分类：AI动态 标签：具身智能 -> 大模型 -> 机器人 -> 人工智能

在具身智能狂飙突进的三年里，行业迎来了一个全新的考题：机器人究竟能不能把一件事从头干到尾？几十秒的短暂抓取视频已无法支撑高昂的估值，业界开始将目光聚焦于「长程任务」。

成立仅 8 个月的墨奇（MORPHI），在世界机器人大会上用一台轮式机器人 KINO 的 15 分钟连续家务作业（收拾客厅、检查冰箱、洗烘衣物等七八十个连续动作），交出了一份亮眼的答卷。

作为墨奇的联合创始人，黄青虬曾是华为智驾 AI 部门的一号位，主导了 ADS 1.0 到 4.0 的量产。在验证了端到端 AI 模型驱动物理系统的可行性后，他选择离职创业，带领团队在具身智能赛道走出了一条独特的技术路线。

以下为科技与数码博客编辑为您整理的深度对话核心内容。

华为智驾 5 年：通往物理 AGI 的路线图

回顾在华为的五年经历，黄青虬坦言，从 ADS 1.0 的激光雷达 AI 化商用到离职前主导的一段式端到端智驾系统（用一个模型直接驱动车辆控制），让他亲手验证了用 AI 驱动底层控制的可行性。这不仅奠定了具身智能爆发的基础，也促成了他与物流老兵高文礼的携手创业。

在众多公司盲目追逐双足人形机器人的当下，墨奇做出了几个与同行截然不同的选择：

  • 聚焦智能上限：坚信「智能的上限在手臂」，优先选择轮式机器人而非双足人形，规避平衡性等现阶段非核心瓶颈。
  • 按需自研：不为自研而自研，只在系统瓶颈处投入。例如自研高动态、低时延的关节模组，而夹爪则直接采用成熟方案。
  • 通用优先：坚持做通用机器人，通过泛化场景喂出泛化模型，坚信「通用未来能取代专用」。

基础模型路线之争：让 System 1 成为大脑

在模型技术路线上，墨奇提出了 Agentic-Native 的具身模型路线——MoRA（MORPHI Reasoning & Autonomy），其核心在于重新定义了系统分工。

传统架构通常采用 System 2 在云端做高层理解，通过指令下发给端侧的 System 1（执行器），再由小脑 System 0 控制关节。这种分工在长程任务中容易产生时延与卡顿。

  • 能力重构：墨奇选择将一部分大脑能力下放至端侧的 System 1，让其不仅能接收语言或图像指令，更能自主完成中等时序、需要纠错和回溯能力的复杂动作。
  • 数据质量优先：在数据建设上，墨奇不盲目追求百万级的粗放数据量，而是坚持“三个真实”（真实的人、真实的场景、干真实的活），通过自研定位与标定算法，在弱纹理和遮挡场景下也能做到毫米级精度。

长程任务：具身智能的最终试金石

MORPHI KINO 的 15 分钟跨房间、多步骤 Demo 展现了其长程任务的处理能力。黄青虬指出，评估一家具身智能公司的实力，核心要看三个维度：

  1. 长程执行能力：动作越多，对单步成功率的要求呈指数级上升。70 多个动作的连续流畅执行，依赖于强大的软硬件调度系统。
  2. 泛化与动态适应：能够处理突发的环境变化（如垃圾被挪位、中途加入新杂物）。
  3. 自我纠错能力：面对失败能够实时重试或自我修复，而非直接宕机。

结语：在跳槽率极高的行业回归组织与长期主义

面对具身智能行业极高的跳槽率和热度，黄青虬保持了清醒的头脑。他认为，当前行业如同马拉松开局，各方差距不过一两个身位，真正的核心壁垒在于组织稳定性和长期的技术沉淀。

“我们用 8 个月时间干了别人两三年干的事情。”黄青虬表示，墨奇的下一个目标是在模型架构或数据 Scaling Law 的单点上，做出业界其他人没做过的东西，真正成为一家靠谱的具身智能标杆企业。