WRC最忙機器人:猛幹15分鐘家務,收納、補貨、疊衣服…

在近期舉行的世界機器人大會(WRC)上,一款能夠連續執行15分鐘家務的機器人成為全場注目的焦點。這款機器人不僅可以快速完成收納物品、補貨上架,甚至連疊衣服這類需要精細動作的任務也難不倒它,展現出的作業效率與靈活度幾乎與人類相當。現場觀眾紛紛駐足圍觀,驚嘆於機器人如何在居家環境中流暢地走動、辨識物品、抓取並擺放,整個過程幾乎沒有停頓。這款機器人之所以能完成如此複雜且長時間的家務作業,背後的核心技術來自於其搭載的通用具身智能系統。而這個系統的開發者,正是前華為智駕AI一號位、曾被譽為「華為天才少年」的黃青虯。
他在離開華為之後,聯合創辦了通用具身智能公司「墨奇智能」,專注於讓機器人擁有真正的自主作業能力。墨奇智能雖然成立僅半年,但已經在業界累積相當高的關注度,目前公司估值已突破70億元新台幣。這家新創的快速崛起,不僅反映了市場對家用機器人領域的高度期待,也凸顯出黃青虯及其團隊在人工智慧與機器人技術上的深厚實力。近期,墨奇智能正式對外發表了自研的具身智能模型架構,命名為「MoRA」(MORPHI Reasoning & Autonomy)。MoRA架構被定位為一條「Agentic-Native」的具身大腦路線,這意味著機器人不再只是被動執行預先編寫好的指令,而是具備自主推理與規劃的能力。
在複雜的居家環境中,MoRA能夠讓機器人即時感知周遭空間、識別物體位置、判斷任務優先順序,並根據實際情況動態調整動作序列,從而實現長時間、高效率的家務作業。舉例來說,當機器人收到「整理客廳」的指令時,它會先掃描整個空間,辨識哪些物品需要歸位、哪些需要補貨,然後規劃出一條最有效率的移動與抓取路徑。在執行任務的過程中,如果遇到障礙物或物品位置變動,它也能即時修正計畫,而不會卡在某個步驟停滯不前。這種靈活性正是傳統工業機器人難以達到的。黃青虯曾表示,通用具身智能的實用化突破,關鍵在於讓機器人擁有類似人類的常識推理與動作協調能力。
而MoRA架構的設計,正是為了在有限的運算資源下,實現高效且穩定的自主決策。他強調,這款機器人在WRC上的15分鐘連續作業,只是技術應用的第一步,未來目標是讓機器人能夠在日常生活中穩定執行數小時的家務,甚至協助更複雜的家事。值得注意的是,這款機器人並非只專注於單一任務,而是具備多種家務技能的通用平台。在展會現場,它先後展示了收納散落物品、將貨架上的商品補齊,以及將衣物從洗衣籃中取出並摺疊整齊。這些動作看似簡單,但對機器人而言,需要同時整合視覺辨識、手臂運動控制、力覺回饋以及路徑規劃等多項技術,難度相當高。墨奇智能的技術路線也引發業界討論。
不同於許多公司採用預先訓練大量特定任務模型的作法,MoRA架構強調的是「Agentic-Native」,也就是讓機器人本身成為一個自主代理,而非僅僅是執行工具。這種設計讓機器人能夠在未知環境中快速適應,減少對特定場景的依賴,也更容易推廣到一般家庭使用。隨著全球人口老化與家庭結構變化,家用服務機器人的需求持續增長。墨奇智能的這款機器人雖然還處於原型階段,但其在WRC上的表現已讓許多人看到家用機器人真正走入日常的曙光。黃青虯團隊的目標是讓機器人不再只是展示台上的噱頭,而是能真正幫人們分擔家務的可靠夥伴。目前墨奇智能已經開始與多家家電與家居品牌洽談合作,希望將MoRA架構整合到更多硬體平台上。
業界分析指出,如果這套系統能夠順利量產並降低成本,未來幾年內,消費者或許就能在市面上買到具備類似能力的家用機器人,屆時「機器人做家事」將不再是科幻電影的場景,而是生活中的日常。
Related
相關文章

消息稱 NVIDIA 考慮向 Perplexity AI 投資“數十億美元”
作者:溯波(實習) 責編:溯波 評論: 8 月 24 日消息,外媒 The Information 稍早前報道稱,NVIDIA(英偉達)考慮在 Perplexity AI 的最新融資輪中向這家人工智能初創企業投資“數十億美元”。雙方正就該交易展開磋商,還可能達成技術授權協議。

Rabbit做了個“所有Agents的Agent” ,體驗後我覺得Agent早就該長它這樣
Rabbit推出了一個被稱為「所有Agents的Agent」的新產品,實際體驗後讓人覺得Agent早就該長這樣。文章認為Agent普及的關鍵並非增加更多能力,而是讓用戶少理解十個概念,降低使用門檻。
Guidelight評估五大AI實驗室,OpenAI遏制能力排名第一
該評估覆蓋Anthropic、Google、OpenAI、Meta和xAI,僅依據公開信息考察其是否建立監控、異常行為處置、第三方審計及失控模型關閉等機制。在滿分5分的評估中,OpenAI以3分排名最高,Anthropic和Meta得分最低。
τ_0-VLA長程操控
τ₀-VLA是一種層次化機器人基礎模型,透過世界模型引導的測試時計算來改善長程操控任務。高層策略在決策不確定時會額外分配計算資源,搜尋替代子任務並預測其視覺結果,而低層策略則在40,115小時的異質真實世界數據上訓練。在包含13到25個步驟的真實長程任務中,封閉迴路成功率從27.5%提升至45.0%。