墨奇首发具身模型架构MoRA，押注Agentic-Native重构双系统边界。
作者｜周悦
编辑｜栗子
一个月前的WAIC，机器人演示时长明显增加了。
去年常见的还是跑跳、抓取和搬运。今年，「甲子光年」在现场看到，药房、零售货架、工业产线、客厅和洗衣房被直接搬进展馆。有机器人用3至5分钟做完一份早餐，从烤面包、倒饮料一直做到装盘；一些工业任务，要连续完成几十个步骤。
机器人演示，开始从一个动作变成连续干活。
单个抓取失败，通常还能重新尝试。一条任务链上，前一步没有完成，后面几十步都可能跟着跑偏。机器人离开一个区域再回来，需要记住此前的执行状态；东西被挪走，原来的计划也未必还能照着执行。
任务拉长以后，增加的不只是动作数量，机器人还要持续维护目标、执行历史和当前任务状态。
就在这个时候，一家成立仅半年的具身智能公司开始浮出水面。机器人尚未正式公开，墨奇智能的投后估值已经超过70亿元。今年7月，墨奇智能完成超10亿元天使轮系列融资，阿里巴巴、腾讯同时入局，蓝驰、君联、高榕、中科创星、源码等机构也出现在投资名单里。
墨奇由高文礼和黄青虬联合创办。联合创始人兼CTO黄青虬是华为2020届“天才少年”，此后进入车BU负责智驾AI研发；高文礼此前联合创办跨境物流企业iMile。
钱和人先到了，模型直到最近才真正露面。近期，墨奇发布具身智能模型架构MoRA（MORPHI Reasoning & Autonomy），并提出Agentic-Native技术路线：为了实现更好的长时序任务执行能力，让 Agentic 能力原生存在于策略模型中。
长程执行并不是墨奇独有的问题，记忆、多步骤规划和连续执行，已经成为具身模型集中补的一课。墨奇的判断是，问题还出在模型内部怎么分工。
在常见的具身Agent架构里，高层模型理解目标、规划和调度，策略模型接过指令，直接控制机器人行动。墨奇认为，任务越来越长以后，只靠上层模型维持目标、记忆和执行进度并不够。
MoRA仍然保留System 2和System 1，但把一部分Agent能力向策略模型下沉：直接与物理世界交互的System 1不只生成下一步动作，也要保持目标、保留执行记忆，并判断任务推进到了哪里。
「甲子光年」了解到，在即将开幕的世界机器人大会上，墨奇将首次公开展示搭载MoRA具身模型架构的轮式机器人MORPHI KINO。其中一项家庭任务持续约15分钟，从桌面整理、冰箱补货一直做到衣物处理。
MORPHI KINO轮式机器人整理桌面，图片来源：墨奇智能
MORPHI KINO轮式机器人自主操作烘干机，图片来源：墨奇智能
MORPHI KINO轮式机器人完成冰箱补货，图片来源：墨奇智能
一段任务做到15分钟，System 2究竟还需要管多少，System 1又能自己接住多少？
1.Agentic-Native要重新划双系统边界
这道分工题，首先来自具身Agent和数字Agent的一处关键差别。
“具身Agent”并不是大模型时代才出现的新词。早在1990年代，机器人研究领域就已经在讨论“具身、处境中的智能体（embodied, situated agents）”。1995年，欧洲AI先驱卢克·斯蒂尔斯（Luc Steels）和行为式机器人代表人物、MIT教授罗德尼·布鲁克斯（Rodney Brooks）主编了一本文集，副标题就叫“构建具身、处境中的智能体（Building Embodied, Situated Agents）”。
三十年后，大模型里的规划与推理，开始与机器人连续控制真正汇合。
黄青虬把这一轮具身智能理解为两条技术线的交汇：一边是大模型推进高层语义理解和任务拆解；另一边是自动驾驶证明神经网络可以直接驱动物理实体，在真实环境里完成连续控制。
物理世界带来的约束是“实时”和“闭环”。机器人每做一个动作，都在改变环境，新的环境又立刻成为下一次决策的输入。黄青虬曾在接受媒体采访时，给出一个工程尺度说明这种差别：负责语义理解和认知的system2可以跑在云端，允许比较大的时延；而负责动作生成和运动控制的大小脑必须跑在端侧，而且前者至少需要10Hz，后者至少需要100Hz。
认知、动作生成和身体控制，注定很难被塞进同一个黑盒里解决。系统需要分层，但边界到底划在哪里，目前并没有统一答案。
Figure今年1月发布的Helix 02，按照不同时间尺度把三个层级划得很清楚。System 2处理场景、语言和目标；System 1读取视觉、触觉和本体状态，以200Hz生成全身关节目标；System 0再以1kHz处理平衡、接触和全身协调。发布时的演示中，机器人在厨房连续4分钟完成洗碗机装卸，串起61个移动和操作动作，全程没有人工介入或重置。
而Physical Intelligence今年4月发布的π0.7，则展现了另一种思路。在长程任务中，高层策略（high-level policy）生成当前子任务，世界模型（world model）将其转换为视觉子目标（visual subgoal），π0.7再结合历史观测、记忆和机器人状态生成动作。
两家的架构各异，但指向的都是同一个绕不开的命题：任务拉长后，规划、记忆、执行和纠错，分别该由谁来管？
墨奇把这个问题再往前推了一步：Agentic能力本身，应该存在于哪里？
传统的双系统分工，更像是一种“大模型外挂动作策略”——System 2全权负责理解目标、拆解任务、判断结果，并在失败后重新规划；System 1只管低头接收指令，结合视觉和本体状态持续输出动作。Agentic能力并非不存在，但目标、记忆和进度追踪都被留在了策略模型之外。
Agentic-Native的区别就在这里。它没有取消System 2，而是把一部分原本主要由高层或外部系统维护的能力放进策略模型。
在MoRA里，System 2仍然负责意图理解、任务组织和全局看护；但System 1除了生成动作，还要自己持有目标、维护执行记忆、判断任务进度。只有在遇到自身能力边界或异常状态时，它才会主动请求System 2介入。
为什么要让System 1干这么多活？
因为很多决定下一步动作的关键信息，在执行之前根本不存在。门是不是真拉开了、物体有没有摆到位、刚才的碰撞是否改变了环境，这些都要等机器人真正动起来才知道。而最先捕捉到这些变化的，恰恰是直接读取视觉和触觉信息、持续输出动作的System 1。
如果这些状态全靠System 2来维护，执行中产生的新变化就需要更多跨层交互，再由上层判断是继续、重试还是重新规划。墨奇认为，在长程任务中，这可能带来更多停顿、重新规划和再次启动。
MoRA希望让一部分判断直接留在执行闭环里。局部环境发生了变化，如果还在自身能力范围内，System 1能够直接调整。
以冰箱补货为例，机器人检查完库存后，要转身去拿水，再回到原位补货。中间的场景和视角已经完全切换，但“补货”这个任务不能因此中断。墨奇要在15分钟家庭任务中展示的，正是这种连续性：跨越多个区域和动作后，机器人依然知道自己在做什么、该接着干什么。
换句话说，MoRA要解决的不是再教会机器人几个单项技能，而是让目标和状态能够紧紧贴着机器人的行动，持续往前推进。
2.System 1怎么“接住”一项任务？
具体到模型内部，Agentic-Native首先改变的是System 1接收任务的接口。
“拿起一瓶水”接近具体的动作指令，而“把冰箱补好货”描述的是一个最终状态。机器人可能得先检查库存，再去寻找矿泉水、取水、返回并放好。环境稍微一变，具体的动作序列就得跟着变。
在传统分工里，System 1接收的是已经被拆解好的子任务；而在MoRA的设计中，它直接接收更完整的结构化目标。墨奇将其称为“目标条件执行（Goal-Conditioned Execution）”。文本和图像共同定义多阶段的任务描述，让System 1在埋头执行时，心里始终装着“最后要做到什么”。
但几分钟的任务，光知道目标还不够。机器人一转身，此前发生的事情很快就会离开当前视野。
比如在洗衣环节，机器人先从烘干机拿出一件干T恤放进衣篓暂存；随后转头去洗衣机取湿衣服、送进烘干机启动，最后才回来处理那件干衣服。当它面对洗衣机时，干衣服早就离开了视线，但这道工序远没有结束。
为了解决这个问题，MoRA把执行历史放进了记忆（Memory）。System 1内部维护着不同时间粒度的信息：短期记忆对应连续控制，中期记录步骤级的执行状态，长期则保留整体进展。关键在于，这些信息不再依赖外部的状态机来保存，而是直接成为了模型表征的一部分。
但记得发生过什么，还不等于知道事情有没有做完。Memory回答“发生过什么”，进度（Progress）则解决“现在做到哪里”。
动作做完了，不代表任务成功了。因此，MoRA进一步引入带进度认知的闭环（Progress-Aware Closed Loop）。System 1除了生成动作，还会输出任务状态判断、当前进度，以及是否需要System 2介入的信号。
至此，Goal（目标）、Memory（记忆）和Progress（进度）开始进入System 1。这自然引出了一个更底层的工程问题：模型靠什么信号，才能学会这些复杂的认知能力？
黄青虬不太愿意先用“VLA还是世界模型”给墨奇贴标签。他更在意模型输入什么、输出什么，以及是不是端到端训练。
他的判断是，如果仅仅拿“机器人的动作”作为训练信号，提供的信息量太单薄了。要让模型学会认知，视觉、语言、触觉可以增加全模态输入；而在输出端，除了动作，还可以增加对未来画面的预测、语言反馈等辅助任务。预测未来画面能提供空间变化的信号，语言能提供逻辑监督，触觉则补充了物理接触的真实反馈。
MoRA的多专家结构正是沿着这条思路展开的。从公开的架构来看，其System 1内部同时容纳了理解专家、世界专家、动作专家和触觉专家；而在输出端，除了最终动作块（Final Action Chunk），还包括未来预测（Future Prediction）和用于和 System2 交互的文本输出。
MoRA具身模型架构，图片来源：墨奇智能
黄青虬希望通过融合这些不同维度的稠密反馈，最终塑造出一个“理解—生成—决策”一体化的多模态模型。
3.实现Agentic-Native需要什么样的数据？
当System 1需要持续承载目标和记忆时，训练数据必须覆盖的时间跨度也随之拉长。
比起一段孤立的抓取或移动轨迹，从头到尾完整记录一项任务如何完成的数据，对现在的策略模型来说变得极其珍贵。
黄青虬一直强调一个观点，现阶段具身智能，“数据质量第一，模型架构第二”。架构只是决定了吸收数据的效率，真正稀缺的是高质量的数据本身。
墨奇相关负责人告诉「甲子光年」，截至目前，墨奇已经积累了约3万小时可直接进入模型训练的高质量真实场景数据，计划到2026年底将这一规模扩大到15万至20万小时。
在墨奇的定义里，高质量数据必须至少满足三个条件：首先，任务和轨迹要真实。数据来自真实的人、真实的场景和真实的作业，而不是为了采集而重新“演”一遍动作；其次是多样性。“十万小时高度重复的数据，价值未必高于一千小时覆盖更多物体、布局和操作方式的数据”；最后是轨迹精度，特别是在遇到遮挡或密集接触时，如果轨迹出现漂移，喂给模型的“参考答案”从一开始就是错的。
为了拿到这些数据，墨奇把数据采集设备直接带进了酒店和商务公寓。他们让一线工作人员穿戴MORPHI Sense Kit，在日常整理、清洁的工作中同步采集行为数据。这套无本体设备据称即便在弱纹理、高反光的酒店环境里，也能完成毫米级的轨迹重建。
真实作业数据采集，视频来源：墨奇智能
不过，采集到了人的第一视角数据（Egocentric Human Data），并不等于机器人就能直接用。
人和机器人的身体结构完全不同。为了跨越这道鸿沟，墨奇构建了一个统一具身动作空间（Unified Embodied Action Space），通过“具身迁移（Embodiment Transfer）”，先从真实作业数据中解耦出与具体本体无关的通用任务知识，再将其映射到机器人的移动与操作执行中。
数据也不是采完一次就结束。真实数据回流云端以后，还会经过质检、场景重建、挖掘和标注，再进入模型训练和评测；真机运行产生的数据也会持续回流。
墨奇相关负责人向「甲子光年」举了一个例子，模型刚开始在酒店测验时，很难判断一件物品到底该不该扔。未开封的矿泉水不该扔，但喝了一半被留在桌上的水，可能就是垃圾。随着工作人员在日常清洁中不断沉淀数据，模型“见”到了各种形态、各种场景下的垃圾，相关的识别判断能力才得以进化。
从发现问题，到检索/补采数据，再到重新训练、评测与部署，「甲子光年」了解到，墨奇目前的单次迭代周期已经能控制在约一周左右，未来希望进一步压缩到一天。
3万小时的数据量是一个可以清晰计算的数字，但更难验证的，是这些来自真实世界的工作经验，能否稳定地转化为机器人的长程执行能力。
Agentic-Native这条路，最终也要在真实场景里接受检验：被放进System 1里的目标、记忆和进度，到底能不能支撑着机器人，稳稳当当地把一件事情干完？
（封面图来源：AI生成）
