青苹吹果|作者
star皆空|编辑
无心插柳柳橙汁|视觉
刘超|监制
无人仓的概念早就不新鲜了,但你敢在夜间、周末等彻底无人值守的场景,把仓库放心交给机器人吗?
现阶段,答案显然是否定的。
标准环节的输送线、AGV、固定机械臂干得很熟练,偏偏装卸、柔性拣选这些“货物不听话”的环节还高度依赖人手。
SKU海量、包装多变、透明膜反光、软袋塌陷、圆柱件滚动,一次抓取失败还会改变下一次抓取的环境。
单台机器人再灵巧,也拿捏不了订单、库存、设备和异常处理这类难题。夜间、周末、订单峰值等情况,根本无法放心交给自动化。
一面是标准环节的机器已经足够好用,另一面是柔性和非标环节的人正在变少、变老。
不过如今,情况逐渐开始变化了,有厂商选择在这个痛点上压重注。
11月初的CeMAT亚洲物流展上,极智嘉把人形机器人Gino 1、Gravity具身模型和无人拣选工作站RAPS摆到同一个展台,同时亮出《24/7自主智能仓计划》。

展台上,Gino 1连续抓取日化瓶、饮料罐,完成拣选后自主搬运并更换料箱,旁边屏幕同步播放Gravity对后续动作的预测画面与实操画面的对照。

如果我们把目光放远,就会发现,具身智能的评价标准正在悄然换轨:
抓取能力只是入场券,牌桌上正在重新分配的,是仓库的运作新范式。

仓储场景 成了具身智能的“演武场”
具身智能需要一个能干活的地方,那为什么偏偏是仓储物流先站到了起跑线上?
因为仓储不是家庭,不需要面对无限开放的物理世界;但它也不是死板的流水线,软包装会变形,透明膜会反光,商品可能斜放、叠放,一次抓取失败还会改变下一次抓取的环境。
机器人在这里要解决的问题,从“能不能抓起来”,变成了抓得够不够快、够不够稳、抓砸了自己能否处理。
极智嘉要解决的就是这件事。
Gino 1专为仓储场景设计。头部三目主视觉加前后鱼眼相机,兼顾近景识别和360度环境感知;手臂末端是7主动自由度三指灵巧手,手心嵌入双目相机和触觉传感器;

双臂14个自由度,全关节力控,最大负载20公斤级,覆盖仓内主流人工操作的负载需求。主控基于NVIDIA Jetson Thor平台,无线快充功率3kW,底盘配前后半球形3D激光雷达,支持三维场景重建和全向移动。
也就是说机器人的“身体”是按照仓库里一个成年工人的负载、臂展和移动方式来倒推的,不是先造一个通用人形再去求仓库适配。一台机器人覆盖拣货、搬箱、打包、巡检等多任务。
硬件之上的关键是Gravity具身模型。
它采用“双脑协同”架构:AR Transformer担任认知脑,负责解析指令、拆解长程任务;Diffusion Transformer担任行动脑,预先推演物体运动与受力变化,生成连续动作序列,形成“先规划、后执行”的节奏。
更进一步的是Gravity 4D具身模型,在三维空间之上叠加时间维度,通过4D隐空间同步输出外观、空间位置和运动信息,让机器人在动手之前先判断物体堆叠、遮挡和运动走向。

堆叠的箱子往哪边歪、软袋抓起来之后重心怎么偏移?它都能预判。
公开测试中,搭载4D表征的模型在LIBERO-Plus零样本任务完成成功率从73.73%提升到78.62%,在光照、视角变化等干扰下稳定性提升明显。
不再是“看见什么抓什么”,而是“先想清楚这么做会发生什么,再决定动不动手”。
在展台上,Gravity演示的是混杂物品清箱和陌生物品拣选,屏幕同步呈现预测画面与实际操作画面,“预演”和“执行”并排对照。
这种能力放在开放家庭里尚显勉强,当放在仓储的半结构化环境里却刚刚好。

单机只是入场券 系统层才有主导权
单台机器人能抓、能搬、能放,就够了吗?
远远不止。
它还得知道这一单的优先级,得和搬运机器人错开通道,得在料箱空了的时候触发补货,得在抓取失败时决定是重试还是交还人工。
传统仓里的WMS管库存和订单,WCS管设备和输送线,各算各的账。具身机器人如果只作为一个“更灵活的执行器”插进去,单点效率再高也没用,关键要听系统层的。
系统层是什么?就是WMS、WCS、RMS、WES这类负责订单、库存、设备调度和异常编排的软件系统。
系统层决定机器人以什么接口被接入、如何被调度、异常如何被编排,机器人本体则退到被调度、被编排的位置。
行业里系统层主导有两种路径:第三方系统深度绑定头部客户,或自建模块化系统把自动化长进履约网络。
极智嘉选的是后者,而且顺序很明确:先有系统层,再向下补具身。
极智嘉从AMR和调度系统起家,把RMS、WES、IOP三套系统叠成“仓库大脑”,再让Gino 1和无人拣选工作站RAPS去补柔性操作的缺口。

这个顺序很关键,机器人从设计之初就是被当作“系统里的一个角色”来定义的,而不是等采购进来再想办法接进流程。
换句话说,Gino 1不用先证明自己多能抓,再去找仓库适配;但它一开始就要回答接进哪套系统、听谁调度、异常交给谁、抓取失败后怎么重试或交还人工。

不过系统层主导的是调度与编排,不是操作本身。
柔性拣选、装卸和异常处理这些货物不听话的环节,仍需要具身能力补位。单台机器人再灵巧,也只是系统里的一个执行节点;系统层不给接口、不给优先级、不给异常处理规则,它再能抓也跑不成整仓。
极智嘉先补系统层,再补具身,本质上就按仓库的需求来定义机器人,而不是当成一个孤立的硬件插进去。

系统层主导易成 系统能力难追?
都知道系统重要,所以系统能力到底是怎么长出来的,为什么它比单点技术更难被追上?
因为培养系统能力需要经验。
打个比方,一个干了十几年的仓管,看到哪条通道开始堵时,会先把不急的订单压后,从而减轻通道压力;看到哪种包装最近破损率偏高,会及时调节抓取力度;夜班人手紧的时候,他知道哪些异常可以等到早上再处理,哪些必须当场停线。
这些判断依赖的是长期处理异常模式的经验,并非某一条规则类目。
而经验这种东西,只可意会不可言传~
那系统怎么把它变成可复用的能力?来看看大厂的解法。
极智嘉把全仓智能拆成“协同智能”和“运营智能”两条线。
协同智能解决的是“大家怎么一起动”:
基于RMS、WES和多机器人调度算法,做任务分配、路径规划、交通管理和资源编排,让具身机器人、AMR、工作站和输送线在同一套节奏下运转,单系统最高可调度5000台机器人。

运营智能则是解决的是“仓库怎么越跑越稳”:
通过实时监控、异常检测、瓶颈诊断和性能预测,让系统对故障和拥堵形成自诊断与自主策略优化,把过去依赖老仓管“盯着看、凭经验调”的动作,变成系统可调用、可复用的闭环。
协同智能管的是空间上的“一起转”,让仓库不打架,运营智能管的是时间上的“一直转”,让仓库不熄火。
永远不会发生异常的仓库是不存在的,所以出现异常时,拥有自主处理突发情况的仓库显得弥足珍贵。
这也是为什么极智嘉把7×24小时自主智能仓的“自主”单独拎出来强调——让机器连轴转不是重点,重点是让仓库在夜间、周末、订单峰值这些人工最脆弱的时段,仍然具备判断和恢复的能力。

做到这一步,竞争的门槛就从模型精度和硬件成本,移到了数据厚度和系统韧性上。
而后两者靠金钱几乎买不到,只能经年累月地熬出来。

写在最后
十几年前,亚马逊花7.75亿美元买下Kiva Systems,外界把它看作电商巨头对“机器人替人”的一次押注。
可真正从这笔收购里被榨出来的效率红利,并不来自于跑得更快的搬运车,而来自亚马逊围绕机器人重新设计了一整套订单履约流程。
就像电力时代早期,电动机早就进了工厂,生产率的大幅跃升却要等到整整一代人之后。因为真正重要的,是围绕电力重新安排车间布局和生产流程。
换句话说,技术到位是一回事,组织方式跟上又是另一回事。
仓储自动化也是一样。
输送线、AGV如此,具身智能大概率也不会例外。
人形机器人抓起一件软袋包裹,或者一条机械臂在展台上应对观众递来的陌生物品。这些演示当然重要,它们在证明能力边界在往外拓展。
但真正决定这场竞赛终局的,不在展台上。
机器人知不知道自己什么时候该用什么节奏,整仓能不能在一个人都不在的深夜自己把订单完成,以及一家企业积累的运营经验,能不能变成下一座仓库开箱即用的起点......这些才是重点。
仓储物流不会是具身智能的终点。它只是第一个愿意用真实订单、真实工时和真实的成本账,来检验这门技术的地方。
也正因如此,能在这里把“系统”跑通的公司,才有资格谈面向下一个物理场景,聊有关具身终局的“星辰大海”。
