同时拥有“强泛化和高效率”的具身智能，出现了！

加入高工机器人专业行业群，加微信：13590381326，出示名片，仅限机器人及智能制造产业链相关企业。

*本文共约 1849 字，阅读完成需 3.5 分钟。

今年WAIC具身智能赛道有个明显变化：参展企业从去年的80多家跃升至200多家，但后空翻、舞蹈表演大幅减少，取而代之的是上料、拆垛、分拣等实景作业。行业正在从“能不能动”全面进入“能不能干活”的POC验证与交付阶段。

到了落地环节，全行业都卡在一道选择题上：泛化还是效率？泛化能力强的机器人大多动作串行，产线节拍接不住；效率快的又只敢应对固定SKU，换个物品就手足无措。

泛化能力和作业效率在真实场景中构成天然的技术两难：强化泛化往往牺牲推理速度，优化效率又受限于操作对象的多样性。两者同时达到商用阈值，是当前具身智能落地的核心瓶颈。本届WAIC上，能够两者兼得的方案屈指可数。

极智嘉是其中之一。

同时拥有“强泛化和高效率”的具身智能，出现了！图3

不炫技，真干活

走进极智嘉展台，首次公开亮相的通用人形机器人Gino 1正在一条微型产线上“干活”——拣货、搬箱、投递，与移动机器人集群协同，全程自主运行。

效率是现场最直观的感受。传统机器人通常“抓完再转身、转完再移动、到位再抬手”，Gino 1实现了手脚协同的全身并行控制，单任务作业时间缩短约30%。

泛化能力同样让人印象深刻。充气量不同的袋装薯片，动态调整抓取力度；透明包装的面包，准确识别主体不被透明膜干扰；边界模糊的毛绒玩偶，照样稳定定位抓取点；光滑的橡胶小碗，通过力控反馈保持可靠夹持。面对真实干扰和连续作业压力，Gino 1凭借感知、推理和决策持续自主运行。

同时拥有“强泛化和高效率”的具身智能，出现了！图4

4D大脑：让机器人理解物理世界

自己破解Corner Case，这是预编程机器人做不到的事情。

Gino 1能够成为兼具泛化能力和速度效率的人形机器人，这背后是极智嘉在WAIC上发布的Gravity 4D世界动作模型。

当前大多数机器人操作模型走的是VLA路线——在RGB像素层预测“下一帧画面”，然后让机械臂照着执行。问题在于：画面看起来对，物理上可能完全不对。机械臂看着像碰到了物体，三维空间里可能根本没形成接触。

Gravity 4D不教机器人“看画面”，而是教它“理解物理世界”，即同时学习物体长什么样、在哪儿、怎么动。它在模型底层直接把三维空间坐标和运动信息作为“原生信号”融合，机器人靠物理判断而非画面记忆。

效果直接可验证：在公开基准LIBERO-Plus上，零样本条件下任务成功率从73.73%提升至78.62%，尤其在光照、视角变化这类“外观变但物理不变”的场景中提升最显著。

极智嘉具身大模型团队负责人陈超透露，未来Gravity框架还将引入触觉/力觉、先验知识、分层记忆与强化学习自进化等能力，让具身大脑持续逼近对真实物理世界的完整理解。

同时拥有“强泛化和高效率”的具身智能，出现了！图5

越过demo的“分水岭”

技术选对了是一回事，能跑通是另一回事。

大多数具身智能公司因此陷入死循环：没数据所以做不好，做不好所以没数据。

极智嘉是极少数从源头打破这个死循环的玩家，实现了商业闭环和数据闭环的同步运转。

过去十年，极智嘉围绕仓储物流跑通了商业化闭环，2025年收入超30亿元，业务网络覆盖40多国、超1700个项目，服务沃尔玛、阿迪达斯、西门子、宝马等950余家品牌。机器人每一次拣选的成功或失败，都是一条带物理反馈的真实数据，这使得仓库本身就是7×24小时运转的“数据采集厂”。

从行业格局看，极智嘉的差异化优势正在两大维度上显现：

技术路线上，当大多数企业仍在2D视觉层面优化时，极智嘉率先将4D物理表征引入模型底层，完成了从“预测画面”到“预判物理”的范式切换。

战略布局上，极智嘉发布“一核双引擎”具身智能布局，以Gravity具身智能框架为“核”，第一引擎为数据，依托其全球物流网络持续产出高质量训练数据，让大脑越用越聪明；第二引擎为生态，定位是“具身智能解决方案的专家”，极智嘉要做的是一头连接技术供给、一头紧扣产业需求，与生态伙伴共享数据、共同交付可信赖、高可靠、可算清ROI的具身智能整体解决方案。