（问题）具身智能从实验室走向规模化应用，长期面临两道“硬门槛”：一是高质量数据难获取、成本高，二是模型真实物理世界中的泛化能力不足。过去较长时间，行业多依赖仿真数据与规则驱动策略，但仿真与现实存在偏差，加之场景复杂多变，常导致模型“学得快、用不稳”。随着产业界对“物理世界智能”的关注升温，如何构建面向真实世界的训练数据与统一范式，正成为影响赛道进展的关键因素。 （原因）近期，“第一视角数据”路线受到资本与产业关注。一上，具身系统需要将视觉、触觉、动作等多模态信息与人类操作逻辑对齐，而第一视角数据更贴近人类物理环境中的感知与决策过程，有望降低从“看见”到“会做”的迁移成本。另一上，端到端大模型对数据规模与质量高度敏感，数据越接近真实任务分布，越可能带来可复用能力提升。业内普遍认为，硬件迭代加速的同时，“数据范式”正在成为新一轮竞争的分界线：谁能以更低成本、更高密度沉淀真实数据，谁就更可能在通用能力上率先建立优势。 （影响）因此，深度机智的融资进展与模型发布引发市场关注。记者了解到，该公司作为中关村学院与中关村人工智能研究院孵化的首家具身智能企业，近期与多类型资金方密集对接，有关融资在2026年前三个月集中推进，规模达数亿元。3月27日，公司在中关村论坛发布PhysBrain 1.0，提出以“人类第一视角”数据实现零真机轨迹预训练的模型范式，并称在多项国际评测中取得领先成绩。业内人士认为，这传递出两点信号：其一，资本对具身智能的判断正从“概念与本体”转向“数据与模型”，投资更看重可验证的技术闭环；其二，围绕真实数据采集、处理、标注、训练的工程体系，将成为企业从“展示能力”走向“交付能力”的关键。 （对策）从行业发展看，破解数据瓶颈不能只靠扩大采集规模，更需要标准化的全链路能力与可持续的成本结构。深度机智表示，已搭建自研数据处理管线，覆盖采集、处理、标注到训练全流程，并在较短时间积累了规模化的人类真实数据与高质量第一视角多模态数据，综合成本明显下降。多位受访投资人士指出，具身智能的数据建设不仅比“量”，更比“密度、标注一致性、任务覆盖面”；同时，数据治理、隐私合规与安全使用规则也需同步完善，避免“先跑起来、后补制度”带来长期风险。对产业而言，应推动科研机构、平台型企业与场景方形成协同机制，促使数据格式、评测体系与任务定义逐步走向可比、可复用，降低重复建设成本。 （前景）随着通用模型与机器人本体、传感器、控制系统加速融合，具身智能有望在工业分拣、仓储物流、家居服务、危险作业辅助等领域率先实现规模化落地，但短期仍需经历“能力验证—场景试点—工程固化—规模复制”的爬坡阶段。未来竞争将更集中在三上：一是能否持续获取高质量真实世界数据并形成闭环迭代；二是能否在复杂开放环境中实现稳定泛化与安全可控；三是能否与产业链上下游形成协同，建立可持续的交付与运维体系。业内预计，围绕“第一视角数据”与“物理世界数字基座”的探索将更增多，具身智能或将从单点演示走向体系化能力建设，进入由数据、模型与场景共同驱动的新阶段。
深度机智的探索为人工智能与实体产业结合提供了新的思路；在全球科技竞争加剧的背景下，这类面向长期投入、强调自主创新的路径具有参考意义。接下来，如何把技术优势转化为产业优势，并持续保持创新能力，将是企业需要回答的新问题，也将成为观察我国人工智能产业走向的重要切面。