空着的那一格：四十八份公司档案，以及每一份到底共享了什么

2025 年 10 月 30 日，二十四位作者贴出一篇论文：一台宇树 G1 人形机器人和一台 Agilex 双臂机器人，做的是同一份订单——"I'm hungry and order a normal burger."，我饿了，来一个普通汉堡。这二十四人来自北京大学、北京智源人工智能研究院、中国科学院自动化研究所与北京航空航天大学。两台机器把这份订单拆开来做，依据的是同一份共享存储，作者称之为 STEM，一种时空—本体记忆（Spatio-Temporal-Embodiment Memory），它 "integrates spatial scene geometry, temporal event history, and embodiment profiles into a shared representation"，即把空间场景几何、时间事件历史与本体画像整合进一份共享表示。两具不同的身体，一份记忆，一件工作。

这是目前公开的东西里，最接近本站所说「没有人卖」的那一个。我们有两个页面各写着一句读者可以拿去证伪的话。智能体团队技术页说，在我们梳理过的四十八份公司档案中，"没有一家销售可供混合机器人机群近实时读写的现场级记忆"。价值所在页把它压成一句：没有人在销售共享的机器人大脑。承载这项工作的那些文章已于 2026 年 9 月 11 日下线。这里把它重新摆出来。

这个发现比「缺席」更窄。在现存的系统里，机器人机群共享的东西恰好是四样：模型权重，离线；意图与交通状态；运维数据；以及任务边界上的语言。第五格——一份混合团队在作业过程中读写的现场记忆——是空的，原因有两个，都是商业上的，不是技术上的。硬件厂商没有理由去建一个协调竞争对手机器的层，而手里有模型的公司不运营现场。

这次梳理是什么

2026 年 9 月 5 日，我们逐家把这个领域过了一遍：美国二十份，中国二十八份，共四十八份档案。背后是大约 120 次网络检索与 85 次全文阅读，落在 187 个公开来源网址上——美国那一轮 86 个，中国那一轮 101 个。给会数数的读者两条注记。这四十八份档案共涉及五十三家公司，其中四份合并了两到三家：Diligent 与 Serve、Dyna 与 Genesis AI 及 RLWRLD、Dorabot 与优艾智合（Youibot）、蚂蚁集团与蚂蚁灵波（Robbyant）[推断]。划分依据是研究批次，不是注册地。Dexmate 是一家圣克拉拉的公司，却在中国那一份文件里；Sharpa 总部在新加坡；RLWRLD 是韩国公司，坐在美国那一份文件里，也是唯一一个背后没有公开来源的名字。

美国这一轮：Figure AI、Agility Robotics、Boston Dynamics、Apptronik、1X、Tesla Optimus、Physical Intelligence、Skild AI、Google DeepMind、NVIDIA、Diligent Robotics 与 Serve Robotics、Dexterity AI、Field AI、Amazon、Gecko Robotics、Sanctuary AI、Generalist AI、Dyna Robotics 与 Genesis AI 及 RLWRLD、Locus Robotics、Symbotic。

中国这一轮：宇树（Unitree）、智元（AgiBot）、优必选（UBTech）、银河通用（Galbot）、傅利叶（Fourier）、小鹏（Xpeng）、小米（Xiaomi）、LimX Dynamics、Booster Robotics、星尘智能（Astribot）、乐聚（Leju）、Dexmate、众擎（EngineAI）、开普勒（Kepler）、斯坦德（Standard Robots）、新松（Siasun）、极智嘉（Geek+）、海柔创新（Hai Robotics）、普渡（Pudu）、擎朗（Keenon）、Dorabot 与优艾智合（Youibot）、自变量（X Square Robot）、蚂蚁集团（Ant Group）与蚂蚁灵波（Robbyant）、阿里巴巴（Alibaba）、字节跳动 Seed（ByteDance Seed）、智源（BAAI）、华为云 CloudRobo、Sharpa。

第一类：权重，离线

共享的是：一份策略检查点。时间尺度：数分钟到每夜一次。硬件前提：每份检查点对应一种本体。

有实测的那个范例是一篇论文，不是一个产品。《Learning While Deploying》是 arXiv 2605.00416，来自上海创智学院（Shanghai Innovation Institute）、智元 Finch 与哥伦比亚大学，2026 年 5 月 1 日。它让十六台智元 G1 双臂机器人一边采集回合数据，一边由一个中心学习器在这些数据上训练，并 "broadcasts the updated shared policy to the robot fleet every 50 training steps"，即每 50 个训练步向机群广播一次更新后的共享策略。机器人上的控制以 30 Hz 运行。在四小时的实际时钟预算内，这支机群跨八项真实任务、每项三到五分钟，采到约 60 机器人小时的在线数据，平均成功率 95%。

真正要紧的那一行是系统描述，不是结果："edge actors upload complete episodes, a centralized learner fetches versioned replay data."，即边缘执行端上传完整回合，中心学习器取用带版本的重放数据。回合上行，权重下行。这些机器人不共享任何地图、任何物体状态，也不共享对彼此的观测。我们找到的实测最好的机群学习结果，是一个上传—再分发的回路 [推断]。

在售的版本不公布机制：Figure 描述的是在充电坞上传、再分发策略 [9 月 5 日基线，本轮未重新核对]；Agility 公布的是 "regular software updates"，即定期软件更新。还有一处更正是我们欠自己笔记的：Figure 的双机案例是 2025 年 2 月 20 日最初那版 Helix，协同方式是 "through natural language prompts"，即通过自然语言提示，而两篇 Helix 文章都没有声称两台机器人之间零通信。那层意思是我们自己加上去的。

第二类：意图与交通状态

共享的是：每台机器人打算去哪里，外加电梯与门的状态。时间尺度：路径规划的秒级。硬件前提：每家厂商一个机群适配器。

Open-RMF——它进入新加坡公立医疗时叫 RoMi-H——是开放且已部署的范例，而它自己划了边界："All fleet managers that are integrated into RoMi-H must report the expected itineraries of their vehicles to the traffic schedule."，即所有接入 RoMi-H 的机群管理系统，都必须把自己车辆的预定行程上报到交通时刻表。行程、电梯、门。没有感知，没有物体地图，没有事件历史。RMF 是经纪方而不是大脑，是 "an intermediary to communicate and negotiate between standalone systems"，即在各个独立系统之间通信与协商的中间方，每支机群仍归各自的专有管理系统。Locus LocusONE 与极智嘉 RMS 交付的是同一个形状，共享的是工作状态，不是记忆 [9 月 5 日基线]。

学习版里规模最大的是亚马逊的 DeepFleet，而它不对外销售。论文 arXiv 2508.08574 描述了四种架构：Robot-Centric，9,700 万参数，在约 500 万机器人小时上训练；Robot-Floor，8.4 亿；Image-Floor，9 亿；Graph-Floor，1,300 万。它的指标是动态时间规整（Dynamic Time Warping）距离与拥堵延迟误差（Congestion Delay Error）。人人都在引的那个数字需要小心，我们自己的页面也在内。亚马逊的博客说，DeepFleet "will coordinate the movement of robots across our fulfillment network, improving the travel time of our robotic fleet by 10%"，即将协调其履约网络中机器人的移动，把机群的行程时间改善 10%；这句话所在的页面，宣布的是其第一百万台机器人、分布在 300 多个设施里。那句话是前瞻性的，而论文根本没有给出任何行程时间数字 [单一来源：亚马逊博客；这是预期，不是已发表的结果]。我们的智能体团队页已经是这样写的，这里是它背后的工作。

第三类：运维数据

共享的是：遥测、任务、地图与现场历史，经由一块人去读的面板。时间尺度：面板的刷新周期。硬件前提：厂商自己的机群。

这是唯一一类范例明确就是产品的。Boston Dynamics Orbit 是 "Shared orchestration and intelligence software for all your Boston Dynamics robots"，即面向你全部 Boston Dynamics 机器人的共享编排与智能软件。它给出 "a unified view of robot activity, site performance, and fleet health for Spot, Stretch, and eventually Atlas"，即对 Spot、Stretch 以及今后的 Atlas 的机器人活动、现场表现与机群健康的统一视图；而本地部署这个选项是实的：一台 1U 的 Site Hub。Agility 的 Arc "connects Digit to your existing warehouse automation—including AMRs and management and execution systems"，即把 Digit 接入你现有的仓储自动化，包括 AMR 以及管理与执行系统。两个页面都没有声称共享记忆或共享学习，也都没有说面板连不上时会发生什么。

Formant、InOrbit 与 Viam 卖的是同一个形状，且不依附任何一家机器人厂商。Formant 在外流传的那一个数字，约每台机器人每月 250 美元，出自一家竞争对手的对比文章 [二手：竞争对手的对比博客]；Formant 自己的定价页返回 404。在唯一一个已经成为产品品类的家族里，没有人公布价格。

第四类：任务边界上的语言

共享的是：一句话。时间尺度：交接的那一刻。硬件前提：两台机器人都能连到同一个云端模型。

Gemini Robotics ER 2 于 2026 年 7 月 30 日发布，在时刻定位上报告 91.3% 的准确率与 0.96 秒的平均绝对距离 [单一来源：厂商]。它的多机器人演示里，机器人用 "shared semantic understanding to handoff and complete complex tasks"，即用共享的语义理解来交接并完成复杂任务，平台是 Apptronik 的 Apollo 2 与一台 Franka F3 Duo。有两件事比这些跑分更要紧。它只在云端，且处于预览；而它的模型卡禁止用于 "healthcare, transportation, or other areas where safety protocols are vital, and a malfunction could reasonably foreseeably lead to death, personal injury, or property damage."，即医疗、交通，或其他安全规程至关重要、一次故障可合理预见地导致死亡、人身伤害或财产损失的领域。第一家想要这个东西的医院，按发布方自己的条款就拿不到。

优必选的 BrainNet 2.0 是人形机器人制造商里唯一的群体大脑主张，而它立在两份同出一源的新闻报道上。新浪财经 2025 年 7 月 24 日的报道说，BrainNet 2.0 与 Co-Agent "构成工业人形机器人的AI双循环体系"，机器人在其中是"动态节点"。2025 年 3 月 3 日一份付费发布的新闻稿把 BrainNet 称作 "a software framework for humanoid robot collaboration"，即一套人形机器人协作的软件框架，并且完全没有提到 2.0 [单一来源：两份新闻报道，同一出处]。没有架构论文，没有网络时延数字，没有说明 Walker 之间共享了什么，没有第三方验证。一个形状完全对的主张，背后没有挂任何证据。我们自己的产品页曾引用其中第二份，用作一个那份新闻稿里并不存在的例子；本周我们打开那个网址，发现它不在，于是把这个说法从两种语言的页面上都拿掉了。

运维数据

• Boston Dynamics Orbit仅限 Boston Dynamics 的机器人；可本地部署的 Site Hub
• Agility Arc围绕 Digit 打造；也能与第三方 AMR 对话
• Formant、InOrbit、Viam厂商中立；都不公布价格

意图与交通

• Open-RMF / RoMi-H行程、电梯、门——没有感知
• 亚马逊 DeepFleet亚马逊内部使用，不对外销售

权重

• Figure、Agility：机群软件更新已交付；未公布机制 [9 月 5 日基线]
• 智元 Learning While Deploying论文；16 台机器人，每 50 步一份新策略

语言

• Gemini Robotics ER 2仅云端，处于预览；模型卡禁止医疗
• 优必选 BrainNet 2.0两份新闻报道，同一出处；未公布架构

记忆

• RoboOS-NeXT / STEM，智源论文，2025 年 10 月；不销售，代码未发布

• 一个现场今天就能买到它，或者自己跑起来
• 买不到：属于某一家运营方内部、处于私有预览，或者只是一篇论文

四类之间的那个形状，比这四类本身更要紧 [推断]：越是从遥测往认知走，能买到的就越少。运维数据是一个有价目表的产品品类。交通是一个开放标准，加上亚马逊内部的一套系统。权重在卖，机制不公开。语言在私有预览里，并且排除医疗。记忆是一篇论文。

把第五格写成可以核对的样子

这是我们据以核对的定义，写在我们大脑平台页已经公布的那个层级上。一份现场记忆装四样东西：一张带物体恒存（object permanence）的融合场景图，使一台机器人看到过的东西，在没有任何机器人看着它的时候仍然是已知的；一份带来源的情景日志；现场的语义知识，即区域、例外处置规则与标准作业程序；以及一个带版本的技能库。

它必须在这四样之上保证三件事。面向多写入方的一致性规则，因为一份有多个作者的记忆不会优雅地退化，而是以四种特定的、有名字的方式失效——那是另一篇文章的主题。每台机器人上的一份本地副本，使这份记忆不会成为一台机器与它下一个动作之间的单点故障。以及一份公布出来的降级契约：共享记忆连不上时，机器人做什么、多快发现、停止做什么。

1. 它装什么

   带物体恒存的融合场景图一台机器人看到过的东西，在没有机器人看着它时仍然是已知的

   带来源的情景日志发生了什么，以及是哪台机器这么说的

   现场语义知识区域、例外处置规则、标准作业程序

   带版本的技能库是哪一项技能，以及跑的是它的哪一个版本

2. 它在这四样之上必须保证什么

   面向多写入方的一致性规则一份有多个作者的记忆会以四种有名字的方式失效

   每台机器人上的一份本地副本使这份记忆不会成为下一个动作之前的单点故障

   一份公布出来的降级契约记忆不再应答时，机器人做什么、多快发现、停止做什么

   本次梳理中没有任何一家公布第三条。RoboOS-NeXT 没有说 STEM 跑在云端还是现场；Gemini ER 2、Orbit、Arc 与 BrainNet 2.0 都没有公布离线行为。

这三条覆盖全部四样：箭头读作「覆盖」，不是「然后」。

诚实的那个例外

回到汉堡。RoboOS-NeXT 是这份语料里唯一可能证伪我们的东西。一个规划器坐在 STEM 之上，低层控制器在它之下。作者在三个领域里各评测 200 项任务，共 600 项。加机器人是有用的：每任务平均执行步数（AEST）从一台机器人的 34.8 降到三台的 14.7、五台的 8.5，而成功率从 76.6% 滑到 69.7%。混合团队也能跑：两台人形加两台四足达到 10.5 AEST、70.7% 成功率，一台人形加两台轮式为 16.2 与 72.5%。在没有注入错误的家居场景里，成功率为 89.2%。AEST 是步数，不是时长；把它当成秒来读的读者，上面每一个数字都会读错。

这些全部来自仿真。第 IV-A 节自己写着："we conduct experiments in a mock setting that abstracts away physical uncertainties and focuses on system effectiveness."，即我们在一个抽离了物理不确定性、只关注系统有效性的模拟设定中开展实验。真机的部分是单独一节，三个演示，平台是一台宇树 G1、一台 Agilex 双臂和一台睿尔曼（Realman）机械臂，没有试验次数，没有成功率，没有运行时长。论文标题里写着 "lifelong"，终身。在硬件上跑的是三个写好脚本的场景。

所以我们那句话里的那个词是「销售」，而它分三条成立。

没有人销售它。四家机构写了这篇论文，代码会落在智源的仓库里。智源是一家非营利研究机构，它的项目站点与 FlagOpen 仓库里没有任何产品、没有定价、没有支持。发布与否是智源的事，而智源没有发布。你也下载不到：公开仓库是 Apache-2.0 许可，里面只有 RoboOS 1.0 和 2.0，其中 2.0 的发布在它自己的路线图上仍然待定。STEM 和 NeXT 都不在里面，而截至 2026 年 9 月 11 日，项目页面也没有提到 NeXT。

那个仓库里究竟有什么，需要说清楚，因为顺着我们的链接过去的读者，会先看到它，然后才读到我们提它。RoboOS 项目页面把 1.0 描述为一个云端的具身大脑，带分布式小脑模块和 "real-time shared memory"，即实时共享记忆，而 1.0 的代码就在那里，Apache-2.0，今天就有。这是现存最接近证伪我们的东西，与其让人翻出来，不如我们自己点名。它够不着。它背后没有厂商——没有价格，没有支持，没有人可以打电话。2.0 在仓库里被描述为基于 Redis 主从存储的 "lightweight single-machine deployment"，即轻量级单机部署，至今仍列为未发布。下面那两条对它同样成立，一如对这里的其他一切成立：没有任何公开材料显示这两个版本中的任何一个，在混合团队上以现场规模连续跑过数周；两个版本也都没有公布降级契约。一个你可以克隆下来的框架是真东西，也比一份新闻稿值钱。它不是一家医院能买的产品，它也不是 STEM。

没有任何一个在混合团队上以现场规模跑过数周。论文里没有一次实验持续到小时、天或周；那个序列长度变量数的是任务，不是时间；没有披露任何运行时长。

也没有人公布降级契约。RoboOS-NeXT 没有说 STEM 跑在云端还是现场，也没有说记忆连不上时机器人做什么；这一点我们专门找过。Gemini ER 2 没有公布离线行为。Orbit 交付一台本地的 Site Hub，却仍然没有说这台 hub 宕机时一台 Spot 会怎样。Arc 没有公布。优必选没有公布。这一条限定在本次梳理里的这些系统。

有人造出了一份共享的机器人记忆，并在三种真实机器人平台上做了演示。你买不到它，你能下载到的代码是另一套更小的系统，它从未在混合团队上以现场规模跑过数周，而它和这里的任何一个产品，都没有说记忆消失时一台机器人该做什么。

这一格为什么空着

第一个原因不是我们的推断。它由那个不得不绕开它来做事的联盟自己公布：Open-RMF 的常见问答在解释为什么每家厂商都保留自己的机群管理基础设施时说，厂商 "may view it as an unacceptable liability to share computing resources with another vendor."，即可能认为与另一家厂商共享计算资源是一种不可接受的责任风险。这就是那个论点，由写下变通方案的那些人，作为一项工程约束陈述出来。

产品页面在自己的第一行里又说了一遍：Orbit 面向 "all your Boston Dynamics robots"，即你全部的 Boston Dynamics 机器人；BrainNet 讲的是 Walker 机群的故事。每一个都是多买这家厂商硬件的理由，而不是去协同同一条走廊里竞争对手机器的理由。

Agility 的 Arc 是那个部分的例外，我们应该说出来：上面我们引过它，而我们自己的智能体团队页说它能与 MiR 和 Zebra 的机群对话。它的完整句子是 "connects Digit to your existing warehouse automation—including AMRs and management and execution systems"，即把 Digit 接入你现有的仓储自动化，包括 AMR 以及管理与执行系统——而 AMR 恰恰就是别家厂商的机器人。但要读它的方向。Arc 是把别家的机群接到 Digit 上；它没有提出替它们保管记忆。当与竞争对手的机器对话能让自家机器人更有用时，一家厂商是会去对话的。托管那台机器用来思考的那份存储，是另一种提议，而这一种没有人提。

第二个原因是，手里有模型的公司不运营现场。Gemini ER 2 不能本地部署，并且排除医疗。Physical Intelligence 与 Skild 是合作伙伴准入且不可自托管 [9 月 5 日基线]；Skild 的 S1 页面提供的是早期使用权，没有定价，也没有任何关于经验能在机器人之间迁移的说法。NVIDIA 的机群叙事是训练、仿真与负载编排，没有已交付的运行时机群记忆产品 [9 月 5 日基线，本轮未重新核对]——这是这里最弱的一条，也是要证伪本文时第一个该去看的地方。智源发论文，而它没有发布这份代码。

写稿当天，我们重新核对了其中易失效的那部分，对着三个索引：The Robot Report 的信息流、DeepMind 的博客与 Physical Intelligence 的博客。2026 年 9 月 5 日至 11 日之间，三者都没有出现共享记忆或机群大脑的产品发布。DeepMind 自 2026 年 7 月起没有再发布机器人方面的内容，Physical Intelligence 自 2026 年 4 月 16 日的 π0.7 之后也没有，而 Skild 的 S1 发布于 2026 年 8 月而不是 9 月——9 月那一条是 NVIDIA 写它。一周之内零条发布，而这件事会在没有预警的情况下不再成立。

我们在做什么，以及我们不声称什么

Tidewell Crew 尚未交付，现场记忆服务仍在设计中。空着的那一格是一个梳理结果，不是对我们已经填上了什么的描述，而我们页面上的时延数字，在旁边出现测试日期之前都是设计目标。

能建这一层的不止我们。我们所声称的是：在卖它之前，我们会把它必须保证的东西写下来——那四样内容、一致性规则、每台机器人上的副本，以及本次梳理中没有任何一家公布的降级契约。

最后这一条，才是该拿去问厂商的问题。不是问他们的机器人是否共享一个大脑——从现在起所有人都会说是。要问的是：共享记忆停止应答之后的九十秒里，一台机器人会做什么；要一份书面的答复；再问现场那些不是他家的机器会怎么样。四十八份档案看下来，其中五份我们读得足够细，能替它们回答这个问题，而这五份里没有一份拿得出这份文件。这道门槛只有一段话那么高——我们自己的那一段已经在智能体团队页上，而它的数字在旁边出现测试日期之前都还是设计目标。这一对文章里的下一篇，讲的是当有人真把它写下来时，会有什么东西坏掉。