本体提供交互的载体，运动控制让动作能够稳定执行，真实环境则不断暴露模型尚未处理好的问题。
此前谈论具身智能时，人们只会想到各种技术标签的模型，能够看到其本身也包含硬件，并更关注产品性能、制造与交付已是稀缺。如今，这些本体、运控与真实场景还展现出另一层价值：它们能够支持企业提出研究问题、获得反馈，并验证新的智能方法。云深处科技这组成果提供了具体例子，说明硬件、控制与模型之间可以形成持续的相互促进。机器人的价值，也因此延伸到了智能能力的形成过程中。
当然，经验不会自行变成模型能力。这里真正需要投入的，是把经验整理成数据，把现场问题抽象成研究课题，再把算法结果带回机器人上检验。六篇论文能够覆盖模型、优化方法和评测体系，说明云深处科技正在建设这种转化能力。它希望掌握的，既包括当下可用的技术，也包括让技术持续改进的方法。
更值得关注的是其研发组织方式。理解、预测、动作、记忆各有作用，训练和评测贯穿其中，云深处科技的具身大脑围绕同一类真实作业需求，同时推进这些方向，相较于围绕单项能力分别优化的思路，这种系统布局更有条件兼顾各环节的衔接，为整体任务表现负责。
这也赋予云深处科技更大的技术主动性。通用模型继续进步，企业可以吸收其中更强的语义与推理能力；面对物理执行中的具体问题，又能够依靠自己的平台、数据和算法开展适配。外部模型的进步与自身研发的积累由此可以相互促进，持续增强机器人完成任务的能力。
03丨物理AI 需要扎在现场的研发能力
回到GPT-6 Astra引发的讨论，通用智能向物理世界扩展，正在促使行业重新判断哪些能力具有长期价值。语义理解与推理能力的进步令人振奋，机器人与环境之间的交互也需要同样扎实的研究。对接触、运动和时间变化的处理，将直接影响智能能否兑现为实际生产力。
云深处科技具身大脑的整体架构，体现出鲜明的真实作业导向，即让智能接受执行结果的检验。未来画面是否符合真实运动，语言是否有效改变动作，记忆能否帮助找回目标，后训练能否提高导航成功率，这些问题都具有明确的验证对象。它们体现出一种与产业需求紧密相连的技术价值观：对真实作业中发生的结果负责。
在这样的研究取向下，产业经验的作用会更加突出。企业越接近实际运行，就越有机会观察到标准任务之外的困难，也越有条件判断哪些改进真正重要。把这些问题带入算法研究，再通过实验形成可复用的方法，能够让现场经验产生超出单次项目的价值。
这也为理解云深处科技的行业位置提供了更完整的视角。此次成果展示出它在本体、控制与智能算法之间协同研发的能力，尤其在户外移动、机器人与地形交互、真实数据评测等方向，形成了鲜明的研究特色。云深处科技的角色正在进一步延伸：既是机器人产品的提供者，也在参与具身智能关键方法和研究基础的建设。
上文说的DR-Benchmark数据闭环平台及其核心数据集 LynxScenes，尤其体现了后一层价值。轮足机器人拥有特殊的观察高度、运动条件和人机交互距离，需要与自身任务相匹配的数据与评测。把真实平台上的经验整理成统一基准，并规划公开数据和工具，有机会让更多研究团队围绕相同的问题开展比较与改进。企业的现场积累由此能够进一步服务于行业的共同探索。
物理AI仍有大量需要攻克的问题，也正因如此，能够持续进入现场、获得反馈并推进研究的企业，拥有值得重视的长期价值。云深处科技这样一家进入真实场景、扎根物理世界的企业，正在把这些条件组织成更加完整的具身大脑研发能力，为下一阶段物理AI面临的内外竞争打下坚实基础。
更进一步地说，放到整个具身智能行业的竞争格局中，DEEPRobotics-Brain展现出的系统优势，是将智能决策、物理执行与持续学习纳入同一套研发架构。世界模型让决策有未来依据，导航与操作模型让理解落实为行动，动态记忆支持长期任务，策略优化和数据评测则为能力持续提升提供方法与尺度。这套布局同时着眼于机器人“能否完成任务”和“如何越用越好”，为从单项能力突破走向复杂场景下的自主作业奠定了系统基础。
更有分量的是，云深处科技拥有本体、运控与真实场景的长期积累，能够把大脑研发中的假设放到真实机器人上验证，再将执行中的问题带回模型与训练体系。这种贯穿算法、机体与现场的研发能力，构成了云深处科技具有辨识度的竞争壁垒，也使其有实力参与具身智能核心能力与技术路径的定义。随着行业竞争深入，能够持续打通这些环节的企业，将更有条件把模型进步转化为可靠的产品能力，云深处科技正在占据这样的关键位置。
总之，通用模型为机器人带来了更强的理解与推理能力，真实世界则不断提出新的要求。未来的竞争，将越来越考验企业能否把两者接起来。云深处科技此次集中释放的DEEPRobotics-Brain系列研究成果，给出了积极信号：机器人与物理世界打过的交道，正在成为智能继续向前生长的基础。
