分类：AI动态 标签：具身智能、大模型、机器人、人工智能
机器人行业现在最关心的一个问题：它能干完一整件事吗？
几十秒的抓取物品视频已经撑不起估值，把一件事从头干到尾成了最新的行业考题——业内将其称为「长程任务」。在不久前的世界机器人大会上，墨奇（MORPHI）推出的一台机器人用 15 分钟交出了一份硬核答卷：收拾客厅、检查冰箱、把烘干机衣服拿出并放入新的一批、按下启动键，最后完成叠衣服。整个过程包含七八十个连续动作，自主完成且全程没有掉链子。
这家备受瞩目的具身智能公司成立刚满 8 个月，已获得超 10 亿元融资，阿里与腾讯联手投资，估值突破 70 亿元。近日，极客公园与墨奇联合创始人黄青虬进行了一场深入对话，聊了聊他们如何规划通往物理 AGI 的路线图，以及在这个拥挤的赛道中如何实现突围。
零、华为智驾 5 年的沉淀与物理 AGI 路线
黄青虬毕业于清华大学自动化系，拥有香港中文大学 MMLab 博士学位。加入华为车 BU 后，他作为“天才少年”在 5 年内飞速成长为智驾 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，其技术覆盖了超 170 万台量产新能源汽车。
离职前，他亲手把整套智驾系统彻底 AI 化，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。这让他看到了具身智能爆发的基础，随后他选择出来造一架「跟人一样聪明」的机器人。
墨奇在战略选择上做出了许多与同行不同的决策：
- 不急于做双足人形，先做轮式 -> 智能的上限在手臂，现阶段聚焦操作能力。
- 自研关节，暂不盲目追求灵巧手 -> 夹爪已经够用，关节是当前算法演进的阻塞点，而灵巧手并非当前瓶颈。
- 坚持数据质量第一 -> 不盲目堆砌数据量，坚信数据质量和精度比模型架构更重要。
一、基础模型路线之争：让 System 1 当大脑
在模型技术路线的选择上，墨奇主张 Agentic-Native（智能体原生） 的具身基模路线，并将其具身操作模型命名为 MoRA（MORPHI Reasoning & Autonomy）。
1. 为什么以能力而非架构命名
行业主流的模型命名多采用架构（如 VLA、WM 等），但墨奇认为架构只是方法和技巧，模型的核心能力才是本质：
- 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到正确。
2. 突破传统分工：重塑 System 1
传统机器人架构通常采用 System 2（云端语言与任务拆解）-> System 1（端侧操作系统与动作输出）-> System 0（底层运控系统）的级联。这种架构的瓶颈在于 System 2 与 System 1 之间的通信频率和时延卡顿。
墨奇的解法是将部分高阶能力下放，让 System 1 承担更多大脑的工作：
- 目标接口升级：不再局限于微操指令，而是接收大颗粒度任务（如“叠衣服”），甚至支持图像指令。
- 时序能力增强：从短时序的反应式动作，进化为能够自主纠错、回溯的中长时序任务执行能力。
二、长程任务与数据质量的护城河
在数据建设方面，墨奇目前积累了 3 万小时的真实场景数据。黄青虬强调，衡量数据的标准只有两个：多样性与精度。
- 三个真实：真实的人、真实的场景、干真实的活。摆拍产生的数据往往存在大量重复，难以训练出高泛化能力的模型。
- 毫米级精度：通过定位和标定算法，在有严重遮挡（如手伸进洗衣机）或弱纹理结构（如面对白墙）的复杂场景下依然实现毫米级定位。
- 长期竞争力：短期竞争力在于前端数据采集的精度与成本，而长期竞争力则在于原始数据到训练数据之间的处理链路（Data Pipeline）。在模型训练试错中沉淀下来的 know-how，才是别人无法抄袭的核心资产。
三、穿越马拉松：构建稳定的组织资产
对于具身智能赛道的高跳槽率与激烈竞争，黄青虬保持着清醒与冷静：
- 马拉松心态：具身智能行业才刚起步，大家目前的差距也就一两个身位。拉长到十几二十公里的马拉松来看，短期的快慢并不决定终局。
- 组织大于技术：频繁跳槽会阻碍技术演进。墨奇更倾向于寻找使命感强、渴望做出真正工作成果的同路人，通过良好的环境与资源支撑，将组织资产沉淀下来。
- 未来的出货目标：硬件可靠性与算法能力是规模化落地的两大瓶颈。墨奇的目标不仅是做出一两个炫酷的 Demo，而是要在基础模型和 Scaling Law 上做出业界标杆，成为真正靠谱的具身智能引领者。
💡 核心观点总结
- 通用超越专用：通用机器人未来能取代专用机器人，但专用永远取代不了通用。
- 数据质量至上：十几万小时的高质量真实场景数据，远胜过百万级的低质摆拍数据。
- 技术服务于上限：不为了自研而自研，只在系统演进的阻塞点上进行扎实的全栈投入。