分类：AI动态 标签：具身智能 -> 大模型 -> 机器人 -> 创业
机器人行业当前面临的核心考题已不再是几十秒的抓取演示，而是能否将一整套复杂的任务从头干到尾，也就是行业中备受瞩目的「长程任务」。
在世界机器人大会上，成立仅 8 个月的墨奇（MORPHI）交出了自己的首张答卷：其研发的 MORPHI KINO 机器人用 15 分钟自主完成了收拾客厅、检查冰箱、处理衣物烘洗及叠衣等七八十个连续动作，全程无掉链子。
墨奇联合创始人黄青虬曾任华为智驾 AI 部门一号位，主导了华为智驾 ADS 1.0 到 4.0 的算法突破与量产。离开华为后，他与前物流老兵高文礼携手创业，致力于打造一台「跟人一样聪明」的通用机器人。今年 7 月，墨奇宣布获得超 10 亿元融资，阿里与腾讯联投，估值突破 70 亿元。
极客公园在墨奇的模型和机器人首次亮相前夕，与黄青虬进行了深入对话，探讨了他们通往物理 AGI 的路线图。
01. 告别华为智驾，押注物理 AGI 路线
回顾在华为车 BU 的 5 年经历，黄青虬经历了智驾从激光感知 AI 化到最终一段式端到端的全过程。他亲手验证了用一个 AI 模型去驱动物理系统、做底层控制是完全可行的，这为具身智能的爆发奠定了基础。
在本体选择上，墨奇与许多同行逆向而行：
- 不急于求成双足人形，优先选择轮式 -> 智能的上限在手臂，现阶段应聚焦于解决操作层面的瓶颈。
- 自研关节，暂不布局灵巧手 -> 夹爪足以完成大部分复杂动作，而关节模组的高动态与低时延才是当前的阻塞点。
- 坚持数据质量优先 -> 相比于单纯堆砌数据量，高质量的真实场景数据与后端的处理链路更为关键。
在商业化路线方面，黄青虬认为「通用」未来能取代「专用」，但「专用」永远取代不了「通用」。墨奇选择将重点放在提升通用能力、推高智能上限，在此基础上一路「沿途下蛋」，逐步寻找基础的专用场景落地。
02. 基础模型路线之争：让 System 1 成为大脑
墨奇公布了其具身智能模型 MoRA（MORPHI Reasoning & Autonomy），其命名没有采用当前主流的架构名词，而是直接从模型能力出发：
- Reasoning（推理） -> 代表对环境、任务以及行为的理解、推理、规划与预测。
- Autonomy（自主） -> 代表机器人能够自主推理、决策并持续执行行动直至正确。
Agentic-Native 的模型技术路线
行业主流架构通常将任务拆解交给云端大模型（System 2），再下发给端侧操作系统（System 1）和底层运控系统（System 0）。这种分工在处理长程任务时，往往会因为云端与端侧的沟通频率不足而产生卡顿。
墨奇选择将 System 2 的部分能力下放，打造 Agentic-Native 的模型路线：
- 让 System 1 成为更聪明的、能自主执行的大脑，而不是纯粹的底层执行器。
- 增强 System 1 的目标接口能力与长时序处理能力，使其能够处理中等时序、具备纠错和回溯能力的复杂任务（例如完整叠完一整件衣服）。
在数据积累方面，墨奇目前已沉淀了 3 万小时真实场景数据。黄青虬强调，数据评估的核心标准在于多样性与精度。通过自研的高精度定位与标定算法，墨奇的数据采集能够在弱纹理结构或严重遮挡场景下依然保持毫米级精度，并通过后台运营系统管理前端采集源，确保数据的真实度与有效性。
03. 打造长程任务的「试金石」
对于此次发布的 15 分钟跨房间、多步骤 Demo，黄青虬表示其核心目的正是为了完整展示软硬件协同的系统性能力：
- 长程任务验证 -> 整个 Demo 包含七八十个动作，考验的不仅是系统的稳定性，更是各环节的成功率叠加。
- 动态环境响应与自我纠错 -> 当环境中出现突发干扰（如脏衣篓被踢开）或需要多步骤记忆时，模型能够进行主动修复与进度追踪，实现带有认知闭环的闭环控制。
黄青虬坦言，现阶段具身智能行业的竞争才刚刚开始，如同跑马拉松，大家目前仅仅相差一两个身位。长期的核心竞争力不在于短期的硬件外观，而在于持续沉淀的组织资产、训练方法以及数据闭环中的 know-how。
04. 结语
面对行业中极高的跳槽率与拥挤的赛道，黄青虬认为稳定的组织架构与团队使命感同样重要。墨奇在经历了成立前 8 个月的快速冲刺后，已经构建了相对成熟的软硬件一体化系统。
对于未来，墨奇的目标非常清晰：在未来的模型训练与 Scaling Law 探索中，力争在某一个单点上做到业界标杆，成为行业中真正靠谱的推动者。