当通用大模型已经能看懂场景、拆解指令、规划步骤，机器人公司真正要攻克的是什么？2026年11月4日下午，乌镇峰会机器人与具身智能论坛上，墨奇智能联合创始人兼CTO黄青虬把这个问题摆上台面，抛向了产业界。
近年来随着人工智能技术加速迭代，通用大模型“理解世界、拆解任务”的能力又提升了数个等级。9月正式发布的GPT-6 Astra被定义为“新一代智能”，其在电脑操作、软件工程、科学研究、专业工作流等场景里，已能够接收模糊目标，自主拆解任务、调用工具、跨步骤执行并交付结果。据RoboDojo、商汤SenseNova联合团队及银河通用等机构的公开评测，GPT-6 Astra在语义理解、空间推理、任务规划上已跨过具身门槛。
黄仁勋此前曾将“物理AI”定义为AI发展的下一轮浪潮：智能体的工作将不再是透过屏幕聊天与画画，而是逐步进入真实世界，理解空间与质量，完成“感知—认知—决策—执行”的全闭环。据Grand View Research测算，2025年全球物理AI市场规模约816亿美元，2033年有望突破9600亿美元，年复合增长率超36%。
但进展并不等同于真实环境中的可靠部署，精密控制、执行效率和真实环境可靠性仍是需要解决的问题。“通用大模型在意图理解、任务规划、常识推理上已展现强大能力，为机器人提供了更好的‘认知底座’。但问题在于，认知不等于行动。”黄青虬认为，真实世界是动态变化的，机器人要在这样的环境里完成长程任务，不仅需要“想清楚”，还要“做得对”。他表示：“推理、行动与控制的协同，才是当下机器人公司真正需要攻克的。”
把“大脑”装进执行层
所谓“做得对”，是让机器人在不同时间尺度上协同完成推理、动作生成与高频控制，并在连续操作中利用接触反馈、应对扰动和恢复任务。这些能力需要机器人本体、动作模型与控制系统共同实现。
常见的系统分工是 “云端大模型下指令、本地策略执行”，但真实世界要求快速响应，若动作闭环频繁依赖远端调用，通信与推理延迟就会影响响应。
“墨奇选择把更多能力下沉到端侧，”黄青虬介绍称，墨奇自研的具身原生模型架构MoRA，以三层协同架构组织任务推理、动作生成与高频控制：System 2（MoRA-Reason）负责复杂目标理解、任务编排与异常监控；System 1（MoRA-Act）部署在端侧，负责目标维持、任务记忆、进度追踪与实时动作生成；System 0（MoRA-Control）负责高频全身控制，接收动作块、驱动移动与操作，并回传环境反馈。
这套架构将目标维持、任务记忆和进度追踪等能力下沉到端侧，使执行层能够结合最新观测进行局部判断与修正，减少动作闭环对远端调用的依赖，并在必要时与云端协同。
围绕端侧执行，墨奇正试图从“看得见、摸得着、记得住、接得上”四个维度，构建起一套完整的能力拼图：
多模态动作输入，让模型同时处理语言、视觉、深度与接触信号——不仅“看见”物体，还能“感觉”到杯子是玻璃的、衣服是棉的、桌面是光滑的；
长程记忆，持续保留任务目标、历史观测与执行进展，在环境变化时为后续行动提供上下文；
状态修复，支持机器人在任务中断或环境扰动后，结合任务记忆与当前观测判断执行状态，并在条件允许时继续或恢复任务；
触觉闭环，把力觉反馈纳入决策回路，夹爪用力多大、物体是否滑动，这些“手感”信息决定精细操作的上限。
持续迭代的数据飞轮
除了模型能力，数据也是具身智能研发的重要约束。中国信通院在《具身智能训练场研究报告（2026年）》中指出，具身基础模型要迎来“ChatGPT时刻”，至少需要千万小时级真实多模态交互数据，而截至2026年初，全球可用的高质量物理交互数据仅约50万小时，缺口巨大。
数据短缺所导致的行业焦虑，使得众多具身智能公司热衷于数据规模的比拼，然而由于采集成本高企、标准不统一，导致所采集的物理交互数据质量参差不齐，严重掣肘了具身智能在真实世界执行能力的发展。
“数据是一套持续产生有效实验的基础设施，质量比单纯堆积小时数更重要。”对于求“质”还是求“量”，基于这一判断，墨奇智能关注的不只有数据规模，还包括轨迹精度、任务完整性以及失败与恢复过程。
墨奇自研的轻量采集设备MORPHI Sense Kit，能够在弱纹理、高反光等极端场景下实现毫米级轨迹重建，从源头保证数据的精度与可用性。基于这一设备，公司将“真实场景、真实作业人员、真实工作”的“三真数据”原则真正落实到了数据采集过程中：保洁员佩戴MORPHI Sense Kit在酒店、公寓等场景照常工作，真实操作过程经采集与处理转化为可学习的轨迹数据。黄青虬表示：“真实的人、真实的房间、干真实的活——这样的数据才包含真实世界的多样性。”
数据采完只是第一步，为将原始数据转化为可训练具身模型的数据集，墨奇还建立了包含采集、质检、挖掘、标注、训练、评测六个环节的数据生产与模型迭代闭环，将执行与评测中发现的问题转化为新一轮补采任务，推动模型持续迭代。
务实形态聚焦“类家庭”场景
聚焦“类家庭”场景下的轮式双臂 KINO是墨奇所选择的具身智能本体，相比当下更为火热的“表演型”双足机器人，墨奇的这一选择显得更为克制。
“双足行走在稳定性、安全性、成本上仍有大量工程问题需要解决；而轮式双臂已经能覆盖大量真实场景的移动操作需求。”黄青虬认为，相比于形态的扩展，“稳定、连续、可回流数据”的跑通更为重要。
在黄青虬看来，家庭是具身能力的终点，而酒店是墨奇选择的切入场景之一。他表示，酒店、公寓、物业等B端环境中的部分任务与家庭实际场景相近，任务流程也相对标准，便于积累真实作业数据并验证能力。在此基础上，墨奇希望逐步探索向家庭场景扩展。
在持续提升的端侧执行能力和不断迭代的高质量数据推动下，墨奇MORPHI KINO在“类家庭”场景下的长程任务执行能力已有了显著提升。2026年8月世界机器人大会上，墨奇首次亮相，实现零人工干预跑通七八十个连续动作的15分钟家庭场景长程任务。
但对于KINO未来的发展，黄青虬依然有着清晰的认知：从“场景可用”到“长期稳定运行”，中间还有很长的路。他表示，墨奇不热衷于贴“全球首个”标签，更不会把demo惊艳度当能力。墨奇想做的是：持续迭代模型、持续回流数据、持续收敛本体——直到机器人能像老员工一样，在真实世界里稳定上班，让具身智能走进现实，重塑未来生活方式。
