分类：AI动态 标签：具身智能、大模型、机器人、人工智能
机器人行业当前的核心考题是什么？答案已经不再是数十秒内完成简单的物品抓取，而是能否将一整件事情从头干到尾。在行业内，这被称为「长程任务」。
成立仅 8 个月的墨奇科技（MORPHI）在世界机器人大会上，用一台机器人交出了一份 15 分钟的亮眼答卷：自主完成收拾客厅、检查冰箱、取出并投放烘干机衣物、按下启动键以及叠衣服等七八十个连续动作，全程稳定流畅。
墨奇科技联合创始人黄青虬近日接受了深度访谈，分享了团队如何通过 Agentic-Native 模型路线通往物理 AGI 的顶层设计与创业思考。
华为智驾背景：从自动驾驶到物理 AGI
黄青虬毕业于清华大学自动化系、香港中文大学 MMLab 博士，曾任华为车 BU 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。
在离开华为前，他亲手验证了一件事：用一个 AI 模型去驱动物理系统、做底层控制是完全可行的。这一突破让他看到了具身智能爆发的基础，于是他选择离职创业，与物流行业出身的高文礼联合创立了墨奇科技，目标是造一台「跟人一样聪明」的通用机器人。
不同于行业的常规路径，墨奇在许多选择上与同行反其道而行之：
- 不追双足人形，先做轮式 -> 智能的上限在手臂，现阶段聚焦解决操作难题。
- 自研关节，暂不急于灵巧手 -> 夹爪已经足够应对绝大部分场景，关键瓶颈在算法而非执行器。
- 不堆砌数据量，坚持质量第一 -> 模型架构不是唯一壁垒，数据中的 know-how 才是核心资产。
技术路线之争：让 System 1 成为大脑
在具身智能模型架构上，墨奇主张 Agentic-Native（智能体原生） 的路线。
行业主流通常采用分层架构：System 2 负责高级语义理解和任务拆解，输出指令给 System 1（操作系统），再由 System 0（小脑运控）驱动关节执行。但这种架构在长程任务中往往面临跨系统沟通频次和时延的瓶颈。
墨奇的核心解法是：将 System 2 的部分核心能力下沉并装进 System 1，让 System 1 真正成为大脑，而不是演变成纯粹的执行器。
- 更强的目标接口 -> 不仅支持语言指令，还能接受图像指令（例如「把衣服叠成图中的样子」）。
- 长时序自主纠错 -> 从反应式的短时序动作，跃迁为能自主完成中长时序、具备纠错与回溯能力的完整工作流。
在数据建设方面，墨奇目前已积累 3 万小时的真实场景数据（遵循「真实的人、真实的场景、干真实的活」三大原则），并计划在年底达到 15 万小时。黄青虬强调，短期的竞争力在于采集精度和多样性，而长期的护城河在于模型训练试错过程中沉淀出的闭环链路与独家 know-how。
迎接马拉松：组织建设比短期速度更重要
谈及具身智能行业的白热化竞争与极高的跳槽率，黄青虬认为：
- 跑马拉松的心态 -> 当前行业大家也就差一两个身位，拉长时间来看，这些差距都可以通过扎实的技术与基建积累来弥补。
- 组织稳定的价值 -> 除了技术演进，构建一个使命感更强、持续战斗的稳定组织，比盲目追求短期成果更重要。
对于未来，墨奇的目标非常清晰：在算力与模型训练的高投入下，不仅要用 8 个月时间走完别人数年的路，更希望在未来的模型架构与 Scaling Law 探索中，在单点上做到业界标杆，成为具身智能浪潮中最踏实、最靠谱的推动者。