1.2 亿参数、20 瓦、8 路视觉：复旦这台「旦宝」没把模型做大，而是把问题改小了
主流的具身导航大模型在数十亿参数这个量级，常常得靠离机推理。复旦和极目天舒的「旦宝」报出来的是 1.2 亿参数、20 瓦以内、8 路视觉输入、端侧实时。它省下来的不是算力，是把「走」和「抓」归成了同一个问题的红利。
- 三项参数同日公开：视觉空间智能导航模型约 1.2 亿参数，20 瓦以内功耗支持最多 8 路视觉输入，端侧实时运行，不依赖预建地图与预设程序。
- 对照组是数十亿级：报道明确指出，当前具身智能导航大模型参数规模多为数十亿级，算力要求高，部分方案依赖离机推理，难以直接部署在现有机器人本体上。
- 真正的变化在建模方式：团队把机器人的各类运动统一归纳为「导航」问题——移动是「把本体导航到目标位置」，抓取是「把指尖导航到目标物体附近」。
- 它解决的是行业一个老毛病：很多机器人行走与抓取用两套不同系统，数据一致性差、成本高；「旦宝」用一个大脑指挥全身运动。
- 研发方：复旦大学未来信息创新学院与极目天舒团队联合研发，团队负责人张天资；报道场景为在上海举办的中国国际工业博览会现场。
- 已开始横向适配：跑腿取送、巡检、农业、清洁等多类机器人正在对接；团队的下一段路径写的是「自主行走 → 自主完成任务 → 理解意图」。
这条新闻如果只看标题，很容易被归到「又一个能自己走路的机器人」。但报道里真正值钱的是三个数字，以及数字背后的一次问题重定义。
报道给的传统路径有三种：遥控、预编程、预先建图。这三种方式的共同点是——环境得先被人理解一遍，机器人才动得了。换个厂房、挪一批货架、来一群观众，就得重新建图或者重新编程。
「旦宝」被放在工博会现场做演示，恰恰是因为这种场合最不适合建图：人流是随机走的，展台位置天天变，没有一张「昨天的地图」可以用。报道的描述是「没有预先设置好的地图，不靠手柄遥控，仅凭眼睛就能自主找路、主动避让行人」。
这三项能力对应的技术栈其实是分开的：地图、定位、避障、路径规划。把它们压进一个端侧模型里，代价通常是参数膨胀。而这次报出来的参数是 1.2 亿。
判断：参数从数十亿降到 1.2 亿，靠的不是量化、蒸馏这类压缩手段，而是把要预测的东西换了。这一点很关键——压缩是在同一个问题上省成本，换问题是让问题本身变小。后者能带来的收益，通常比前者大一个量级，但风险也更高：换错了，整套模型就白训。
报道里团队负责人张天资的原话是，把机器人的各类运动统一归纳为「导航」问题：移动是将本体导航至目标位置，抓取等操作则是将指尖导航至目标物体附近。
这句话听起来像文字游戏，实际是建模上的合并。原本「走到桌前」和「抓住杯子」是两个任务，输入不同（全身位姿 vs 手部近景）、输出不同（底盘速度 vs 关节角）、评价指标不同（到达误差 vs 抓取成功率），所以工程上通常训练两个策略，再由上层调度拼接。
| 环节 | 两套系统的常见做法 | 统一成「导航」之后 |
|---|---|---|
| 状态表示 | 全局地图 / 局部视觉，两套坐标 | 统一为「本体或指尖相对目标的位姿」 |
| 动作输出 | 底盘速度、机械臂关节角 | 同为「朝目标收敛的位移序列」 |
| 训练数据 | 导航数据与操作数据分开采 | 可共用同一套「到达」样本 |
| 失败模式 | 切换点容易出错，接口处状态不一致 | 只有一种失败：没到达 |
报道提到「很多机器人抓取和行走用两套不同系统，存在数据一致性差、成本较高等问题」，这正是合并带来的直接好处：数据只需要一致一次，不用在两个系统之间对账。
判断：这个思路的边界也很清楚。它统一的是「到达」，不是「作业」。抓住杯子之后要拧开盖子、要倒水、要把杯子放回原位且不碰倒旁边的瓶子——这些属于任务层的顺序与力控，不在「导航」的语义范围内。所以这条路的天花板不在导航精度，在从「到达」到「完成」之间那道坎。团队自己把路径写成「自主行走到自主完成任务，再到理解意图」，说明他们也清楚这三段不是一回事。
报道给的功耗是「20 瓦以内」，可支持最多 8 路视觉输入。
把这两个数放在机器人本体的语境里看：一台四足或轮式平台，行走本身的功耗通常在百瓦到千瓦量级；20 瓦的感知计算开销，意味着大脑不会挤占运动系统的电量预算。对一个 8 小时班次的机器狗来说，感知多耗 100 瓦，续航就要少掉一到两成。
这也是「离机推理」为什么在实验室之外难落地：把视觉流回传到边缘服务器，延迟是一回事，断网是另一回事。巡检场景里最常见的工况就是——地下管廊、变电站、隧道，信号本来就不稳。
判断：端侧 20 瓦的价值不在技术炫技，在于它把「机器人能不能在没有网络的现场自己决定往哪走」从可选项变成了默认项。这一条对做巡检、管廊、农业、清洁这些「现场没 Wi-Fi」的行业，比参数表上任何一行都实用。
报道没有给、但对判断这条路线成色最重要的三个数：
一是连续运行时长与失败率。「稳定运行」是一个定性词。展会现场跑两小时和管廊里跑八小时，是两种难度。
二是 8 路视觉的实际配置。8 路是上限还是常态，直接决定了这套方案的成本——每多一路相机，就多一份标定、一份同步、一份故障点。
三是适配到别的本体上，参数要不要重训。团队说正在与跑腿取送、巡检、农业、清洁等多类机器人开展适配。如果每换一个本体都要重训一遍，那 1.2 亿参数的「小」就被摊薄了；如果能零样本迁移，那才是真正的杠杆。