业内认为，具身智能技术不能只活在Demo和参数里，必须回到真实业务解决问题、创造收益。极智嘉 Gravity具身模型完成100种陌生物品拣选挑战：未针对这100种物品专门采数据，全程使用同一模型，无单品追加训练或微调；无人工介入、无遥操作，100种物品全部完成拣选；剔除人工摆放和等待时间后，单次拣选动作约2秒。极智嘉借此证明商业落地价值须由泛化能力与生产效率深度绑定支撑。
泛化要经受动作效率、适配效率、异常恢复效率三类考验。动作效率方面，Gravity采用异步推理，当前动作执行时后续动作已开始计算，推理与执行时间重叠，缩短状态变化后的等待。适配效率方面，未对测试物品专项数据采集、无单独微调，机器人学的不是单品固定动作，而是物体-状态-动作结果规律，降低新增SKU适配成本。异常恢复效率方面，面对贴箱壁、易滚圆柱、软包等工况可实时推理生成策略；对难以直接抓取的物品会先改变其状态再抓取，把失败变成中间状态，保障连续运行。
仓储拣选因此成为具身智能试金石：高频、真实、反馈明确、可迁移、接近商业闭环。亚马逊曾公开表示其仓储体系存在数百万种不同商品，并研发能处理大量不同商品的机器人系统。极智嘉选择仓储拣选切入，说明泛化不是会得越多越好，而是要干得起来；会抓更多东西只是起点，能快速适配、保持节拍、自行处理意外，才更接近生产所需能力。