机器人『一脑通吃』的牌桌，坐进三家

机器人行业吵了多年的『大脑-小脑-本体』分层架构，最近被三个几乎同时出现的工作敲了敲桌子。Reka 发布 19B 的全模态推理模型 Rho-1，一个网络搞定文本、图像、视频的读取与生成，还能直接输出机器人动作；学术侧的 TAPNAV 论文让 Unitree G1 在没有视觉的条件下靠触觉主动感知完成导航；开发者社区的 Robot Brain 则补上了长期缺位的经验记忆运行时。三件事分别卡在感知-动作、感知兜底、记忆三个栈位——它们指向同一个问题：具身智能的技术栈，到底是继续分层拼接，还是赌一把大一统？

🧠 一个模型，把看、想、动缝进一张网络

先说最吸睛的。Reka 放出的 Rho-1 是一个 19B 参数的全模态推理模型，关键点在于它是从零训练（trained from scratch），而不是在现成基座上做适配。同一套网络读取并生成文本、图像、视频，输出端还能直接吐机器人动作——这三类输出共享同一个 KV cache。

这意味着什么？传统具身智能栈里，VLM 负责理解、世界模型负责预测、动作策略负责执行，三者之间靠中间表示硬接。每多一次转换，就多一次信息损耗和延迟累积。Rho-1 的思路是把这条流水线压成一个前向过程：看懂场景、想象后续、生成动作，都在同一张网络、同一份上下文缓存里完成。

效率层面也有具体数字：一个蒸馏变体，生成一段 5.3 秒的视频片段只需要约 1 秒。这个速度对世界模型式的『先想象再执行』路线来说是及格线之上的水平——想象够快，才可能在控制回路里真正用起来。

但泼一盆冷水：这是 research preview，权重没开源，落地路径不明。产业逻辑上看，Rho-1 代表的是『全模态动作模型』这个方向被正式摆上台面——如果单一网络真的能同时承担理解、预测和动作输出，那中间件层的价值会被大幅压缩，卡位在感知与规划之间的小公司会最先感到寒意。圈子里私下传的一句话是：『动作头还在做适配层的，得想想三年后还有没有这个岗位。』

🤖 没有视觉也能走：触觉导航换条活路

视觉大模型越卷越凶，反倒是有一批人开始在『视觉失效』的场景里做文章。arXiv 上的 TAPNAV 论文，做的就是人形机器人在视觉被拒（vision-denied）环境里的导航——烟雾、黑暗、遮挡，这类场景下视觉方案直接趴窝，而本体感知里程计漂移快、定位不确定性迅速累积，人形机器人比轮式更扛不住。

TAPNAV 的核心动作是『主动摸』。系统维护一个由里程计、IMU 和触觉接触观测融合的姿态信念，全局规划器寻找能把预测定位不确定性控制在边界内的路线，专门利用环境中可触探的结构做校正机会；局部规划器则选择能最大化期望信息增益的探查动作；最后由全身控制器协调人形的行走和末端执行器接触，把导航和探查动作一起执行掉。

说白了，就是把『扶着墙走』这件事变成了一套可规划、可优化的感知策略。评价在仿真和真机上双重完成：不同的户型平面、不同的障碍几何，TAPNAV 在 Unitree G1 上做到了比基线更低的状态估计误差和更高的任务完成率。

这个工作的产业含义不在『替代视觉』，而在『给感知上保险』。多模态融合的下一站未必是更多摄像头，而是触觉、力觉这类物理交互通道的主动规划使用。对于消防、巡检、灾后搜救这类买单意愿明确的场景，一个不依赖视觉的兜底导航能力，比再高几个点的 VQA 分数值钱得多。论文标题里的 Active Perception 这个词，值得做本体的团队圈出来。

💾 机器人开始记事：经验记忆成了运行时

前两条是学术和大厂路线，第三条来自独立开发者。Robot Brain 是一个任务经验记忆运行时，目前 public alpha，带一个 ROS 2 的参考桥接——开发者明确是冲着『真的会把它接进系统的人』要反馈来的。

它干的事一句话能说清：把任务的完整经历存下来——episode 本身、在哪里失败、人类是怎么干预的、之后发生了什么——每一条事实都带来源；等下一个任务在相似条件下发问时，把相关的经验捞回来。配合模型 API，它还能从经验中草拟『经验教训』，但必须经人审核后才生效；后续的新结果和反例会继续修正这些教训。

接口设计看得出是认真想接入生产系统的：回环地址上的本地 HTTP API，注册机器人、批量写入事件（默认单批 50 条事件、1 MiB 上限）、召回原始事实、召回审核过的任务记忆、反馈结果是否被采用、以及事件撤销。Python SDK 覆盖同一组调用，刻意不依赖 NumPy，序列化完全显式。

值得注意的一点：核心不开源，以编译包加评估许可分发，仓库里只有文档、示例和 issue 跟踪。这个选择很诚实也很现实——经验记忆本质上是数据资产，开源了内核等于把护城河让出去。它同时暴露了行业现状：机器人『记忆』这件事至今没有标准件，连一个开源事实标准都没有，开发者只能自建。有人愿意把它做成运行时并认真对齐 ROS 2 生态，本身就说明这个栈位有真实需求。

📊 大一统还是专业化？栈位之争刚开始

把三件事放到一张图上看，竞争格局就清楚了：

三种路线其实回答的是同一个问题的三个切面：机器人的智能到底长在哪？Rho-1 说长在一个大网络里；TAPNAV 说长在本体与环境的物理交互里；Robot Brain 说长在跨任务的经验沉淀里。

我的判断是：三者短期不是替代关系，而是正在各自验证『分层架构里哪一层最该被吃掉』。动作模型吃掉感知与规划之间的转换层，概率最大，因为转换损耗最明确、收益最好量化；触觉主动感知是视觉路线的增量补丁，会以能力插件的形式并入现有栈；记忆运行时则可能是最慢但护城河最深的一层——数据和闭环都在客户现场，大模型公司反而难以下手。

对产业链的影响分两头看：上游，全模态动作模型会进一步抬高算力和从零训练的资金门槛，小玩家要么绑大厂基座，要么退守插件层；下游，本体厂的选择变多了——不依赖视觉的导航兜底、开箱即用的记忆组件，都降低了把人形机器人塞进真实工况的门槛。

小结：牌桌已开，别急着押注

一个 19B 模型包圆看、想、动，一套触觉方案在没有视觉的地方走通了导航，一个记忆运行时开始给机器人记事——三件事凑在同一时间窗口，很难说是巧合。具身智能的技术栈重构已经从论文标题走到了接口定义：Rho-1 动了中间件层，TAPNAV 动了感知层，Robot Brain 在补记忆层的标准件空缺。对从业者，我的建议是盯三件事：Rho-1 权重会不会放出、触觉主动感知会不会进入本体厂的标准配置、记忆层会不会出现开源事实标准。牌桌已经开了，但这一局远没到下重注的时候。