分类：AI动态 标签：人工智能、大模型、具身智能、机器人

机器人行业现在最关心的一个问题是：它能干完一整件事吗？几十秒的抓取物品视频已经撑不起高额估值，将一件事从头干到尾的「长程任务」，成了最新的行业考题。

在 8 月 19 日的世界机器人大会上，成立仅 8 个月的墨奇（MORPHI）交出了一份硬核答卷：一台名为 MORPHI KINO 的轮式机器人，在 15 分钟内自主完成了收拾客厅、检查冰箱、洗烘衣物并叠好等七八十个连续动作，全程没有掉链子。

这家公司的联合创始人黄青虬出生于 1994 年，拥有清华自动化本科与港中文博士背景，曾任华为智驾 AI 部门一号位。近日，极客公园与黄青虬展开深入对话，探讨了具身智能的技术路线、物理 AGI 的实现图谱，以及在拥挤赛道中的破局之道。

华为智驾 5 年，验证物理 AGI 的底层可能

黄青虬在华为经历了智驾从 ADS 1.0 到 4.0 的演进，主导了车规级激光雷达 AI 化感知及一段式端到端等关键突破。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，这为他后来投身具身智能奠定了基础。

与许多同行不同，墨奇的诸多选择显得颇为独特：

  • 不做双足人形，先做轮式 -> 智能的上限在手臂，现阶段应规避双足平衡等非核心瓶颈。
  • 自研关节，暂不碰灵巧手 -> 夹爪已足够应对大部分场景，关键瓶颈在算法而非执行器。
  • 不追逐热门架构名词 -> 提出 Agentic-Native 的具身模型路线 MoRA（Reasoning & Autonomy）。

黄青虬指出，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。只有在泛化场景中喂出泛化的基础模型，才能真正推高智能的上限。

基础模型路线之争：让 System 1 成为大脑

当前行业主流模型多采用多层系统架构，但 System 2（云端高阶推理）与 System 1（端侧操作）之间存在通信与时序瓶颈。

墨奇主张的 MoRA 模型 核心在于：

  1. 能力重构 -> 将传统依赖云端调度的一部分能力下放，让端侧的 System 1 不再只是纯粹执行动作的小脑，而是具备中等时序、自主纠错与回溯能力的「大脑」。
  2. 多层次接口与记忆 -> 不仅支持大颗粒度的语言指令（如“叠衣服”），还能处理图像指令，并在长达数分钟的连续动作中展现记忆与环境动态响应能力。

在数据建设方面，墨奇目前已积累 3 万小时真实场景数据。黄青虬强调，数据质量远胜于数量，核心竞争力在于从原始数据到训练数据之间的 pipeline 搭建，以及在模型试错中沉淀下来的 know-how。

长程任务是试金石，组织与技术并重

对于备受关注的具身智能商业化与行业竞争，黄青虬保持了理性的清醒：

  • demo 的含金量 -> 长程任务（如 15 分钟连续多步骤操作）是检验系统稳定性和自我纠错能力的最佳试金石，每一个动作都需要极高的基础成功率支撑。
  • 资本与团队管理 -> 在跳槽率极高的行业中，墨奇更看重团队的使命感与组织稳定性，致力于构建持续战斗的组织资产。

未来，墨奇计划在年底前将数据量扩充至 15 万.小时，并持续在模型架构与数据 scaling law 上探索业界标杆，力求成为具身智能浪潮中真正靠谱的实干者。