墨奇智能黄青虬：快速高效的数据运转是未来具身竞争的关键壁垒

公司情报专家《财经涂鸦》获悉，7月19日，“高鹄资本·AI Frontier talks：引领智能新高度、创新智能新形态AI论坛”于2026WAIC期间举行。

现场，墨奇智能联合创始人兼CTO黄青虬就具身如何真正进入物理世界进行分享。

据天眼查APP，墨奇智能成立于2025年，由黄青虬与高文礼联合创立。CTO黄青虬生于1994年，是典型的“技术派”：清华自动化系本科、香港中文大学MMLab博士，师从林达华，长期研究机器人控制、计算机视觉与AI算法，发表数十篇顶会论文。

2020年他以“天才少年”身份加入华为智能汽车解决方案事业群，后任智驾AI部门负责人，主导华为智驾从ADS1.0到4.0的算法突破与量产，是业界第一个把一段式端到端（WEWA架构）做到百万规模量产的人。

墨奇智能诞生之际便不走单点Demo路线，而是锚定“软硬一体的系统工程能力”，以商用服务场景为技术训练场，瞄准通用家庭机器人的超级终端。

7月初，墨奇宣布已在六个月内完成超10亿元天使轮系列融资，投资方包括阿里巴巴、腾讯、蓝驰创投、君联资本、华业天成、高榕资本、中科创星、源码资本、光合创投、柏睿资本、58产业基金，高鹄资本担任独家财务顾问。

本轮融资完成后，公司估值超70亿元，成为目前国内具身智能赛道公开披露的首轮融资中规模较大的一笔。

以下为黄青虬演讲内容精编：

墨奇是一家以大脑为核心的具身公司，同时也涉及包括本体在内，例如小脑运控、底层软件、云端数据链路等在内的全栈技术。我们的使命是希望构建一个人、空间与自主的智能体共生的世界。

谈到具身走进真实场景，我觉得最重要的是三个能力。第一是效率，即机器人要干得足够快；第二个是准确率，即每个动作要做对；第三是泛化性，即机器人能处理各种异常情况。

但在不同场景对上述三个能力的要求维度不一样的。比如工业场景对准确率和效率有极致要求，但由于其完成的是单个原子动作，对泛化性的要求相对比较低；物流行业对准确率和效率相对工业低一点，但是因为要处理大小不一、有软有硬的包裹，对泛化性的要求相对高；服务业场景中，由于会遇到的物品SKU数量较多，因此也需要更强的泛化性。

在家庭场景中，泛化性的要求达到顶峰，因为每个家庭都不一样，每个人的物品数量成千上万。这也是我们要挑战的终极场景。

要推动具身逐步走这些场景，我们就要积累上述三个能力。首先是怎么让机器人动得更快。这次展会现场的机器动作还是比较慢，但真实的人干活其实是非常快的，两者效率差距至少有10倍。

解决效率问题有两个核心瓶颈。第一是更高效的模型架构。为什么具身的模型架构会比大语言模型更难，因为它必须跑在端侧，算力要更小。但具身模型要吸收的是现实物理世界中的高清视频流，相比于语言输入又更大，这就意味着我们要用更小的参数去吸收更大量的输入，所以模型架构设计其会更困难。

第二，具身是软硬一体的系统。如何构造这样一个高动态系统也是一个核心命题，我们认为有几个关键步骤。

一个是生成、理解、决策一体的原生模型。现实场景中，输入端可能是相机、触觉传感器加语言指令，但是我们最终要的输出只是一个动作，这时候你会发现输入的维度非常高，但是你的输出只是几个动作。而所谓动作只有十几维，当你输出特别稀疏时，就意味着你的模型在训练的过程中每次得到的反馈也会非常少，它模型的收敛就会特别慢。

怎么解决稀疏的问题？我们目前的模型架构里，会设计视频生成的信号，即像素上的稠密信号，还会设计一些语言的推理逻辑，不仅告诉机器人要干什么，还要告诉他怎么做。同时我们还会加各种感知的稠密信号，比如深度预测、语义分割，帮助模型更快地收敛，从而让模型用更小的参数量就能学会更大的动作空间。
另一个是移动操作一体。今天的很多机器人还是固定位置的，但人是一边走一边干活的。我们的机器已经能做到手臂操作和底盘运动能够一体化运动，只有能边走边干活，才能干得比较快。

模型之外，我们的整个系统也要做到软硬一体。机器人从看到一个图像到做出一个动作，首先要有模型的推理。怎么让推理更快，技术点有很多。我们在设计模型时，把训练和推理做了分离，能保证推理速度非常快；同时还有系统级的调度。这是我们独特的一个软件技术，可以让GPU和CPU这些不同的计算单元在不同模块上跑的时候不拥塞，并保证两个计算单元永远是跑满的，极致利用端侧算力。
另外，执行单元也很关键。我们在选执行单元的时候，不仅自研了关节，而且选型用的是行星关节，核心是看中其高动态，只有高动态的关节才能做出快速的动作。目前然我们的自研关节已经能够做到200赫兹的力矩响应，整个响应时延能做到200微秒以内。在我们的实验室，机器人的抓取速度人甚至还要更快一点。

准确率和泛化性方面，我觉得核心在于数据。
第一，只有准确的素材轨迹才能训练出准确的机器人运行轨迹。现在素材设备非常多，但真正用的时候它估的轨迹并不是很准。比如在白纸上写字，当相机面临到的是整个白色背景时，定位是非常困难的，但我们的设备即便在白色背景下，也能做到毫米级的定位精度，数采设备估出来的人的运动轨迹几乎一模一样。

第二，泛化性也来源于数据。我认为好的数据必须是真实的场景，真实的人，在里面干真实的活。为了解决这个问题，我们在素材的整套系统链路上做了很多努力。目前，我们已经有几十套、上百套的足够轻便设备进入到真实场景，让清洁或者各种服务人员应用。

最后，对数据而言，除了估计和采集，更重要的是要有一套飞轮系统。在云端，我们有一套云端链路系统，包括从采集、质检、挖掘、标注，到大规模的训练、评测，到评测之后遇到的一些column case，再到重新回端侧做采集。墨奇用了半年的时间，几乎50%的精力都花在建这套系统上。

我觉得这是未来整个具身竞争壁垒的关键，因为只有快速高效的数据运转，才能驱动我们的模型一步一步的往前迭代。

以下为高鹄资本管理合伙人金明与黄青虬的现场对话：

Q：你认为自动驾驶和机器人有何异同？

黄青虬：两者的共同点是，他们属于物理AI范畴。物理AI有两个关键词，实时和闭环。所有物理AI都是一个实时闭环系统，这是它区别于虚拟世界的AI最大的一个特点。

所谓实时，就是你在做一件事情时候，其实每分每时每刻每秒都在做决策。哪怕只是拿起一瓶水，你要观察水瓶给你的力度反馈，不断调整压力，既不把瓶子捏扁同时又有足够的摩擦力把它拿起来。这需要一个连续性的决策。
大语言模型不是这样。它是一个轮次式的回答，你问一个他答一个，慢几秒没有问题。但具身和智驾是必须要进行实时回答、实时决策。

所谓闭环是指具侧会影响物理环境。比如拿起一瓶水时，压力会发生变化的，大语言模型在回答问题过程中，至少在单轮的回答中，你周围的环境是不会变化的。
因此，实时的闭环系统会带来很多物理世界的挑战，这是智能驾驶和具身智能的共同点。

不同之处在于，具身比自驾要更难一点，体现在两方面。一方面，智驾是在一个平面移动，而具身要升级到三维世界。每升级一个维度就意味着你的求解空间会有一个爆炸性的增长。
另一方面是接触。智能驾驶只要避开障碍物，不需要摩擦力、压力；但具去接触物体，因此需要对物理属性有更深层次的理解。这两点也是具身面料的最大挑战。

Q：在你看来，未来12个月在模型、数据、硬件领域最有可能实现突破的是哪些地方？

黄青虬：我认为不同的模型路径之间并不是严格对立。模型的本质就是一个输入到输出的压缩以及模态转化的系统，具体用世界模型还是VLA进行训练，在我看来只是模型之上工具。是工具就可以随意调用和转换。

大语言模型也经历了很多轮训练式和模型架构的转变，但只要我们抓住模型的本质，可以灵活应用这些工具去产生一个最高智能的模型就可以了。

Q：你怎么看待中国的具身在全球的地位和竞争？

黄青虬：对中国科研工作者来说，具身是一个非常好的机会。首先它有一定的硬件属性，中国的供应链和生产制造能力在这方面有一定的优势。而硬件的优势决定了迭代速度。在中国，硬件的迭代速度可能是以周为单位周期，但美国可能以月为单位周期。

其次是场景。相较于大语言模型，具身需要进到真实场景做采集，那么场景更丰富的地方在数据上就有一定优势。

第三是模型。在算法上，目前中国和美国在大语言模型上仍有一定差距，但具身我们处于同一个起点，这是很难得的机会。我希望我们能借助前两个优势弥补最后一个可能处于劣势的地方，跟美国的科研工作者并驾齐驱，一起去探索机器人的未来。