2026 年 WAIC，一个趋势变得格外清晰：展示能动的机器人已不稀缺，展示能干活的开始批量出现。
但能展示完整工作流的，依然屈指可数。
行业正从技术演示迈向场景能力，再迈向商业化兑现。
展馆里几乎所有企业都在回答机器人能做什么，但能力的分水岭已经显现。
大多数公司展示的是单点能力：
会抓、会走、会看，少数公司开始追问一个更难的问题：机器人能不能直接进入真实生产系统？
在这个分水岭上，极智嘉给出的是一份更激进的答案。
它是全场唯一同时做到多 SKU 泛化能力、端到端作业效率以及真实工作场景连续运行的玩家。
而且不是单机展示，是人形机器人加移动机器人加调度系统的完整工作流。
机器人亮相不罕见，但能做到泛化与效率兼得、直接上岗真干活的，极智嘉是独一份
拣货，才是 Physical AI 的真考场
理解极智嘉的答案，要先理解为什么是拣货。
在机器人学界，Bin-picking(无序抓取)被称为圣杯问题。不是因为拣货本身多复杂，而是因为它一旦被攻克，整条能力树都会亮起来。
拣选看似简单，其实涉及到机器人通过多模态感知看懂场景，然后生成适配物体形态的动作策略，同时还要在连续订单流中保持任务规划，最后还要能处理各种意外。
一次拣选，等于一次性考完了视觉、物理、策略、容错四张卷子。
这就是拣货的真正分量，它不是仓库里的一个工种，而是一个浓缩版的物理世界智能测试。
行业也正在形成共识，仓储拣货是 Physical AI 最稀缺的训练场，因为它同时集齐了五个条件：
•
高频，全球仓库每天发生亿级规模的真实拣选
• •
真实，机器人直接接触各种物品
• •
反馈明确，抓起还是没抓起，对还是错，指标绝对清晰
• •
可迁移，手眼协调、力控、空间理解等一系列底层能力，可以平移至产线送料、门店补货、药房配药
• •
接近商业闭环，模型表现直接嵌入订单流，可被商业结果实时校准
•
所以，拣货不是一个场景，而是一座桥，从物流通向泛工业、泛商业的桥。
把拣做透，就能干所有需要动手的活。
Gravity 4D用物理直觉，
拉满泛化能力与作业效率
要理解极智嘉为什么能同时做到泛化和效率兼得，得回到这套系统真正的心脏，具身大脑 Gravity 4D。
过去大多数世界模型,都是在 RGB 画面或者视频 latent 空间里预测未来，这样做的好处是画面足够好看，却保证不了物理上对不对。
机械臂看起来已经碰到了物体，三维空间里却可能根本没有形成有效抓取，这才是机器人操作真正的痛点所在，也是极智嘉判断行业需要一次范式转变的起点。
可视化：RGB、pointmap(Depth)与 scene flow
Gravity 4D 给出的答案，不是往模型里塞进更多信息，而是学会分辨哪些信息才是真正重要的。
它引入 4D latent 作为教师监督，让模型集中学习与抓取、搬运、放置这些操作直接相关的物理表征：物体在哪、边界在哪、如何运动，同时主动弱化背景纹理这类与操作决策无关的冗余视觉信息。
更关键的一个工程选择是，极智嘉没有从零训练这套 4D 模型，而是把已有 4D 基础模型积累的先验知识蒸馏给面向机器人的世界动作模型，并且全程都在 latent 空间里完成建模，不需要显式的三维重建。
这是这套方案能从实验室走向真实产线的关键一步。
这样一次做减法的设计取舍，恰恰同时换来了更快和更准两个结果。
更快，是因为信息足够聚焦，推理链路因此变短，省去了大量冗余的解码分支，实时性和控制频率自然被拉高。
更准，也就是更强的泛化能力，是因为模型学到的是物理规律本身，而不是某一张画面的细节，跨视角、跨光照、跨传感器噪声的干扰，自然更难把它带偏。
这套逻辑落到 WAIC 的展台上，就变成了观众亲眼能看到的能力。
面对充气量各不相同的薯片袋，Gino 1 能动态调整抓取力度;面对透明包装的面包，它能准确分辨包装主体和袋缘，不被反光和透明材质干扰。
即便是边界模糊的毛绒玩偶，也能稳定找到抓取点;换成表面光滑的橡胶碗，力控反馈又能让它做到不松不紧、刚刚好。
效率的提升同样直观，全身并行控制让机器人在移动转身的同时，就完成双臂抬升、商品高度调整和播种位预对齐，把原本串行的动作并行化，单任务作业时间因此缩短了约 30%。
而最能说明问题的是现场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。
这些不是提前编排好的表演，而是这颗大脑做对了选择之后，最直观的证明。
数据飞轮：
极智嘉的大脑越跑越聪明
Gravity 4D 的起点是技术架构，但它的持续进化，靠的是数据。
这是一个行业级的瓶颈问题。
VLM 有互联网海量文本，自动驾驶有上亿公里路采数据，但机器人的物理交互数据从哪来?
仿真数据能解决一部分，但摩擦、形变、接触、遮挡、意外，这些决定操作成败的微观细节，仿真永远还原不了。
用仿真数据训练的模型，到了真实场景往往水土不服。
极智嘉的判断很明确：谁先建成持续产出高质量真实数据的训练场，谁的大脑就越跑越快。
而极智嘉，已经在那个训练场里跑了十一年。
极智嘉的数据壁垒是结构性的。
全球 40 多个国家、1700 多个项目、950 多家头部客户构成了横跨快消、鞋服、商超百货、汽车的业务网络，超 7 万台物流机器人每天在真实场景里处理千万级订单。
这不是实验室里搭建的数采系统，而是已经运转了十几年的真实生产网络。每一项数据都来自真实的商业需求，每一次交互都对应明确的成败反馈。
更重要的是这套数据飞轮的运转方式。
极智嘉的飞轮不是先采集、后训练的离线模式，而是部署即反馈、运行即迭代的在线闭环。
每一次成功，提炼高质量轨迹，强化最佳实践;每一次失败，定位失败阶段，针对性再训练;每一次人工接管，专家的纠正动作本身就是高信息密度的训练样本，快速修正长尾场景的行为偏差。
这就是飞轮的复利效应：使用越久、覆盖越广，应对长尾与复杂工况的能力就越强。
别人从零开始采集数据，极智嘉已经在真实作业中持续复利。
从大脑到生态，
极智嘉的完整具身智能拼图
具身智能是一个系统工程，单一能力的突破远远不够，真正的门槛在于如何把大脑、身体、场景与生态完整地拼接在一起。
在极智嘉的拼图中，Gravity 4D 是大脑，它让机器人具备对物理世界的直觉理解;Gino 1 是身体，它以干活为目标设计，强调稳定性与可持续作业能力。
而仓储场景，则是能力训练与商业落地的起点。
从这里出发，机器人在拣货中沉淀下来的基础操作能力，也就是那些可复用的原子动作，可以逐步迁移到更广泛的场景中，例如无人零售、无人药店、智能制造乃至商业服务。
在系统层面，极智嘉还具备一个独特优势：移动机器人解决了腿的问题，具身机器人解决了手和眼的问题，而两者通过同一套多智能体调度系统实现协同运行。
这种系统级能力，使其不同于单一硬件或单一模型公司，而更接近一个完整的生产力解决方案提供者。
在此基础上，极智嘉进一步构建了开放生态，GINO ECO。
因为具身智能的本质是一场长期竞赛，现在技术路径尚未收敛、真实场景仍是最好的试炼场，需要有足够强大的生态集中力量解决问题。
因此，极智嘉一方面向模型公司与高校开放硬件平台与数据场景，推动底层能力进步;另一方面与行业龙头共同探索具体应用场景，同时也与互补性硬件厂商协同打造端到端解决方案。
在这个生态中，极智嘉的角色并不是单一的技术供应商或系统集成商，而是连接技术供给与产业需求的中枢。
具身智能的价值，最终不在实验室里，也不在舞台上，而是在客户现场被验证。
今天的行业，并不缺少能够表演的机器人，缺的是能够进入真实任务、适应真实变化、持续创造价值，并在工作中不断进化的系统。
回看极智嘉的发展路径，从 2015 年创业，到商业化模式成功被验证，成为港股机器人板块「营收规模最大、盈利表现最佳」的 ToB 机器人公司，再到今天推出 Gravity 4D 与 Gino 1，其底层逻辑始终没有改变：用机器人技术解决真实世界的生产力问题。
当许多玩家仍在展示单个动作的精致程度时，它已经把机器人送进了最复杂、最严苛的物理考场。
从拣货出发，但不止于拣货。因为一旦把拣这件事做透，机器人就具备了进入一切需要动手场景的能力。
这既是极智嘉的起点，也是通往通用具身智能的一条必经之路。
