8B小模型，凭什么逼近GPT-6？中国物理AI跑通了一条“人类学习”的新路

你品品这组对比。

2026年，Robocurve做了一组机械臂测试。“积木放入碗”这种粗活，GPT-6 Astra做20次成功19次。但换成“把蓝色圆形拼图块对位插入凹槽”这种毫米级精细操作，GPT-6的成功率从95%直接掉到10%。

大模型能看懂世界，能干粗活。一碰精细接触、精准插入，全歇菜。

这是全行业的瓶颈。但一家成立才一年多的中国公司，交出了一份让巨头不得不正视的答卷。

9月9日，北京中关村，深度机智发布物理基座模型PhysBrain 1.5。8B版本在28项具身空间智能基准测试中综合得分72.5，位列所有参评开源模型第一。跟GPT-6 Astra的73.3、Gemini 3.6 Flash的73.0，差距收窄到1分以内。

更让行业震动的，是同时开放的2B版本——用十分之一的参数，拿下66.6分，直接超过了所有其他参评开源模型，包括8B的对手。

这不是参数竞赛，是路线竞赛。

PhysBrain 1.5背后，是一套叫“Physical Loop”的统一架构。把理解、动作生成、未来状态预测，全部焊进一个模型里。不搞“理解模型+动作模型+预测模型”的拼接，不设任务专属头。模型不仅知道“物体是什么”，还知道“哪个部位能操作、该怎么操作”，甚至能预判1秒后环境会变成什么样。

但最值得说的，是它选的路线。

过去两年，具身智能行业在端到端、仿真训练、遥操作三条路上各有押注。深度机智选了一条完全不同的路——“人类学习”。

逻辑很简单：训练大语言模型有数万亿Token文本，但机器人没有。人怎么拿杯子、开抽屉、打鸡蛋，这些动作每天发生无数次，却从未被系统数字化。

深度机智直接从人类日常操作中采集第一视角数据，建成了数十万小时级的人类第一视角数据集，覆盖全国十余个城市、数百个真实场景。

这条路线的前瞻性已经被验证。2026年，英伟达GR00T、Physical Intelligence π系列、Generalist AI陆续沿相似方向布局。而深度机智，是最早做出判断、最早完成全栈落地的团队。

分数只是结果。真正壁垒是，它已经跑通了从模型能力到本体验证的完整闭环。原始示范吞吐量达到传统遥操作的4.8到7.2倍，部分任务实现从人类数据到真机执行的零样本迁移。这是国内首次在全自研技术体系下，验证纯人类数据从训练到真机执行的完整路径。

商业上，全产品线已实现订单，累计签约数千万，是物理AI赛道落地最快的全栈公司之一。两个月内连续完成两轮数亿元融资。

物理智能的终局，不是一个会回答的模型，而是一个能在真实世界里感知、行动、不断自我修正的闭环。

PhysBrain 1.5标志着，在全球物理AI基础模型的竞争中，中国团队已经凭借“人类学习”路线和全栈布局，走到了第一梯队。

你觉得这条“人类学习”的路，能带着中国物理AI跑多远？评论区聊聊。

物理AI 具身智能 深度机智 PhysBrain GPT6 机器人 人工智能 中国AI 科技突围 大国博弈