WAIC能力分水岭：极智嘉4D大脑，让具身智能泛化与高效兼得

机器人不再停留于表演炫技，而是开始尝试进入真实工作流，这是本届WAIC具身智能展区一个值得关注的变化。

2026世界人工智能大会（WAIC）具身智能展区汇集了200多家具身智能企业，300多台真机同台竞技。而在众多技术展示中，具身智能的“落地应用”成为了最大看点。

作为这一趋势的集中体现，极智嘉展台成为了全场关注的焦点：现场直接打造了一个全流程自动运行的“无人仓”，人形机器人、移动机器人与专用工作站多机协同，完成搬运，供箱，拣选等多个任务。这也是本届WAIC少数同时检验泛化能力、作业效率与多机协同的真实工作场景。

“我们以通用人工智能为内核，以打造物理世界的‘通用机器人’与‘通用大脑’为长期目标。”极智嘉联合创始人、极智嘉具身智能科技有限公司CEO 陈曦表示。

围绕这一目标，极智嘉在WAIC发布了“一核双引擎”布局：“一核”是以Gravity为核心的具身智能框架；“双引擎”分别是数据引擎与生态引擎。换句话说，极智嘉在回答一个行业命题：怎样让机器人真正进入生产系统，并在持续干活中不断进化。

泛化能力与作业效率的完美融合

判断一台人形机器人在真实场景是否能真干活，干好活儿，有很多严格的指标，其中泛化能力和速度效率是关键因素。

Gino 1展示了对不同品类商品的泛化抓取能力。真实仓库场景下，商品SKU多达百万级，这些商品之间差异很大，无法依靠为每一种物品预先编写一套固定程序解决。机器人必须根据当前看到的物体形态、姿态和周围空间，临时生成操作策略。

此外，应对工作现场的动态变化也是考验人形机器人能否真干活的检验标准。

现场演示中，工作人员从随身包里随机取出未数采的商品，仍可稳定拣选，体现极强的泛化能力。

当异类商品突然被放入料箱，机器人需要重新理解场景，识别并避开非目标物体；当目标商品被人为反复移动，机械臂会持续追踪位置并实时调整运动轨迹；当微小商品紧贴箱壁、常规抓取路径失效时，机器人会改变策略，先将商品从边缘“扒”出，再完成抓取。

除了泛化性，如何兼顾效率也至关重要。当机器人进入仓库、工厂，如果抓取需要长时间停顿和推理，会直接影响成本与投资回报。

传统串行流程下，机器人往往是“抓完再转、转完再走、到位再抬手”，Gino 1采用全身并行控制，将移动、转身、抬臂和抓取等动作尽可能同步执行。根据官方数据，这种方式可将单任务作业时间缩短约30%。

Gravity 4D模型，让机器人长出“物理直觉”

Gino 1为何能在真实场景下做到泛化能力与高效率，背后是极智嘉自研的Gravity 4D WAM世界动作模型。

人形机器人要真正干活，必须理解三维空间里物体在哪、怎么运动、受力后会怎样。这正是当前具身智能面临的核心瓶颈。

主流世界模型大多脱胎于视频生成大模型，天然擅长预测“下一秒画面长什么样”，却不理解画面背后的物理规律。

Gravity 4D试图从底层逻辑上打破这种困境。它的核心思路是让模型从训练阶段就学习三维结构与物理运动规律。

具体来说，Gravity 4D在latent空间中同时学习三类信息：RGB外观、表征“物体位于何处”的三维空间结构（pointmap），以及描述“物体如何运动”的场景流（scene flow）。这三者构成“4D物理表征”。

Gravity 4D 总体架构示意

另一个关键设计是，Gravity 4D模型在训练时将多维度的物理表征“吃透”，但在真实推理时，并不需要显式去推理，而是基于已内化的隐性知识，以极简链路实时输出动作。

“深认知、快行动。”极智嘉具身大模型团队负责人陈超这样概括Gravity 4D的设计理念，“训练阶段把更多维度的表征注入进来，推理基于学到的隐性知识进行动作推理。”

这带来的直接收益是更快的推理速度和更好的泛化表现。在公开基准LIBERO-Plus的零样本测试中，引入4D表征后，主版本成功率从73.73%提升至78.62%，最优变体达到79.25%。

支撑这套模型逻辑的，是Gravity框架的“双脑协同”架构。认知脑负责理解指令、拆解任务，行动脑则像沙盘推演，让机器人具备了“先想清楚、再动手”的完整心智。

闭环，从模型到生产力的必经之路

在具身智能领域，模型的性能天花板，最终取决于数据的质量与规模。而真实世界数据的极度稀缺，恰恰是当前整个行业最大的瓶颈。

谁先建成持续产出高质量数据的训练场，谁的大脑就越跑越快、越干越聪明。

而极智嘉在过去十余年积累的场景纵深，早已构建数据壁垒，其业务已覆盖40多个国家，服务沃尔玛、阿迪达斯、西门子、宝马等950多家品牌。

“过去11年，极智嘉已经部署了超7万台机器人，也有数万台工作站在实际场景应用，每一个终端都是非常好数据获取点。”陈曦表示。

极智嘉选择仓储物流作为具身智能的训练场，也有其内在逻辑。

一个仓库里的商品数量可能就达到百万级，大小、软硬、重量、材质和包装形态各不相同。同一种商品也会因为堆叠、挤压、遮挡和摆放位置不同，形成完全不同的物理状态。对机器人而言，每一次伸手，都是在面对一个新问题。

可以说，仓储物流集齐了模型进化最稀缺的几个条件：高频的真实交互、绝对清晰的成败反馈、以及高度可迁移的底层操作能力。

陈曦认为，物流仓库是具身智能非常好的练兵场，在仓库里练出来的稳定抓取能力，本质上是一种“原子能力”。将这一能力击穿打透，未来能够迁移扩展到制造、商业零售等更广阔场景。

结语

具身智能正站在从实验室走向生产线的关键时刻。

当行业仍在争论技术路线的优劣时，极智嘉选择了一条更务实的路径：先锚定一个能够产生真实商业价值的高频场景，在持续干活中积累数据飞轮、迭代模型，再将能力底座向更广阔的场景迁移。

这条路或许不如技术Demo来得惊艳，但回答了一个更具分量的命题：具身智能如何真干活。

本文为「智能进化论」原创作品。