机器人导航追平人类，靠的不是眼睛

机器人导航第一次在基准上追平了人类——但拆开看技术栈，站在C位的不是那个8B大模型，而是一套类似操作系统的调度框架。同一周，另一篇论文让Unitree G1在完全看不到东西的房间里，靠手摸墙走完了导航任务。再把时间轴拉长，iRobot联合创始人Rodney Brooks那句被反复引用的"The world is its own best model"（世界是它自己最好的模型），正在从异端言论变成具身智能的隐性共识。

三件事撞在同一时间窗口，不是巧合。它意味着具身智能的竞争焦点，正在从"谁的模型更大"转向"谁更会利用世界本身"。

📈 90.43对90.4：一次小数点后的追平，含金量在哪

先看最抓眼球的成绩。论文NavGPT-3在视觉语言导航基准RxR-CE上做到了90.43的成功率，而人类跟随者在这一项上是90.4。路径保真度上，机器人的nDTW是78.47，人类是77.7——机器人反超。这是自主智能体第一次在该基准上达到人类水平。

更值得玩味的是速度。人类走完一个episode大约3分钟，机器人只用了1分22秒。快不是目的，但快说明系统不是靠反复试探和回退堆出来的成功率，而是真的在做连贯决策。

但注意表格里的第二列：单独一个8B的NavGPT VLA动作策略，在RxR-CE上只有78.19。加上那层"harness"之后，直接跳到90.43。也就是说，这一波人类水平的提升里，大模型只贡献了一部分，另一大块来自运行时架构——用论文自己的话说，是一个OS-like的runtime，推理、行动、监控以线程形式各自持有上下文、工具和权限，由运行时调度谁控制机器人运动，并通过中断和线程切换应对突发状况。

业内流传一句话：具身智能的上半场卷底座模型，下半场卷中间件。NavGPT-3算是给这句话补了个脚注。

🔌 19.28M样本与8B参数：够用，且必须够用

很多人第一反应是：才8B，够吗？

论文给出的答案是，底座动作用策略NavGPT VLA在19.28M条样本上训练，模型采用codec allocation方式按场景变化比例分配视觉token——场景动得多，就看得多、看得细。这套设计背后是一个很实际的约束：机器人在真实环境里跑，端侧算力和延迟都是硬约束，模型必须把算力花在刀刃上。

这张图的本质是分工：长程推理、知识泛化交给语言模型，稠密低延迟控制交给动作策略，中间由运行时做仲裁。这在工程上并不新颖——工业机器人的实时控制一直就是这么分层的——但把它和LLM推理、中断机制、线程权限管理这套现代软件工程范式缝合起来，确实是把"具身智能系统"从论文架构往工程产品推了一步。

据熟悉具身智能落地的开发者反馈，实验室里95分的模型上不了产线，问题往往不在模型，而在系统没有处理"世界突然变了"的机制。NavGPT-3的线程切换设计，恰恰是在补这一课。

🖐️ 摸黑走路的G1：触觉是被低估的真值来源

如果说NavGPT-3解决的是"看得见时怎么走"，那TAPNAV解决的是一个更狠的问题：完全看不见时怎么走。

火灾现场浓烟弥漫、矿井巷道粉尘弥漫、仓储货架间的视觉死角——这些场景里摄像头基本报废，而人形机器人靠里程计+IMU推算位置，漂移会快速累积，走着走着就不知道自己在哪了。

TAPNAV的思路是把"摸墙"变成正经的感知手段。系统维护一个由里程计、IMU和触觉接触观测共同驱动的位姿置信度，全局规划器专门挑选那些"途中有机会伸手校正定位"的路线，把不确定性控制在有界范围内；局部规划器则实时选择信息增益最大的探测动作——用末端执行器去触碰周围结构，摸一下，定位误差就收敛一分。全身控制器负责协调行走和触碰。最终在仿真和Unitree G1真机上验证：状态估计误差更低，任务完成率更高。

注意这个闭环里没有摄像头，也没有大模型。它验证的正是Brooks那个判断：环境本身就是最好的模型。墙就在那里，扶手就在那里，与其在模型里重建世界，不如直接去问世界。

一位做移动机器人导航的工程师私下吐槽过：室内导航最贵的不是算力，是真值。视觉SLAM怕光照变化和纹理缺失，激光雷达又贵。触觉便宜、抗干扰、永远在线——过去只是没人认真把它当传感器用。

💡 从异端到共识：Brooks这句话的产业分量

把时间线串起来看，会更清楚这一轮转向的来路。

Rodney Brooks当年挑战的主流范式，本质上是两种世界观的分歧：一种认为要在机器人内部构建足够精细的世界模型，另一种认为物理世界本身就是最高保真的模型，机器人的聪明体现在与它实时互动的方式上。过去几年，算力和大模型的东风让前者占了上风，"端到端"三个字几乎成了政治正确。

而现在，风向在变。NavGPT-3的成绩证明分层架构没有过时，反而是把大模型喂给人类水平的关键；TAPNAV证明在传感器失效的极端场景下，直接利用物理交互比堆模型更可靠。两条路径殊途同归：都在承认模型有边界，也都找到了模型之外的补强手段。

这不意味着大模型不重要。恰恰相反，NavGPT-3里那个8B VLA是整个系统跑起来的地基。产业真正的变化在于评价标准：投资人开始问的不是"模型多大"，而是"失效模式是什么、兜底机制在哪、真值从哪来"。这才是能谈落地的问题清单。

对创业者，这里藏着一个不那么性感但更确定的机会窗口——具身智能的中间层。运行时调度、多模态置信度融合、安全兜底，这些东西模型公司不愿做、整机厂做不精，却是决定产品能不能出实验室的最后一公里。NavGPT-3的开源式消融研究和TAPNAV在低成本平台Unitree G1上的验证，等于把这条路的技术可行性贴在了公告栏上。

小结

机器人导航追平人类的同一天，另一台机器人正在黑暗里摸墙找路。一个是分层系统与大模型的组合拳，一个是彻底抛弃视觉的触觉方案——看起来相反，内核一致：承认模型的边界，转而向物理世界要真值。Brooks三十年前那句话，正在变成具身智能的工程实践。下一阶段的竞争，不在参数表上，而在系统架构图里。谁能把"世界即模型"做进产品，谁就先摸到物理AI的门槛。