当所有人都在往机器人身上堆传感器的时候，一家法国公司决定做减法。

7月8日，欧洲AI领军者Mistral AI正式发布其首款机器人模型Robostral Navigate，正式宣告进军“物理AI”赛道。这款80亿参数的视觉语言模型，能让机器人仅凭一个普通RGB摄像头和自然语言指令，在复杂空间中自主导航——不需要激光雷达，不需要深度传感器，不需要预建地图。

这不是实验室里的概念验证。在R2R-CE连续环境视觉语言导航基准测试中，Robostral Navigate在未见过的环境里取得了76.6%的成功率——比此前最好的单摄像头系统高出9.7个百分点，甚至超越了使用深度传感器或多摄像头的方案4.5个百分点。在已见环境验证集上，成功率更是达到79.4%。

怎么做到的？

核心是一套基于指向的导航机制。模型接收当前摄像头画面和历史指令，预测机器人下一步应该前往的图像坐标，以及到达时的期望朝向。当目标不在视野内时，它会回退到局部坐标系中的位移指令。这种纯视觉的接口设计让同一个模型能跨平台运行——轮式、腿式、甚至飞行机器人，不同相机内参和机身尺寸都能通用。

训练层面同样体现效率至上。Mistral完全在模拟环境中完成训练——约40万条轨迹，覆盖6000个不同场景。团队还开发了前缀缓存训练算法，通过树状注意力掩蔽将整集压缩为单序列，训练token数减少22倍，原本需要数月的训练压缩到几天完成。最后通过CISPO算法的在线强化学习阶段，又额外提升了3.2个百分点的成功率。

这不是Mistral第一次触碰工业场景。今年5月，公司已宣布与空客和宝马达成合作，共同推进先进制造领域布局。据彭博社报道，Mistral正在洽谈新一轮约30亿欧元融资，估值有望达到200亿欧元。

Robostral Navigate目前尚未公开模型权重供独立测试。但这款产品的意义已经足够清晰：当整个行业都在堆硬件的时候，Mistral选择用算法重新定义“够用”的边界。76.6%的成功率或许还不够完美，但对于仓储、物流、酒店等成本敏感的商用场景来说，一个摄像头加上一个8B模型——这套组合的性价比，正在改写物理AI的入局门槛。