分类：AI动态 标签：人工智能、大模型、具身智能、机器人
在机器人行业历经数年的概念炒作之后，行业内部的核心考题已经从“几十秒的物品抓取展示”升级为更具挑战性的“长程任务”——也就是把一件事从头到尾独立干完。
近期，成立仅 8 个月的具身智能新锐企业墨奇（MORPHI），通过一段长达 15 分钟的跨房间复杂家务实测给出了自己的解法：机器人自主收拾客厅、检查冰箱、把烘干机里的衣服取出、放入新的一批并按下启动键，最后完成叠衣。在这长达七八十个连续动作的执行过程中，系统全程自主完成且没有掉链子。
墨奇的创始人黄青虬出生于 1994 年，拥有清华自动化本科及香港中文大学 MMLab 博士背景。在加入华为车 BU 的五年间，他曾飞速成长为智驾 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。在离开华为前，他亲手验证了用一个 AI 模型去驱动物理系统、做底层控制的可行性，由此看到了具身智能爆发的基础，并决定投身物理 AGI 的创业浪潮。
目前，墨奇已完成超 10 亿元融资，获得阿里与腾讯联手押注，公司估值达到 70 多亿元，团队规模约 150 人，并计划在明年交付千台机器人。
一、 为什么通用机器人必须走「全栈自研」与「Agentic-Native」路线？
面对拥挤且同质化严重的具身智能赛道，墨奇做出了许多与行业反着来的选择：不急于追求双足人形，而是从轮式起步；自研关键关节模组，却暂不涉足灵巧手；不堆砌海量低质数据，而是将质量与精度放在首位。
在底层模型架构上，墨奇选择押注 Agentic-Native（智能体原生） 的技术路线。
- 传统架构的痛点：目前行业主流往往采用多系统分工（例如 System 2 负责云端语义规划，System 1 负责端侧操作执行）。由于云端与端侧之间的通信瓶颈与高延迟，导致系统在处理长程任务时容易出现卡顿或断档。
- 墨奇的解法：墨奇将大脑的核心能力直接装进执行层，让端侧的 System 1 拥有更强的自主推理与时序纠错能力。System 1 不再仅仅是一个纯粹的低阶小脑执行器，而是进化成了具备目标引导与错误恢复能力的智能大脑。
黄青虬指出，通用机器人未来能够取代专用机器人，但专用永远无法取代通用。只有在泛化场景中不断喂出泛化的基础模型，才能打破智能的上限。
二、 核心观点与技术路线图
在访谈中，黄青虬分享了墨奇在技术攻坚与商业落地上的深度思考：
- 数据质量胜过数量：墨奇目前已积累 3 万小时真实场景数据。黄青虬认为，短期竞争力在于采集精度与真实度，而长期核心壁垒在于模型训练试错中沉淀下来的 know-how，以及将原始数据转化为训练数据的处理链路。
- 硬件自研的边界：不能为了自研而自研。墨奇选择自研整机系统与高动态关节模组，核心是为了解决当前算法演进的阻塞点，保证软硬一体的最优迭代效率。
- 长程任务是检验实力的试金石：一个 demo 能否成功跑完长达十几分钟、包含数十个复杂动作的长程任务，最能体现系统的综合调度能力、泛化性以及自我纠错（Closed-loop）机制。
博客总结
从华为车 BU 的智驾大牛，到如今物理 AGI 创业浪潮中的弄潮儿，黄青虬和墨奇团队用短短数月时间展现了极高的研发迭代效率。
在具身智能这场马拉松式的长跑中，喧嚣的架构名词与资本估值只是起点。正如黄青虬所言，如何把技术演进、数据基建以及本体工艺沉淀为稳定的组织资产，在真实的作业场景中解决可靠性与泛化难题，才是决定谁能真正笑到最后的关键所在。