WRC最忙机器人：猛干15分钟家务，收纳、补货、叠衣服…
内容提要
墨奇智能发布自研具身智能模型架构MoRA及轮式机器人MORPHI KINO，在WRC现场完成15分钟家居长程任务。MoRA将目标、记忆、进度认知内化为策略模型原生能力，减少对System 2依赖，并采用高质量真实场景数据采集路线，已积累3万小时数据，计划2026年底达15-20万小时。
延伸解读
长程任务的真正难点
文章指出，机器人长程任务的核心挑战在于时间跨度与不确定性。传统分层架构中，System 2负责规划，System 1执行，但System 1缺乏对整体目标的认知，遇到偏差只能等待上层重新调度，导致频繁停顿。墨奇通过将目标、记忆和进度认知内化为System 1的原生能力，使机器人能自主修正偏差，减少对上层依赖，从而流畅完成15分钟连续任务。
数据质量优先的策略
墨奇认为具身智能的数据质量比数量更重要，因为物理世界要求实时闭环，模型参数受限，无法像LLM那样暴力消化海量数据。他们采用无本体采集路线，自研设备在真实商业场景（如酒店）中采集数据，已积累3万小时，计划2026年底达15-20万小时。这种策略与行业追求数据量的趋势形成对比，强调高质量数据对模型性能的关键作用。
现场演示的泛化能力
WRC现场演示中，MORPHI KINO不仅完成预设任务，还展示了泛化能力：在冰箱补货时，能自主检查库存并取水补充；在衣物处理中，能根据进度优化顺序，先取湿衣烘干再叠干衣。这些行为并非预设，而是模型基于目标、记忆和进度认知的自主决策，体现了Agentic-Native架构在真实场景中的适应性。
Q&A
墨奇智能发布的MoRA架构是什么？
MoRA是墨奇智能自研的具身智能模型架构，全称MORPHI Reasoning & Autonomy，采用Agentic-Native路线，将目标、记忆和进度认知内化为策略模型的原生能力，减少对System 2的依赖。
传统具身智能方案存在哪些问题？
传统方案采用System 1和System 2分层架构，但存在两个主要问题：一是目标接口有限，只能接收固定格式的文本指令，不支持图像或多阶段任务，导致信息损耗；二是执行以短时序、反应式为主，缺乏进度认知和记忆，遇到偏差需频繁等待System 2重新规划，导致动作卡顿。
MoRA的System 1具备哪些核心能力？
MoRA的System 1具备三项核心能力：目标为条件的持续执行、多层级记忆、进度认知的闭环。这些能力使机器人能自主维护目标、记忆和进度，减少对System 2的依赖。
MORPHI KINO在WRC现场展示了哪些任务？
MORPHI KINO在WRC现场展示了15分钟的家居长程任务，包括清理桌面垃圾、检查冰箱库存并补货、将湿衣放入烘干机并取出干衣叠好。此外还展示了Pick and Place、递盲盒和合影互动等小任务。
墨奇智能在数据采集方面有什么策略？
墨奇智能采用优化过的无本体采集路线，以人类第一视角数据为起点，通过统一具身动作空间对齐人类行为与机器人动作。采集设备自研（MORPHI Sense Kit），在真实商业场景（如酒店）由作业人员产出数据，并搭建了能消化大规模数据的Infra。目前已积累3万小时数据，计划2026年底达15-20万小时。
墨奇智能如何看待数据质量与数量的关系？
墨奇智能认为真实场景的数据质量远比数量重要。因为具身模型需端侧部署，参数有限，必须高效消化数据，而低质量数据无法有效利用。因此他们专注高质量数据采集，而非盲目追求数量。
墨奇智能的创始人是谁？
墨奇智能的联合创始人兼CTO是黄青虬，他曾是华为智驾AI一号位，被称为“华为天才少年”。
