前华为智驾 AI 负责人、「天才少年」黄青虬指出，世界模型和 VLA 并非具身智能的终极答案。离开华为后，他联合创办了通用具身智能公司墨奇智能。成立仅半年，该公司估值已超 70 亿元。
近日，墨奇智能在 WRC 2026 现场正式发布了自研具身智能模型架构 MoRA（MORPHI Reasoning & Autonomy），这是一条 Agentic-Native（智能体原生）的具身大脑路线。承载该大脑的是其自研本体——面向家庭服务场景的轮式机器人 MORPHI KINO，这也是该本体的首次公开亮相。
在现场演示中，MORPHI KINO 耗时 15 分钟，在无人工指挥的情况下，独立完成了一套完整的家居长程任务：清理桌面垃圾、检查冰箱库存并补货、将湿衣送入烘干机启动，待烘干后取出折叠码放。整个过程流畅连贯。
对于人类而言，这些是六岁儿童即可完成的家务，但对机器人来说，「长程」任务往往意味着高失败率。现阶段行业内敢展示 5 分钟以上连续任务的案例屈指可数，更不用说在泛化性要求极高的家庭场景中。墨奇此次展示的 15 分钟连续作业能力，引发了现场观众的广泛关注。
Agent 原生的具身大脑
要理解墨奇的技术突破，需先审视传统方案。目前业界为解决「长程」任务，普遍采用分层架构（System 1 与 System 2），如 Google Gemini Robotics、Figure Helix 02 等。
在传统架构中，System 2（大语言或视觉语言模型）充当大脑，负责目标理解、任务拆解与结果验证；System 1（策略模型）则接收子任务指令，结合视觉和本体状态执行动作。虽然该架构实现了初步的长程任务能力，但存在明显缺陷：智能过度集中在 System 2，而直接与世界交互的 System 1 沦为机械执行者。
这种模式导致两大问题：
目标接口受限与信息损耗
传统动作模型仅能接收固定格式的文本子任务，无法处理图像指令或多阶段结构化描述。System 2 需将高层目标不断拆碎、格式化后喂给 System 1，每转译一层便产生信息损耗，导致 System 1 缺乏对整体目标的认知，仅关注下一个动作。
执行以短时序、反应式为主
由于 System 1 缺乏对任务整体进度的认知和多粒度执行记忆，遇到环境扰动或偏差时无法自主纠错，只能暂停等待 System 2 重新调度。这导致机器人动作卡顿、频繁停顿重规划，难以适应强调「实时 + 闭环」的真实物理世界。
针对上述痛点，墨奇提出了 MoRA 架构。与业界常见的「大模型外挂动作策略」不同，MoRA 主张将 Agentic 能力原生植入策略模型内部，使 System 1 具备目标持续性、执行记忆和任务进展追踪能力，从而实现从「输出下一个动作」到「持续工作」的转变。
MoRA 的 System 1 具备三项核心能力：
目标为条件的持续执行
MoRA 接收由文本和图像共同定义的结构化任务目标，而非离散动作指令。目标接口原生内化于策略模型，无需层层转译。机器人在接收目标之初即明确完成状态，确保持续执行。
多层级记忆机制
为应对长程任务的时间跨度挑战，MoRA 在 System 1 内部构建了三层次记忆：短期记忆处理毫秒级控制连续性；中期记忆管理步骤级执行状态；长期记忆保留任务整体目标与进度。这些记忆成为模型表征空间的一部分。
进度认知的闭环
MoRA 在输出动作的同时，结合目标、执行记忆和环境反馈，持续判断任务状态。大部分中途偏差可由 System 1 自主感知并修正，仅在遇到能力边界时请求 System 2 介入。
在此架构下，双系统分工明确：System 2 化身「项目经理」，专注意图理解、全局规划与异常兜底；System 1 晋升「主力员工」，明确目标后不间断输出动作，自主维护记忆与进度。
亮相 WRC 2026：15 分钟长程任务实录
在 WRC 2026 现场，墨奇展示了其自研本体 MORPHI KINO 轮式机器人。该机器人外形萌趣，支持表情 DIY。其核心演示为一个长达 15 分钟的家居长程任务，具体包含以下环节：
任务一：桌面整理
机器人导航至垃圾桶处，将其移至茶几旁，清理纸巾与空瓶后归位。此环节主要考验模型的通用抓取（Picking）能力。
任务二：冰箱补货
机器人拉开冰箱门，探头检查内部库存，随后转身从房间另一侧取来一瓶矿泉水放入冰箱。这一过程展示了机器人对「检查 - 判断 - 行动」逻辑链的自主执行能力，以及开门等复杂操作的环境适应性。
任务三：衣物洗烘与折叠
机器人从烘干机取出干 T 恤后，并未立即折叠，而是先前往洗衣机取出湿衣放入烘干，利用等待时间再返回折叠干衣。这种并行处理逻辑体现了模型对任务进度的深度认知与时间优化能力。
整个长程任务仅需简单的目标 Prompt 即可触发，其余步骤均由 MoRA 内部自主协同完成。此外，展台还展示了随机物品抓取收纳、盲盒递送及互动合影等功能，其中抓取动作丝滑流畅，展现了高频策略输出的稳定性。
质量，远比数量重要
在模型架构之外，数据策略是墨奇的另一大核心壁垒。面对行业疯狂堆砌数据量的趋势，墨奇 CTO 黄青虬坚持认为：真实场景的数据质量远比数量重要。
与大语言模型不同，具身智能需在有限参数下实现端侧部署，必须追求「实时 + 闭环」。低质数据不仅无效，反而可能引入噪音。因此，墨奇从起步阶段便致力于构建高质量数据基础设施（Infra）。
优化过的无本体采集路线
墨奇采用以人类第一视角数据为起点的采集方案，通过统一具身动作空间对齐人机行为。为提升精度，公司自研了 MORPHI Sense Kit 采集设备，能在弱纹理、高反光等极端场景下实现毫米级轨迹重建。
真实商业场景驱动
不同于部分同行聚焦工业场景，墨奇优先进入酒店、商务公寓等服务行业一线场景，由真实作业人员在日常工作中产出数据。这种场景导向的策略旨在缩小仿真与现实的差距，并为进入家庭场景积累经验。
大规模数据消化能力
依托强大的 Infra 建设，墨奇已积累 3 万小时真实场景数据，计划于 2026 年底完成 15 万至 20 万小时的数据储备。这种稳扎稳打的策略，使其在数据质量上建立了显著优势。
马拉松，刚刚开始
具身智能的下半场考题已变为「长程为王」。机器人需在动态环境中持续完成任务，这正是墨奇 Agentic-Native 路线的核心价值所在。
面对「入局是否太晚」的质疑，墨奇团队回应称：具身智能是一场马拉松，起跑位置并不决定最终胜负。不盲目追逐世界模型热度，不贴标签，而是专注于将 Agentic 能力内化为模型原生天赋，并在真实场景中夯实数据基础。
2026 年，随着具身智能回归场景导向，长程任务成为新赛段主题，墨奇正加速奔跑在这一赛道上。