对话墨奇科技黄青虬:成立半年估值 70 亿,交出了能「长程执行」的自研模型
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。 ...