作者｜Li Yuan
编辑｜郑玄
WAIC 的现场，从来不缺会「表演」的机器人。有的模型惊艳，有的本体漂亮，有的会整活，一个比一个吸睛。
可看得多了就会发现，这些机器人看起来无所不能，很容易让人以为机器人已经什么都能干了——其实远不是这么回事。真到了要动手干活的时候，就会发现，稍微偏离设定好的环境，机器人又愚蠢了起来。
不过，今年的 WAIC，我们也开始看到另一种机器人的诞生——真正干活的机器人。极智嘉，就是其中很亮眼的一个。
它在展台上复刻了一整套真实作业场景：展现多 SKU 泛化能力，先是抓取了许多对于机器人来说很难抓的物品——充气量不同的袋装薯片、透明包装的面包、边界模糊的毛绒玩偶，都能一抓一个准。而将物品分拣后，它还能抱起料箱搬运，和移动机器人组队编成一列，端到端高效作业。
能把泛化能力与作业效率同时放进真实作业场景、端到端跑通全流程，极智嘉交出了一份有代表性的答卷，获央视新闻报道。
它拿出来的这套模型，并不是在跟着眼下大热的、只在画面层面做预测的世界模型路线走——按极智嘉自己的说法，它比当红的世界模型还要再往前几步。
通过让模型学习 4D 表征——即三维空间（物体在哪）再加上时间维度（物体怎么动），Gravity 4D 让模型更多地依据三维结构和运动、而不是画面表象来做判断，于是在换光照、换视角、换商品的真实扰动下，展现出更稳的泛化。
机器人真正能干活之后会怎样？
极智嘉希望把机器人真正推进工厂，并设计了一整套战略。
这套战略，极智嘉称之为「一核双引擎」。一核，是 Gravity 具身智能框架，那颗懂物理、能干活的大脑；双引擎，一个是数据——把真实作业里攒下的经验回流给大脑，让它越用越聪明，一个是生态——工厂里的活，一家干不完，于是极智嘉敞开门，把上游做大脑的、做本体的公司都请进来，一起交付。
这两年，展示机器人已经够多了，行业急需一个是能走进工厂、把活干下来的机器人。极智嘉想做的，正是抢先迈过这道门槛的人。
01
参考第五代模型，
比大热的世界模型走得更远
要理解 Gravity 4D 站在什么位置，得先看清这两年具身智能的技术潮水往哪里流。
一个明显的趋势，是从 VLA 转向世界模型。
极智嘉首席科学家赵昊分享了自己对变化的理解：这些模型是按「依据什么来理解世界」一级级往上走的。第一代是纯语言模型，第二代的 VLA 基于语言和图片视觉；第三代的世界模型基于视频，多出了时间维，于是能往前推演一段未来。
而目前，学术界正在尝试更进一步。第四代将把模型升到基于三维，让模型知道物体在空间里的真实位置；第五代在三维之上再加时间，学习 4D 表征，连物体怎么运动也一并纳入。
而极智嘉此次发布的模型，就是在第五代真正成熟之前，抢先把其中对拣货最有用的这层 4D 表征摘了出来，做成了 Gravity 4D，才在此次 WAIC 上，完成了这么好的拣货效果。
主流世界模型大多在 RGB 像素层预测未来画面，能生成一段看着合理的视频，却保证不了物理上的一致。因为预测出的机械臂，可能在生成的视频里看着像是碰到了物体，实际根本没有形成接触；物体运动看着流畅，却可能违背重力和遮挡的规律。在视频生成里，这只是穿模的小瑕疵；在真实仓库里，它就是摔坏的商品和撞损的设备。
Gravity 4D 想补上的，正是画面背后那层「物理」。它的做法，是让模型在预测未来时，不只生成画面，还同时学会两样东西：物体在三维空间里的确切位置，以及它们正朝哪个方向、怎么运动——这两样合起来，就是所谓的「4D 表征」。
难点不在于「要不要让模型懂三维」，而在于「怎么让它懂」。赵昊透露，团队起初试过一条更省事的路子：主体模型基本不动，只在旁边额外挂一个分支，专门去预测三维信息。
这就像让一个只顾着把画面画好看的学生，画完之后再单独填一张表、标一下每个物体离自己多远——表是填了，可他看世界的方式一点没变，那点三维知识始终是挂在外面的附加题，回不到他真正下笔的判断里。结果自然是「并没有特别有效果」。
真正见效的，是回到第一性原理、做「原生融合」：不再让三维当附加题，而是把它和画面信息揉进同一套训练里，从一开始就一起学。
相当于让这个学生打草稿时，手里的每一笔就自带三维刻度——他理解「物体长什么样」和「它在空间的哪里、怎么动」，本就是同一件事。三维不再是事后补的一张表，而是长进了他看世界的方式里。也正是这一步，让模型的泛化能力真正提了上来。
这条弯路，在公开基准 LIBERO-Plus 上得到了印证：Gravity 4D 相比基线整体提升约五个点，而增益最集中的三类扰动——相机视角、光照、传感器噪声——恰恰只改画面、不动底层的三维结构。模型能在这些地方顶住，正说明它学到的是结构和运动，而不是画面本身。
这一点对落地的意义，比跑分更实在。极智嘉大模型团队负责人陈超提到：当你要把成百上千台机器人铺到现场，很难保证每一台的传感器都装在分毫不差的位置，也很难保证每个仓库的光照都恒定——过去这些差异，都得靠一遍遍采数据、重新微调来抹平，而 4D 模型从底层就把它消化掉了。
02
不只会秀 demo，追求落地
为什么要格外看重落地？因为极智嘉的模型从一开始，就是奔着走进产业去设计的。
在极智嘉看来，一个模型要能持续变强，就得靠服务真实产业来积累数据，再用这些数据反过来喂出更好的模型。
而真实产业里最值钱的，是实验室里怎么都造不出来的意外，业界也叫它 corner case，它们才是让模型真正变强的关键。
机器人要走的是同一条路，只不过它面对的意外更琐碎、也更防不胜防：一件商品被挤到料箱角落、一层透明包装反光晃了相机、上一次抓取顺手把整箱货带得移了位。这些状况没法预先设计，只能在真实作业里一次次撞见，再一次次教会模型。
问题是，这条听上去顺理成章的循环，过去在整个行业里都很难真正转起来，卡在一个死结上：模型不够好用，客户就不会放心让它进现场；进不了现场，真实的数据就产不出来；没有数据，模型又好不起来。
而极智嘉想做的，是用更好的模型、更好的本体，加上手里原有的客户资源，把这个断点接上。
除了此次 WAIC 展示的最会拣，极智嘉年初发布的本体，也能体现它的落地决心。
极智嘉既没有用最简单的两指夹爪，也没有追时髦上五指灵巧手，而是选了三指手。
这背后是一笔算得很细的账：拣货强度极高，一台机器人一天要抓 8000 到 10000 次，而市面上头部的灵巧手寿命只有 30 到 50 万次，高频作业下用一个月就坏；五指够灵巧却不耐用，两指皮实却覆盖不了百万级的 SKU。三指手恰好卡在中间，既保住灵巧度，又留足空间去做寿命和可靠性。
这种取舍不是实验室会操心的事，是在真实产线上反复打磨后长出来的判断。
而在本体之外，极智嘉手里还有一批早已合作多年的工业客户，让这些机器人一开始就有真实的岗位可去。
当然，极智嘉也并不认为光靠现场落地就够了——真机数据虽好，却太贵、也太慢。
极智嘉联合创始人陈曦把极智嘉的数据体系分成三层，让不同的数据各司其职：最底层，是成本最低、数量最大的互联网数据，让模型先建立起对世界的基本常识；中间一层，是来自人类第一视角的操作数据，记录人是怎么用一双手完成各种动作的，比纯网络数据更贴近真实操作；最上层，才是最真实、也最昂贵的真机数据，尤其是那些从现场捞回来的 corner case。
三层叠起来各补各的短板，飞轮才转得更快。为此，极智嘉还计划自建数采厂，把这套数据体系铺开。
03
市场需求度极高，
但没有人能独自把它接住
模型和数据讲完，还剩最后一个问题：市场到底要不要？
极智嘉给出的答案是，非常要，而且急。
这份急迫，来自一个很难靠技术绕开的现实。
陈曦提到，无论国内还是海外，工厂和仓库都在经历同一种压力——招不到人。他访谈过自己的客户，很多人现在宁愿去送外卖，也不愿意进厂、进仓。这不再是「要不要用机器人」的选择题，而是生产力在数量和质量上的双重缺口：招不到足够的人，招来的人也未必愿意长期做那些重复、枯燥、强度大的活。
所以在客户那一侧，接受度远比外界想象得高。陈曦的判断很朴素：只要产品稳定可靠，能带来实打实的投资回报，客户就欢迎。极智嘉今年 2 月发布 Gino 本体的当天，就收到了大量客户的需求，如今正逐步走向量产。真正卡住这件事的从来不是需求，而是供给——市场早就准备好了，只是过去拿不到能真正干活的机器人。
也正因如此，谁能率先把这份需求接住，谁就握住了机会。
于是极智嘉在这次 WAIC 上拿出了 GINO ECO 开放生态：跟做大脑的公司共享真实的场景与数据，跟做本体的公司共建解决方案，而自己扮演那个最接近客户的角色——集成商，也是具身智能的解决方案专家。上游的技术供给由伙伴提供，下游的产业需求由极智嘉桥接，最终共同交付给客户。
陈曦把这层意思说得很直白：极智嘉离客户最近，最知道客户到底要什么。
开放不是让渡壁垒，恰恰相反，它是把「最懂场景、最能交付」这件别人替代不了的事，做成一个平台——伙伴越多，接进来的场景越多，这个位置就越牢固。
走到今天，极智嘉手里已经攒下了一副相当齐整的牌：量产在即的机器人本体，一颗懂物理的前沿大脑，一个真实到百万级 SKU 的作业场景，还有一条正在转起来的数据闭环。在一个大多数玩家还在为凑齐其中一样苦苦挣扎的赛道上，这本身就是稀缺的。
演示已经足够多了。接下来的故事，属于那些真的把机器人送进工厂、并让它留下来的人。
* 头图来源：极智嘉
本文为极客公园原创文章，转载请联系极客君微信 geekparkGO
极客一问
你如何看待真干活的机器人？
