机器人前瞻（公众号：robot_pro）
作者 | 周加琦
编辑 | 漠影
机器人前瞻7月18日报道，在WAIC首日，极智嘉发布了统一具身智能框架Gravity，该框架面向长程、复杂、可泛化机器人任务，并推出首个落地模块Gravity 4D WAM（世界动作模型）。
同时，极智嘉首次公开亮相的通用人形机器人Gino 1，既能搬箱，又能拣选，还能与移动机器人组队配合，在真实工作场景中同时展现多SKU泛化能力与端到端作业效率，在WAIC现场组团干活。
▲人形机器人+AMR组团工作
机器人的长任务中往往环环相扣，一步错就可能步步错。环境一变、累积误差一上来，就需要机器人自己感知、调整。但行业里现有的方案很难兼顾“理解”与“预判”。
Gravity要做的，就是把这根断裂的链条接上，让机器人学会理解，更懂得如何预判与生成。在训练时把世界的物理规律学透，推理时用简单的链路实时行动。部署之后，机器人在使用中持续进化，越用越强。
Gravity 4D作为首个落地模块，负责把“预判”这件事做实。
具体来说，它解决的是物理一致性问题。主流模型在RGB像素层预测未来画面，能生成视觉上“合理”的视频，却保证不了物理一致。而Gravity 4D能让世界模型从“预测画面”切换到“预判三维物理演化”。
一、双脑协同，从“看见就干”到“想清楚再做”
行业内主流路线有两种，一种是VLA，能看懂场景、听懂指令并做出动作，但干完后下一步怎么样，它拿不准。另一种是WAM，能模拟未来变化，但听不懂复杂指令，不知道任务要拆几步走。两种都有点“偏科”。
Gravity正是围绕这个痛点构建了“双脑融合”架构：
AR Transformer担任“认知决策中枢”：负责理解指令、识别语义、解析目标，将复杂任务分解为可执行的阶段与子任务。比如“把箱子搬到A处”这种任务拆解为“抓取、抬升、移动、放下”等子任务。
Diffusion Transformer则负责动态推演与动作生成：在行动前先模拟一遍，抓取的物体会不会掉，路径会不会有阻挡物等，相当于在“脑子”里演一遍，提前识别各种风险，找出最优解。
两者在任务语义、环境状态与动作表征层面深度耦合，形成“感知—理解—规划—推演—执行”闭环。机器人不再是“看见啥就干啥”，而是“想清楚再动手”。
除了双脑协同架构，Gravity还有几个关键设计，让它在真实场景中站得住脚。
▲Gravity 框架总体架构示意（图源：极智嘉）
一是重训练、轻推理。在训练阶段，模型引入3D空间结构、Flow、可供性、语义、动力学、物理属性、场景图等多维中间表征作为学习目标，把几何、运动、功能、物理规律学透。
在推理阶段，中间结果后处理与传输都被省去，只输出动作和任务进度，从而缩短推理路径，降低算力显存成本，提升控制频率和实时性。
二是引入力触觉。光靠视觉，机器人能看清位置和形状，但拿不准“手感”。Gravity把力触觉当作和视觉同等重要的信号，让机器人不仅“看得见”，还能“摸得准”。
三是构建分层记忆。Gravity给机器人配了两套记忆系统，其中短时记忆帮助机器人理解连续动作的因果关系，长期记忆解决“为什么执行、完成到哪、下一阶段是什么”。
四是封装机器人Skill。Gravity支持把操作手册、工艺规范、专家示范、安全规则等知识纳入训练与推理，让模型学习和执行。Robot Skill将复杂操作封装为标准化、可复用、可组合的能力单元，新场景下少量示范即可组合上岗，实现“少数据、快泛化”与“有边界、可审计、能管控”。
五是建立持续进化闭环。Gravity通过Evaluation Model与强化学习，让每一次成功、失败、人工接管都被结构化记录和自动评估。成功案例强化，失败案例纠偏，专家纠正直接修正长尾偏差。部署现场从“用能力”变成“产能力”，形成跨场景经验复用与能力迁移。
二、4D推演，从“看着对”到“物理对”
传统WAM主要在RGB/VAE latent空间预测未来，能保证“画面看着连贯”，但学不到三维世界里三件最关键的事：物体是否被成功抓取、末端执行器是否形成有效接触、物体运动是否符合几何约束。
▲Gravity 4D 总体架构示意（图源：极智嘉）
而Gravity 4D，引入4D基础模型Gravity 4D-VAE提取的4D latent作为教师监督，让WAM同时学习三类信息：
RGB外观：未来长什么样；
Pointmap（三维空间结构）：物体位于何处——机械臂在哪、目标在哪、空间关系如何；
Scene Flow（三维运动动态）：物体如何运动——旋转、平移、抓取等运动轨迹；
Pointmap刻画稳定的几何关系，Scene Flow刻画由动作引起的三维状态变化，二者共同构成4D表征。
这里的关键是“先学再教”。让Gravity 4D-VAE先提取4D latent，再把知识蒸馏给WAM，省去机器人从零学习的成本，同时全程在latent空间建模。
▲Gravity 4D 算法流程示意图（图源：极智嘉）
推演和决策分两步走：
WAM推演：基于历史观测、动作和指令，生成未来的RGB latent和4D latent——回答“三维世界接下来怎么办”；
IDM决策：根据未来的RGB和4D latent，输出接下来的动作序列——回答“什么动作造成这个变化”；
核心在IDM这步，传统方案只看RGB猜动作，相当于“画面变了→猜个动作”；现在引入4D，IDM看到了未来外观、三维结构、运动趋势，推理逻辑变成“三维世界变了→什么动作引起变化”。训练时WAM和IDM一起调，推理时分两步走。
▲可视化：RGB、pointmap（Depth）与 scene flow（图源：极智嘉）
同样，数据也证明Gravity 4D的价值。在公开基准LIBERO-Plus上，零样本条件下，Gravity 4D的总体成功率从RGB-only基线73.73%提升至78.62%，最优role-embedded变体达79.25%。
提升最明显的三种干扰：相机视角、传感器噪声和光照变了，结果都只改变画面外观，并未改变底层三维结构，这说明它学的真是物理规律，不是画面规律。
消融实验还给了两个关键结论。一是只看空间结构信息，效果就相当不错，“东西在哪儿、空间关系如何”比“画面长什么样”更关键。二是增加一个depth预测，性能反而下降了，说明选对架构比堆数据更重要。
▲LIBERO-Plus 扰动基准实验结果（图源：极智嘉）
数据跑通了，真机能不能扛住？极智嘉同样给出了答案。
三、4D大脑加持，Gino 1组队现场真干活
在WAIC现场，机器人干活的场景并不少见，但能协同组队、连续作业、不出岔子的，极智嘉是极少数。更别说，这是全场唯一在真实工作场景中，同时展现泛化能力和作业效率的具身智能方案。
▲多SKU拣选（图源：极智嘉）
又快又稳的背后，是Gravity 4D WAM在发力。
传统方案把时间花在“看懂画面”上，光照、纹理、包装等等，这些信息占据模型大部分注意力，真实工作画面一变，模型就懵了，速度也上不去。
极智嘉选择让模型只关注物理操作最核心的东西，抓三维空间结构和运动状态。这种取舍带来两个效果：
一是效率高。Gino 1手脚协同、全身并行，在转身、移动的同时，手臂已经调整到拿取商品的高度。据技术人员透露，这种解决方案能将单任务作业缩短约30%。并且整个过程，Gino 1没有出现卡顿和掉落，很流畅地完成每一次任务。
30%这个数字，在其他成熟的领域或许只是一次优化。但对于具身智能行业来说，30%是突破，在同样多的时间里，可多完成近三分之一的工作量。
二是泛化能力强。展台上，Gino 1面对不同充气量的袋装薯片，会自己动态调整抓取位置和力度。毛绒玩偶边界模糊，Gino 1照样定位出稳定抓取点。
现场人员从随身包里随机取出未数采的商品，模型仍可稳定拣选，体现极强的泛化能力。
▲陌生物品直拣（图源：极智嘉）
结语：让机器人从会运动走向会思考
WAIC展台上，Gino 1面对透明面包、毛绒玩偶、紧贴箱壁的物体，见啥抓啥、见招拆招，连续作业不出岔子，这是Gravity 4D赋予它的物理理解力。
长期以来，具身智能落地难，难的是在真实环境里搞懂物理世界规律、完成长时序任务。以前靠画面做判断，看着挺聪明，一到真实环境就露馅。
极智嘉正在改变这件事。
凭借出色的模型泛化能力和速度效率，在真实作业场景中的结合与落地，极智嘉获得央视新闻认可并报道。
▲央视新闻报道极智嘉
理解、预判、行动、记忆、先验、进化——Gravity用一套双脑架构将其统一起来，目标始终就一个：让机器人在真实世界中真正干活，创造价值。Gravity 4D WAM已从物理推演层面跑通了这条路——当世界模型开始像工程师一样思考物理后果，机器人才真正具备了走进真实世界的资格。
