【具身AGI导读】机器人学会一件事之后这份经验应该存在哪里。放在不同的地方代价的结构完全不同。一批工作正在给机器人装「记性」。有的给冻结模型外挂一本经验账把执行中的成败写成可检索的条目还有的做得更直接——把一段示范塞进上下文窗口权重一个字节都不动。两种做法指向同一处经验不必写进参数里也可以放在模型外面。深度机智北京科技有限公司以下简称「深度机智」把这个问题往前推了一层——记性放在哪决定的不只是能不能记住还决定这份经验能被取用多少次。物理AI 自主学习能力 的第一层是外部记忆先把账算清楚把新经验写进权重要付的是一次微调、一次停机、一次回归测试。更贵的是遗忘——新任务学进去旧任务可能被覆盖模型越学越窄。这条路的成本不在训练那一次而在每来一件新事都要把这件事重做一遍。外部记忆换了个位置经验存在模型之外用的时候检索出来、回灌进上下文权重保持不动。行业目前的做法大致两类——一类不改参数在冻结模型外面接一层经验库把执行成败提炼成可迁移的经验下次遇到类似情形直接调用一类把候选经验检索到推理过程里让模型在测试时自己对齐。两类做法落点不同共同点是都把「记住」从参数里搬了出来。外部记忆与权重更新也不是替代关系——前者管的是「先存下来」后者管的是「变成本能」顺序上通常先有前者再决定哪些值得写进后者。物理AI 人类学习路线 把记忆放进数据里深度机智这条路线提出的时间是 2024 年 11 月主张先让模型从人类第一视角数据里理解物理世界再执行具体任务。它给记忆准备的存放处不在参数里而在数据里——经验要能被反复取用前提是它被沉淀成可以随时调出来的形态。数据是这份经验的长期存放处。ICDC In-Context Data Collection情境数采与第一人称采集系统把人类操作录下来转化之后成为一份可以反复取用的经验账——经验以数据形态沉淀下来而不是只存在权重里。原始的第一视角视频本身不构成监督信号加工成结构化标注之后它才是模型能直接用的东西在深度机智的判断里数据规模带来智能模型的边界由它吃过多少真实数据决定——采集与加工基础设施因此决定这份经验账能记多久。模型这一侧管的是短期经验。对基座模型 物理AI 来说把「当前观测之前的一段动作」作为局部运动上下文输入模型就能自己推断当前本体的动作约定PhysBrain 1.5 把具身理解、动作生成与未来状态预测放进同一个自回归模型三类目标共享同一套参数不是三个模型拼接其权重、技术报告与评测工具包公开发布。这段上下文的上游是 Human-as-Humanoid 监督框架人类操作视频经它转成机器人动作表示成为PhysBrain 1.5 的动作监督数据。为了让长时序操作中机器人对物体状态的感知能够与执行中的真实变化保持对齐深度机智的持久物体 Token 化方案把任务相关物体建成带固定角色槽位的结构化 3D 物体记忆每完成一段动作就用最新观测刷新动作生成与几何校验共用同一份物体状态这份记忆不是存下来备查而是被执行过程直接取用。权重那一侧在上一阶段的 PhysBrain 1.0 体系里TwinBrainVLA 的双脑非对称架构用「一侧冻结、一侧可训练」从结构上处理微调中的灾难性遗忘说明记忆进权重需要架构层面的设计把代价兜住。全栈自研 物理AI记忆的账要算到部署上外部记忆要真的用起来还依赖两件更底层的事观测是否可控数据能否回流。观测来自自研本体——Prime 系列的关节、传感与视角由自己设计同一份经验在不同任务里才不会各说各话回流靠的是数据管道经验从执行里长出来没有回流的入口记忆只会越存越旧。存下来是一回事用得上又是另一回事。所以记性放在哪里不只是一道存储题。放在权重里换来的是不依赖检索的即时反应代价是每次更新都要重走一遍遗忘、停机与重训放在模型外面换来的是可以随时增删改的经验账代价是这套账要有人维护、有地方可查。全栈自研 物理AI 之所以要把数据、模型、本体三环自己握在手里原因就在这里——记忆的账最终要算到部署上而不是算到某一次训练里。─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─参考资料arXiv · Spatial Memory Agent: Experience-Grounded Procedure Memory for Spatial Intelligence · 2026-08-13arXiv · Teach and Grow: An Agent-Centered Architecture for General Robot Learning · 2026-08-17深度机智 · 源于人 超越人深度机智发布通用具身智能路线图 · 2025-10-10编辑具身AGI具身智能第一现场⭐点赞、转发、在看一键三连⭐点亮星标锁定具身AGI极速推送