墨奇亮相WRC：一臺機器人長程任務實戰背後的“具身大腦”革命

墨奇智能（MORPHI）首次在國內系統亮相，公開展示其新近發佈的具身智能模型架構MoRA 8月19日至23日，世界機器人大會（WRC 2026）於北京北人亦創國際會展中心舉行。成立僅半年的具身智能企業墨奇智能（MORPHI）首次在國內系統亮相，公開展示其新近發佈的具身智能模型架構MoRA，並正式推出適配家庭長程任務的MORPHI KINO 輪式機器人。從“具身大腦”到硬件本體，墨奇雙向發力，推動通用機器人跨越從“單一動作演示”到“連續任務執行”的能力邊界，展現出具身智能從Demo走向真實物理世界的更多可能。

一臺全自主家務機器人的「長程任務實戰」 在本屆世界機器人大會現場，墨奇智能的通用機器人本體迎來首次公開亮相。MORPHI KINO輪式機器人活躍在各個Demo演示區域，現場完成送盲盒、合影互動、家居收拾、拾取放置等多項操作。其中，最吸引現場觀眾駐足參觀的是——MORPHI KINO 輪式機器人自主完成的一段長達15分鐘、跨區域、多步驟的家庭長程任務演示。在模擬的家庭環境中，串聯起客廳清潔與桌面整理、冰箱飲料補貨、衣物洗烘與摺疊等一系列日常家務，充分展現了機器人在環境感知與物品理解，長程任務規劃與連續執行、複雜雙手操作上的技術能力，同時也驗證了其對家庭狹窄空間和真實居家佈局的環境適配能力。

在墨奇展臺，機器人自主規劃路徑導航至茶几旁，精準識別成團紙巾和礦泉水瓶等雜物，抓取後投入垃圾桶；再將茶几上散亂的物品逐一收納至托盤，完成客廳基礎整理工作。據現場技術人員介紹，看似簡單的桌面清理，背後涉及到視覺識別、姿態規劃、力控抓取等多重技術的綜合考驗：面對雜亂無序的桌面空間，機器人需要精準定位目標物體，以合適的力度完成抓取，再完成歸置投放，每一步都離不開算法的精密調度。圖：MORPHI KINO輪式機器人整理桌面 客廳整理完成後，機器人移動至冰箱前，核查冰箱飲品庫存；發現飲品不足後，它便移步至室內桌面取來礦泉水，完成冰箱補貨，再關閉冰箱門。

對機器人而言，開門並非易事：門把手位置、門體開合角度、操作力度都需要依靠視覺和力覺傳感器實時感知，並動態調整機身高度與手部姿態，找到最佳操作點位。也正是這套能力，讓機器人得以自主完成庫存核驗、取貨、補貨、關門的完整物資補給流程，在家庭場景中有效分擔人力家務負擔。圖：MORPHI KINO輪式機器人取水補貨 家務流程繼續推進，機器人來到洗烘工作區。它先打開烘乾機，取出已經烘乾完畢的衣物，暫存至乾淨衣簍；隨即開啟洗衣機，取出待烘乾的溼衣物後閉合洗衣機艙門；再將溼衣物投放進烘乾機，關好艙門，並按下電源鍵與啟動按鈕，啟動烘乾程序；最後再回到摺疊臺，將衣簍中烘乾完畢的衣物完成整理、摺疊與碼放。

圖：MORPHI KINO輪式機器人摺疊衣物 現場工作人員向觀眾介紹，機器人取放和摺疊衣物這一組動作極具代表性：它不再侷限於基礎的物品抓取和放置能力，而是要求機器人掌握操控複雜家電的能力——按按鈕、識別按鍵位置、控制按壓力度，這也是機器人真正走入家庭場景必須攻克的核心門檻。整場15分鐘家庭長程任務實戰演示，直觀展現了 MORPHI KINO 輪式機器人整機綜合能力，即移動底盤、軀幹、雙臂、視覺與力覺感知單元相互協同。其亮點不在於秀出某一個零部件，或炫技單一技術模塊，而是呈現機器人作為一個完整的具身系統，不僅能夠理解任務目標，還能在較長的時間裡持續將真實環境向目標狀態推進。

MoRA把目標、記憶與進度下沉到策略模型 如何讓機器人從一段精彩的Demo演示，變成在家庭和工廠裡真正幹活的產品，已成為當下具身行業普遍關注的議題。硬件本體可持續的行動力背後是具身模型可進化的智能決策力。當前，具身領域較為常見的技術方案是採用分層雙系統架構：System2（高層認知大模型）+System1（機器人策略模型）。這套模型架構讓機器人初步具備了完成長程任務的能力，但也留下了結構性的瓶頸。在現有的分工模式下，任務的主體智能——目標維護、記憶管理、進度追蹤與失敗恢復，幾乎全部承載在System2 認知層；而直接與物理世界交互的System1，則更多被視為面向當前子任務的動作執行器。

問題恰恰出在這裡。僅靠強化System2的規劃能力，不能完全解決真實世界中的長時序執行問題。System1 層面存在兩個關鍵限制：其一，目標接口能力有限，存在指令遵循性不佳且泛化性不足，不支持圖像指令，難以處理多階段結構化指令等問題。其二，執行以短時序、反應式為主，模型缺乏多粒度的執行記憶和對任務進度的認知。真實物理世界充滿不確定性。一個真正能持續幹活的機器人，不能每走一步都等“大腦”發號施令。

面對行業共性瓶頸，墨奇在不久前發佈了其自研具身智能模型架構MoRA (MORPHI Reasoning and Autonomy)，並系統性提出Agentic-Native 的具身模型技術路線：為了實現更好的長時序任務執行能力，讓 Agentic 能力原生存在於策略模型中。

圖：墨奇具身模型架構MoRA 墨奇重構的System1稱為Agentic-Native 具身動作模型，它具備三個核心能力：第一，Goal-Conditioned Execution（以目標為條件的持續執行），即模型接收文本或圖像目標，並在整個執行過程中持續圍繞目標行動；第二，Multi-Granularity Memory（隨技術演進構建短、中、長期多層級記憶），即通過長、中、短期記憶支撐長程執行；第三，Progress-Aware Closed Loop（帶進度認知的閉環），即不僅輸出動作，也輸出任務狀態、進度和後續預測。在此基礎上，墨奇重新定義了雙系統的邊界與協作方式。

System 2是以物理世界為原生語境的認知中樞，承擔三項核心職能：意圖理解，結合物理環節的約束去解讀用戶的真實目標；任務規劃，將意圖拆解為可執行的任務流，並調度 System 1執行，在執行過程中進行持續看護；多模態表達，通過語音、動作和表情與用戶進行交流反饋。System 1則是 Agentic-Native 的具身執行引擎。它接收文本和圖像共同定義的結構化任務目標（Goal）輸入，不間斷地輸出全身動作；內部維護不同粒度的執行記憶，自主判斷任務進展；遇到自身能力邊界或異常狀態時，主動向 System 2發出介入請求。它不是被動等待指令的手腳，而是能扛住目標、自己往前走的執行主體。

二者的關係可以概括為：System2 理解並組織目標，System1 則在持續的具身行動中承載並推進目標。簡而言之，前者決定要完成什麼，後者持續把它做成。這種分工的價值在於效率與魯棒性的雙重躍升。高頻的物理交互、細節調整、進度追蹤交給System1 原生處理，保證實時性和連續性；低頻的目標理解、全局規劃、異常處理交給System2，保證靈活性和智能性。兩邊各司其職，而不是把所有智能都堆在上層、讓下層只做反射。讓真實作業數據成為可擴展的模型訓練信號 而這套原生模型範式之所以能成，也是墨奇長期佈局之下兩條暗線的交匯所賜——足夠有質量的真實數據，以及能消化大規模數據的Infra。

墨奇智能聯合創始人兼 CTO 黃青虯認為，模型的本質，其實是做信息的壓縮、模態的轉換，模型的能力上限，取決於參數量。當下，各傢俱身公司對模型架構所做的改進，其作用更多的是在提高模型吸收數據的效率，實際上對模型的能力上限影響相對低。而效率是能夠用更多的數據、更長的訓練時間彌補的。在一個人人都高喊「1000萬小時」「1億小時」數據的時刻，今天行業接觸到的具身數據「質量是不夠高的」，且缺乏統一的標準。因此，具身智能要產生 scaling law，前提是數據能夠 scale up；而真實場景的數據質量，遠比數據數量更重要。

圖：墨奇真實作業數據採集 相對應的是，墨奇在數據採集方面，走了一條“自研設備+深入場景”的路線：一方面，自研MORPHI Sense Kit真實世界數據採集系統，可在弱紋理、高反光等極端場景下實現毫米級軌跡重建，保證數據本身的精度與可用性；另一方面，推動數採設備深入酒店、商務公寓等商業場景，由一線作業人員產出真實作業數據，避免擺拍數據帶來的分佈偏差。在此基礎上，墨奇搭建了從數據採集到模型迭代的完整數據飛輪體系。目前，墨奇已積累3萬小時真實場景數據，計劃今年完成15萬至20萬小時數據儲備，持續為MoRA模型迭代供給高質量訓練素材。

具身智能的落地，從來不是單點算法的突圍，而是模型、硬件、數據深度耦合的複雜系統工程。成立僅半年的墨奇，已逐步完成了從模型架構、軟硬協同、數據閉環到跨場景泛化的全棧技術佈局。在具身這場馬拉松長跑中，墨奇已跳出單點的技術內卷，找到了差異化的系統級競爭壁壘。