墨奇智能黄青虬：做智驾五年，我知道具身创业该避开哪些噪音

墨奇明年将实现千台级机器人交付。

文丨李安琪

2025 年底创业前，黄青虬花了几个月调研具身智能。他发现，机器人做家务的实际成功率远低于公开视频；看起来成熟的硬件，响应速度和一致性仍有问题；算法模型名词不断更新，但机器人稳定工作的能力进展有限。

他的结论是：自己用半年到一年，有机会赶上同行过去两三年的进度。

这个判断面对的是一个迅速拥挤的市场。到今年，一批更早成立的具身智能公司估值已经突破 200 亿元，人才、资金和产业资源也在加速向头部聚集。后发公司不仅要追技术进度，还要证明自己还有哪些机会。

黄青虬的自信很大程度来自过去五年的智能驾驶经历。2020 年，黄青虬以 “天才少年” 身份加入华为，先后参与 ADS 1.0 到 ADS 4.0 的开发，做过激光雷达感知、BEV 融合，也参与搭建数据闭环。离职前，他担任 AI 模型开发部部长，管理 200 多人，是华为智驾最年轻的技术管理者之一。

在华为的五年，他经历了智驾从模块化、规则系统，到 AI 驱动、端到端模型的多次切换。具体技术会变，但技术审美、快速验证和迭代的能力可以留下。

他想把这部分经验带进机器人行业。十多年前，黄青虬在清华大学自动化专业就读期间，参加机器人足球比赛。那时，一台身高 1.6 米的机器人只要站在场上不倒，就有可能进入比赛前八；如果能走起来，有机会进入前四。

今天机器人已经开始尝试收拾酒店房间、操作柔性物体和连续工作。任务复杂了，真实世界暴露的问题也从一个单点技术，变成了模型、数据、软件和硬件之间的相互牵制。

2025 年底，黄青虬与高文礼共同成立墨奇智能。半年里，公司获得超过 10 亿元融资，团队扩张至 150 多人，同时投入模型、数据、软件和硬件。

今年 7 月，我们在深圳见到黄青虬。他说话很快但温和，偶尔流露出少年气。他说，墨奇的目标是做一台真正进入家庭、能够干活的通用机器人，但在实现路径上，公司没有把自己限定在热门的 VLA 或世界模型，也没有把双足和灵巧手放在第一优先级，而是先训练原生具身模型，准备明年千台级轮式机器人交付。

黄青虬 ，墨奇智能联合创始人、CTO。

对一家晚两年入场的公司来说，机会不在于把先发者走过的路重新走一遍，而在于行业答案仍未定型时，少走弯路、跑得更快。

“VLA 和世界模型不矛盾，也不完整、都是积木”

当下，VLA（视觉-语言-动作）和世界模型是具身智能最绕不开的两个技术方向。

美国公司 Physical Intelligence、Figure 等更偏 VLA 路线；斯坦福教授李飞飞联合创立的 World Labs 则更强调世界模型和空间智能。不同公司的技术重点不同，但行业至今还没有形成公认的技术架构。

VLA 的起点很好理解：以经过大规模预训练的视觉语言模型为底座，再加入动作输出，使模型能够根据图像和语言指令控制机器人。对创业公司来说，这是一条相对容易启动的路径——具身模型不用从零开始认识世界。

黄青虬认可语言对机器人的价值，但不认为大语言模型的成功可以原样复制到具身。他把两者概括成一组相反的关系：大语言模型是 “小数据、大模型”，具身更接近 “大数据、小模型”。

端侧算力是主要原因之一。“具身算法比大语言模型更难，因为它需要在端侧跑。” 他说。目前机器人端侧能部署的模型大约在 3B 到 7B；大语言模型主要运行在云端，算力约束相对更少。

机器人面对的世界明显更复杂。大语言模型接收文本 token，而机器人面对的是连续视频，还可能同时输入语言、触觉和本体状态。对于具身模型来说，一个训练样本的大小可能是大语言模型的数千倍。

在黄青虬看来，具身模型其实只做两件事：信息压缩和模态转换。机器人实时感知周围环境、理解人的指令，再把信息转换成具体动作。过程中可能有上千万维度的感知输入，最终却只有十几个维度的动作输出。

VLA 和世界模型提供了不同的能力来源和训练信号。VLA 引入语言和语言推理，世界模型更多通过预测视频、未来状态等方式，让模型理解物理世界如何变化。

但黄青虬认为，这些能力都只解决了具身模型的一部分问题。机器人最终还要把视觉、语言、触觉等大量信息转换成动作，仅靠动作本身提供的训练反馈又相对有限。因此，VLA 和世界模型并不矛盾，也都不完整，只是答案的一部分。

墨奇的办法是，给模型增加更多 “老师”。

动作是老师，语言推理也是，视频预测、深度估计、语义分割同样可以成为训练信号，都是训练原生具身模型可以使用的积木。“有点像语文、数学、英语和体育老师，教的东西不同，但最后都是为了让学生变聪明。”

比起追捧某个技术名词，黄青虬更在意它究竟解决什么问题。这也是他从华为智驾带出来的一种习惯：拨开噪声，不被行业热词牵着走。遇到自己判断值得投入、但还没有形成行业共识的方向，他过去常用的办法是：“资源在手里，可以先干了，干完再说。”

黄青虬想训练一个原生的具身模型。他把具身模型训练大致分成三个层次：从开源预训练模型出发，做任务后训练；进一步介入模型预训练；最终摆脱对开源模型的依赖，训练原生具身模型。目前公司正在推进后两者。

但越往后走，训练的挑战也越明显。

训练时，希望模型什么都学，语言推理、视频预测、深度估计、语义分割等能力全部都有；但实际部署到机器人侧时，参数量过大又会增加端侧推理负担，因而模型又要尽可能小巧、轻盈。

墨奇选择把两个环节拆开：训练阶段，模型同时学习动作、视频、语言推理、深度估计和语义分割等多种信号，让有限规模的模型尽可能充分地吸收信息；部署时，再只留下执行动作需要的部分。公司把它称为 “训练推理分离”，尽量不让端侧算力的上限，变成模型学习能力的上限。

黄青虬也仍在思考，最终的具身模型应该长什么样。他相信 “简单即是美”，但走向简单答案的过程并不简单：原生模型架构、初始化方法、训练超参数和数据配比都更敏感，也更考验技术负责人的 taste；更小的模型要吸收更大规模的数据，对架构和训练能力提出更高要求。

墨奇并不是唯一尝试增加训练信号的公司。Physical Intelligence 已在模型训练中混合机器人图像、语言、高层语义任务和动作等多类数据；World Labs 也在尝试把世界模型、仿真和真实世界学习放进同一体系。

不同之处在于，Physical Intelligence 是沿着 VLA 路线延伸，World Labs 更从世界模型和空间智能出发；墨奇不把其中任何一种当作最终架构，而是把不同训练信号作为 “积木”，服务于自己的原生具身模型。

对一家成立只有半年的创业公司来说，这是一个风险选项。直接介入预训练、甚至训练自己的原生模型，意味着更高的算力、数据和人才投入，也意味着要承担路线判断错误的风险。

但黄青虬认为，如果最终目标是原生具身模型，仅仅停留在开源模型的后训练阶段，很难真正建立自己的模型能力。

他没有回避这条路线的不确定性，他说，AI 本质上是一门实验科学，试错不可避免。“现在整个 AI 领域的技术迭代非常快，没有人能保证每一次押注都是对的。哪怕今天非常厉害的头部具身公司，也不是每一次都赌对。赌错了怎么办？那就快点改呗。”

后发两年，为什么未必落后两年？

在华为推动端到端时，黄青虬经历过一次近乎 “推倒重来” 的技术切换。

特斯拉引领的端到端方案靠 AI 驱动，展示出更高能力上限，但初期效果不如打磨已久的基于规则的旧智驾系统；路线切换也意味着此前积累的一部分工作要放弃。他需要不断向团队解释，为什么一个眼下更差的方案仍值得继续投入。

但也是这段经历让黄青虬意识到，模型可能反复变化，甚至推倒重来，但围绕 AI 模型建立的数据、训练和评测能力，不会随某一条技术路线变化而清零。

这也是黄青虬有信心能在半年内追赶具身同行的重要原因。成立晚两年，不一定意味着落后两年。

在他看来，后发公司的追赶速度取决于两件事：一是核心团队能否筛掉大量无效方向，二是发现问题后，能否更快完成数据回流、训练和验证。前者靠关键人物的 taste，后者取决于基础设施建设。

他把模型训练时的数据配比和训练方法称为 recipe（配方），类似炒菜时的 “加盐少许”。“这个 ‘少许’ 到底是多少？没有答案可以直接抄。” 这背后可能是上百种改进思路，技术负责人要先筛掉 90% 不靠谱的 idea，再把剩下的方案放进实验。

黄青虬举过一个乡村小道的智驾例子：车辆与行人、其他车辆交互的数据加得太多，模型可能变得保守；加得太少，又可能无法处理极端情况。所谓技术负责人的 taste，最后会落到这些具体取舍上。

墨奇想把这套在智驾里形成的方法，搬进机器人。

跟智驾数据闭环的逻辑类似：机器人执行任务失败后，团队找出失败片段，从数据池中检索相似场景，判断问题来自数据覆盖、轨迹质量、模型还是硬件。如果缺少相应数据，酒店场景的保洁人员会佩戴轻量化采集设备，在日常工作中补充真实操作轨迹。

新数据经过筛选、分类和自动标注，与原有数据重新配比，再进入训练。训练完成还不算结束，新模型还要经过离线评测、真机泛化测试和任务回归测试，确认目标问题得到改善、其他能力没有明显退化，才会重新部署到机器人上。

一次机器人失败，会变成下一轮训练的起点。“如果你转一轮是一天，别人转一轮是五天，你就有别人五倍的迭代效率。” 黄青虬说。

墨奇从成立第一天起就在搭建这条链路。目前，部分数据质检、检索和标注已经可以自动完成，但问题定义、训练策略和模型发布仍需要工程师判断。

按照公司的说法，如果问题主要通过调整数据就能解决，目前完成一轮迭代约需一周，未来希望缩短至一天；涉及模型结构或硬件修改时，则需要一周到一个月。

但闭环转得快，只解决了效率问题；进入闭环的数据质量同样重要。

当下，具身公司们也想尽办法扩大数据规模。有公司尝试从人类视频中迁移操作能力，也有公司通过仿真和生成环境批量制造训练样本。而墨奇现阶段更看重真实工作产生的数据，而不是单纯追求数据小时数。

黄青虬给数据定了三个条件：真实的人、真实的场景、干真实的活。

以擦桌子为例，在专门的数采场地里，数采员的目标往往是完成一条规定动作轨迹；但保洁人员的目标则是把桌子擦干净，会观察污渍，根据实际情况调整方向、力度和次数，没擦干净还会再来一次。

如果一万小时数据大多在同一张桌子上重复相似动作，增加的时长未必能给模型带来更多变化。遇到遮挡和密集接触时，采集设备还可能发生漂移，使模型学到的参考轨迹出现偏差。

墨奇称，目前积累的约 3 万小时数据已经过质检，可以进入模型训练，年内计划增加到 15 万至 20 万小时；同时投入规模算力资源，年内使用超 2000 张训练卡，加速数据训练闭环。

机器人进入酒店，先闭环，再通用

墨奇最终希望机器人进入家庭。“一个通用机器人，最终既需要会走路，也需要会干活，手要强，腿也要强。”

但黄青虬认为，家庭并不是一个适合早期产品验证和数据采集的场景。不同家庭的空间、物品和生活习惯差异很大，摄像头和传感器采集的数据又涉及隐私，很难持续回流到公司用于模型训练。

酒店提供了一个相对可控的起点。房间里的工作接近家务，同样需要处理生活用品、柔性物体和清洁工具；与工业上下料和物流分拣相比，环境和任务的变化更多。客人退房后，机器人可以在空房间里工作，数据也更容易获得授权并回传。

墨奇没有选择一开始就挑战最通用、也最难的场景，而是先在真实商业环境里，让产品的真实使用、数据回流和模型迭代形成闭环。

但真实的商业场景往往有更多意料之外的挑战。

墨奇的机器人早期进入酒店测试时，还没开始收拾房间，先可能被一道三五厘米高的门槛拦住。进了房间，又可能因为没有取电、光线太暗而看不清物品。机器人得先插房卡，或者走到窗边拉开窗帘，后面的工作才能开始。

现阶段，墨奇团队把酒店工作拆成 160 多个子任务，按难度和模型能力逐步推进。第一阶段主要是抓、拿、放，比如收走垃圾、把矿泉水放进冰箱、替换毛巾等，约占客房清洁工作量的 30%。

这些动作看起来基础，真实环境里的状态却并不固定。矿泉水可能在桌上，也可能落在床边；毛巾有时叠放整齐，有时揉成一团；机器人还要区分未开封的矿泉水和客人喝过的瓶子。

下一阶段是处理床单、枕套和衣物等柔性物体。它们在抓取过程中会不断改变形状，很难像杯子、瓶子一样用相对固定的方式识别和操作。

再往后，机器人需要把多个单点动作串成长程任务。清理桌面，不只是识别和抓取，还要使用工具，在任务结束后检查结果。任务再从桌面延伸到房间、一层楼甚至整栋楼。

“先闭环、再通用” 的思路，也决定了墨奇对硬件的取舍：不追求一步到位，而是先解决真正阻碍产品和模型迭代的瓶颈。

长期来看，黄青虬认同，双足人形机器人更通用，也更适合按照人体尺度设计的家庭环境。但 “一步到位” 意味着初创公司要同时解决更多软硬件问题。

墨奇的第一代产品因此采用轮式底盘，先绕开复杂的双足行走，把精力集中在双臂操作上。该款机器人将在 8 月中旬亮相。目前，墨奇原型机已经进入真实客户场景进行 POC 验证。公司称，明年将实现千台级机器人交付。

灵巧手的自研优先级也被暂时排在后面。墨奇团队测试发现，人戴上与机器人相似的夹爪，在酒店和商住公寓里尝试工作，能完成约 70% 的任务；但机器人自主执行能够完成的可能只有 3% 至 5%。

这意味着今天限制机器人工作范围的首要问题，仍然是模型，而不是手不够灵活。“我们可以先基于稳定的夹爪执行器，把模型能力往上提。等到有一天手成为瓶颈时，我们再上灵巧手。”

黄青虬给墨奇划了一条硬件自研的边界：只有当某个硬件已经开始阻碍模型迭代，而供应商又无法及时解决时，公司才考虑自己做。

机器人关节属于这一类问题。墨奇算法团队曾让数台机器人执行同一条指令，机械臂最后却可能停在不同的位置。同一个模型在一台机器人上成功，换到另一台上就有可能失败。硬件的不一致，会让研发人员难以判断，失败来自模型，还是关节精度、通信时延和装配误差。

墨奇选择从肩关节开始自研，希望解决机器人执行动作偏慢的问题，提升不同机器之间的一致性。

创业前，黄青虬长期从事算法和软件研发，已经习惯按天甚至按小时迭代。但硬件设计一旦出错，零件需要重新加工，还要等待供应商排期，回来后再组装和测试，周期往往以周甚至月计算。刚开始接触这种节奏时，他经常催问：“硬件怎么这么慢？怎么还不来？”

现在，等待机器恢复、催硬件同事修机器，也成了算法和软件团队日常工作的一部分。对具身公司来说，管理这种节奏差本身就是产品能力的一部分：模型、算法需要高密度人才快速探索，硬件则依赖更严格的流程和制造管控。

进入真实场景后，具身智能的竞争正在从单点能力走向系统能力。模型、数据、软件、硬件任何一个环节，都可能成为新的瓶颈。

这也是黄青虬把墨奇定义为 “系统派” 的原因：不只做机器人的 “大脑”，也不只做本体，而是把原生具身模型、真实数据回流、训练系统、软件和硬件放进同一套迭代体系。

具身行业还远没有形成稳定的技术和商业答案，后发公司的机会窗口也还没关闭。

题图来源：墨奇智能