两种模式
Solo 是单台机器人不依赖网络的本地完整执行。Crew 是现场网络内的每台机器人共享一份受治理的记忆，像一个团队那样行动。Solo 是一等状态而非备用方案：失去链路的机器人继续以较小的规划器与保守的交通规则工作。Crew 在网络之上增加智能，从不接管控制环、安全功能或操作策略。
什么运行在哪里
- 伺服环与全身控制 — 机器人上 — 500 至 1,000 Hz
- 安全监控：急停、地理围栏、速度与间距 — 机器人上 — 100 Hz，10 毫秒内
- 操作策略，3B 级视觉语言动作模型 — 机器人上 — 10 至 25 Hz
- 感知与场景图 — 机器人上 — 1 至 10 Hz
- 本地规划器，7 至 8B 模型 — 机器人上 — 每秒 40 至 80 token
- 情景采集 — 机器人上 — 1 Hz
- 经 Open-RMF 的机群调度 — 现场服务器 — 100 毫秒至 1 秒
- 现场记忆服务 — 现场服务器 — 读取 1 秒以内
- 任务规划器与校验器，30 至 70B 模型 — 现场服务器 — 每次调用 0.5 至 3 秒
- 技能库、每夜微调 — 现场服务器 — 小时级
各自为什么在那里：
- 伺服环与全身控制：硬实时。从不经无线。
- 安全监控：标准假定安全在本地。实测 5G 急停路径尾部达 100 至 150 毫秒。
- 操作策略：在 Jetson Thor 上实测。服务器端策略在实验室更快，在无线尾部时延下不安全。
- 感知与场景图：Solo 所需。
- 本地规划器：每几秒一步推理。更大的模型会与策略争抢 Thor 的内存带宽。
- 情景采集：带位姿与时间的描述写入本地索引，滚动 30 至 60 分钟。
- 经 Open-RMF 的机群调度：交通、电梯、门与任务分配。
- 现场记忆服务：多写入方的一致性需要单一权威。
- 任务规划器与校验器：在任务边界或异常时调用。无法与策略并存于机器人上。
- 技能库、每夜微调：检查点带版本固定推送，从不在任务中途。
三种记忆
核心记忆是现场的身份，小到可以固定在每个规划器的上下文中，只能经人工审核关口修改。短期记忆是实时共享的世界状态，每台机器人写入并在本地保留副本。长期记忆是带来源的情景历史、从中提炼的知识与技能版本，在现场服务器上整合。机器人的提议只有经指定人员批准才进入核心记忆，这与 Tidewell 其余部分所采用的"智能体团队加人工关口"模式一致。
四种失效模式从一开始就被纳入设计：跨范围泄漏、过期传播、矛盾残留与来源丢失。我们将连同自身结果发布一个小型的多写入方机器人记忆基准。
契约
断链检测两秒内。自动降级为 Solo，无需人工。重连后仅追加同步，机器人从不阻塞于上传。没有策略与安全功能在机器人之外运行。不在任务中途推送检查点。这些数字列在 Tidewell Brain 规格表中，并随测试完成从设计目标变为实测值。
起点
我们不从零训练基础视觉语言动作模型。NVIDIA 的 GR00T 以商业许可发布，Physical Intelligence 的 π 模型开源，阿里、蚂蚁等也开放了可在 Jetson 级算力上运行的规划器与策略。基础层已是通用件。我们的预算投向基于客户现场数据的后训练、记忆与协同层，以及安全。
最后一公里
基于部署数据的任务专项后训练，才是跨越经济门槛的关键。我们销售的任何任务，目标是 95% 无干预成功率，并公布数字。现场采集的纠正进入下一轮训练，并经人工关口进入机群的记忆。
我们不作的声明
不会通过无线网络在机器人之外运行操作策略。权重不会在机群间实时更新；机群学习以分钟到每夜为周期。机器人上不会运行 700 亿参数的模型。策略上下文不会保存整个班次；记忆在外部并按需检索。没有跨站点的全局大脑。技术栈中任何位置都不使用华为昇腾。
算力
双足机器人用 Jetson Thor T5000，轮式操作机器人用 T4000 并提供 Orin 降本版本，三者共用一块载板。训练在我们位于新加坡的自有 GPU 上进行。我们保持干净的股权结构，没有中国最终母公司，也没有控股的中国战略投资者，确保训练硬件与现场服务器的获取不成问题。我们向投资人明确说明这一点。