作者｜毛心如
一块面包横着放在桌面上，机器人伸出机械臂，试图抓起它，却一次次错过。
问题出在哪里？机器人分明已经学会了抓取面包，也具备完成任务所需的基本动作能力，只是眼前的面包摆放方式超出了训练范围。学界通常称之为分布外 OOD 任务。
当物体的姿态超出模型学习过的范围，原本有效的动作策略就可能失灵。
这类情况在具身智能领域并不陌生。
模型能在训练环境中完成任务，不代表换一个物体姿态、操作角度或场景条件后，依然能够稳定执行。
同样，机器人进入真实环境，面对的也不是一道做完就结束的题目，而是一连串可能出现偏差的操作。
面对这类「失败」，传统解决办法通常要从训练环节入手：重新采集示教数据、微调模型，或者调整任务规划与控制流程。
但如果问题只出在某个局部动作上，却还需要动用整套训练流程，成本和响应速度都不理想。
极智嘉近期推出的 Gravity Control，试图提供另一条路径：不更新原始策略模型的权重，也不额外采集机器人示教数据，而是在模型推理过程中，对其内部表征进行定向干预，让机器人根据自然语言提示调整动作。
在其测试的真实机器人 OOD 任务中，整体成功率从 17.5% 提升至 87.5%；其中，横放面包这一单项设置从 5% 提升至 95%。
这项探索的关键，是找到模型内部真正影响动作的部分，并在不破坏原有能力的前提下，改变它的执行方式。
当具身智能开始走向真实业务现场，实际问题不再只是模型能不能做，还包括做偏了怎么办。
Gravity Control 探索的，就是后一个问题。
真正的难题，是找到模型为什么做偏了
理解极智嘉 Gravity Control，首先要理解机器人为什么会在看似简单的任务上失败。
当前主流的具身智能模型都选择将视觉观察、语言指令与机器人动作联系起来，能够根据环境和任务要求生成操作行为。
它的价值在于，不必为每一种任务都单独编写完整的规则，而是尝试从数据中学习可以迁移的操作能力。
但这种能力并不意味着模型掌握了所有可能情况。
训练数据覆盖的物体、姿态、环境和动作组合有限，真实环境却很难被完全穷举。即使只改变物体的摆放角度，也可能让模型原本熟悉的抓取方式失效。
这类情况通常被称为分布外问题，也就是 OOD（Out-of-Distribution）。
简单来说，模型遇到了与训练数据存在差异的情况。差异不一定大到让人类无法处理，却可能影响模型对位置、方向或动作时机的判断。
在仓储作业中，这种问题很有代表性。
货物没有按预期摆放，抓取角度不合适，机械臂可能因为前一步动作出现偏差，导致后续操作无法继续。
对于单次 Demo 而言，重新摆好物体再试一次，并不是什么大问题；但在连续运行的作业现场，频繁失败意味着额外的停机、人工介入和任务恢复成本。
不过，并不是所有失败都说明模型完全不会做这项任务。
如果机器人从没学会如何抓取某类物体，那么它需要补充相应能力，重新训练或增加示教可能不可避免。
如果它已经具备基本的抓取能力，只是在某个特殊姿态下抓得偏高、偏低，或者夹爪闭合时机不合适，那么问题可能更接近局部动作偏差，而不是整个策略失效。
两者的差异在于：当问题发生在局部动作上，是否一定要通过重新训练整个策略来解决？
围绕这一问题，机器人研究开始探索推理阶段的行为调整。
与重新训练模型不同，这类方法尝试在模型运行时改变其内部激活或动作输出，让原有策略在特定情况下表现出不同的行为。
不过，调整模型输出并不等于找到问题的原因。
假如机器人抓取位置不对，直接修改最终动作当然可能有效，但也可能影响后续动作，甚至让原本正确的部分出现新的偏差。
真正困难的地方，是识别模型内部哪些信息与目标动作有关，并验证对这些信息进行干预，是否真的会产生预期的行为变化。
Gravity Control 想解决的就是这一层：不只关心机器人最终做了什么动作，还要从模型内部找到可验证、可调节的动作控制机制。
Gravity Control，如何用自然语言调动模型内部的动作控制旋钮Gravity Control 先给出一个有点反直觉的判断：一个特征能被识别、被命名，不代表它能控制动作。
因为相关性不等于因果性。
模型内部可能存在一个与抓取、手腕姿态或某种物体属性高度相关的表征，研究者甚至能给它起一个像样的名字。
但它可能只是模型对场景的被动描述，简单讲就是反映它看到了什么、听懂了什么，而不是决定它要怎么动。
举个例子，汽车仪表盘上的油量警示灯亮了，你知道车快没油了；但把指示灯按灭，车并不会因此多出一滴油。
温度计能显示室温，可调节温度计的读数不会让房间变凉，空调旋钮才会。
具身智能过去大量的可解释性工作，做的是给仪表盘上的灯贴标签；而 Gravity Control 想找的是空调旋钮。
怎么分辨？只能通过干预试验验证。
它的做法是：先冻结原始策略的骨干网络，用稀疏特征分解技术把内部糊成一团的高维激活拆开，拆成一个个能说清含义的「刻度」。
然后像做临床试验一样，对候选特征做定向的增强或抑制，观测位置、旋转、夹爪这些动作通道有没有跟着变。
方向是否一致、剂量加大效果是否更明显、影响是否只集中在目标动作，三条都过关，才算一个合格的「控制旋钮」。
最后加一道闭环闸门限制最大干预剂量，避免动作发散，降低过度干预和非目标动作受到扰动的风险。
这套流程把可解释性从读得出来推进到改得动。如果只停留在给神经元起名字，它更像一份说明书；但终点应该是控制。
把稀疏特征分解用于具身策略内部表征、并在推理阶段定向干预，是近几年才出现的新方向。围绕模型做偏了怎么救，行业里有了四条代表性的探索路径：
这些路径各有价值，也各有代价。Gravity Control 的不同之处，在于它试图绕开数据、额外模块、执行开销这三道坎，直接进入模型内部做运行时干预。
在更细的内部表征干预方向上，公开工作已经把问题推进到关键位置，但也留下了一些缺口。
Gravity Control 的几项设计，正是对这些缺口的回应。
极智嘉 Gravity Control 并不是这条赛道上唯一的工作。它往前走的一步，是把内部特征能影响动作推进到能调得准、调得安全，调完还有可量化收益，并在真机上用分布外任务成功率做验证。
更引人注意的是它的调用方式：一句自然语言就够了。
这意味着，操作者不必直接指定模型内部的特征编号，而可以用「抓得更深一点」这样的提示调用已验证的控制机制。
传统端到端模型接收的是宏观任务指令，比如把面包放进盘子。一旦执行中出现几何偏差，上层语言传不到底层控制，你没法用一句话告诉它抓深 3 毫米、手腕再翻 5 度。
Gravity Control 不同。当抓取横放的面包总是偏浅时，操作人员给出的提示会更接近「下夹时抓得更深一点、更低一点」。
这条提示不是让模型重新规划整段轨迹，而是经由已建立的概念控制表，检索到对应的、经过干预验证的控制特征，再对原始模型内部的激活做在线调节。
换句话说，调的是模型已经学会的原始运动表征。
关键在于，自然语言在这里第一次成了调用底层动作调节机制的接口：这个机制经过验证，也有约束。
过去，人和模型之间通常只有两种交互方式：下达任务指令，或者重新训练。
现在中间多了一层，局部、即时生效，还有剂量上限兜着。
从纠正一次动作，到降低部署后的纠错成本
Gravity Control 效果如何，数据最有说服力。
在 π0.5、OpenVLA-OFT 等代表性 VLA 架构上，以及 LIBERO 仿真与真实机器人平台上，Gravity Control 在完全不更新原始策略权重、不新增示教数据的前提下，把横放面包等分布外失败任务的整体成功率从 17.5% 提升到 87.5%。
其中横放面包这一单项从 5% 提升到 95%。
这些失败样本有个共同点：模型本身具备完成任务的底层能力，只是位姿扰动带来了局部执行偏移。
实验证明，这类故障存在一条不用重训模型就能挽回的路径。
把数字放回真实作业频次里，影响会更明显。
仓储是具身智能当前落地最扎实的场景之一，也是失败恢复成本被放大的地方。任务频次高、SKU 状态多变、可靠性是硬要求。
一次局部偏差如果走传统流程，运维排查、补采数据、微调重训、重新部署验证，单次成本或许可以接受；但按日均作业频次和长尾场景数量累积起来，就会变成部署后的持续运维负担。
实际中，许多长尾偏差并不需要重训整个基座模型，因为问题太小，但发生得太频繁。
同时，物流仓储机器人在受控环境中效率可以接近人工，但进入真实多变环境、处理异形货品和环境扰动之后，持续作业效率会出现明显下滑，直接改变项目的收益测算。
Gravity Control 探索的方向，是为这类小但频繁的偏差增加一种运行时纠正选项。
对符合适用条件的局部动作偏差，不必每次都走完完整的训练迭代，而是在执行中直接干预。
它带来的变化是：部署后出现局部偏差时，多了一个比重训更细、比人工排查更即时的选择。
放到极智嘉自身的业务来看，截至 2026 年 6 月，极智嘉已向全球 40 多个国家和地区出货超过 8.1 万台机器人，服务逾 1000 家终端客户，客户复购率超过 80%，连续 7 年位居全球自主移动机器人市场份额第一。
这是一个已经跑在真实仓库里的规模化基座。
这带来两个现实条件：
第一，极智嘉面对的是高频次、多 SKU、环境持续变化的真实作业流，局部执行偏差不是偶发异常，而是规模化部署中必须系统性处理的日常问题。
第二，8.1 万台的存量部署和 1000+客户网络，让运行时纠偏能在真实场景中持续拿到反复出现的失败样本和反馈。
Gravity Control 不是脱离业务的前沿探索，它的问题意识来自一个已经在大规模作业中运行的系统。
再往前一步，如果运行时纠偏能够稳定发生，一次成功的纠正能不能不只解决这一次？
Gravity Control 提出的方向是：记录纠偏时的任务阶段、场景状态、被调用的 Control Handle、干预剂量与执行结果，在相似情境再次出现时检索复用；上层系统也可以尝试连接异常识别、原因诊断和动作纠偏。
要分清的是：运行时纠偏有实验结果支撑；自动闭环与跨场景经验复用是系统集成与演进方向。
从商业化角度看，如果纠偏可以从每次人工介入变为可记录、可检索、可复用，机器人在真实作业中的运维经验不再只沉淀在人身上，也开始沉淀在系统里。
过去几年，具身智能的核心叙事是让机器人学会更多任务。
但真实部署提出了更高要求：一台机器人出厂之后，能力如何继续进步？出现偏差之后，能不能以可验证、可约束的方式拉回正轨，而不是每次都回到数据和训练？
Gravity Control 选择了一条干预层级更深、验证标准更严的路线，并在真实机器人 OOD 任务上做出了与这条路线相匹配的提升。
它的边界同样清楚：不替代基础策略训练，不保证任意 OOD 任务都能一句话解决，自动纠错闭环仍是演进方向。
它留下一个更实际的问题：当模型已经具备能力，失败恢复能不能从训练环节前移到推理环节，从重新学会变成直接调回来。
极智嘉的答案，建立在一个已经规模化运行的仓储基座之上。
与此同时，具身智能的竞争，也正在从训练阶段延伸到机器人交付之后的每一次真实作业里。
