墨奇智能黄青虬：具身智能是全栈系统工程，机器人进入非标场景有助提升能力
在一个真实的家庭环境中，保洁人员看到桌面上的一块污渍，会下意识判断污渍的深浅和位置，选择合适的擦拭角度和力度。如果一次没有擦干净，她会调整动作再来一次。这种看似普通的日常行为背后，蕴含着复杂的环境感知和决策过程。2026世界机器人大会上，墨奇智能联合创始人、首席技术官黄青虬用这个例子，阐述了具身智能发展中的核心命题——数据从哪里来。
"你选什么场景，就意味着你能拿到什么样的数据。你能拿到什么样的数据，就意味着你能训练出什么样的模型。"黄青虬在会上直言，这直接决定了具身智能产品的最终能力边界。与行业常见的"先易后难"逻辑不同，墨奇选择了一条更艰难的道路：把家庭及酒店、商务公寓等"类家庭场景"作为核心切入点，正是因为这些场景足够复杂，数据足够丰富。
工业流水线上的机器人面对的是相对固定的动作和流程，物流场景也有明确的路径规范。但走进一个真实的家庭，桌椅的位置随时变化，物品种类千差万别，居住者的习惯也各不相同。机器人需要面对的不再是几个预设动作，而是大量持续变化的开放场景。黄青虬认为，具身智能的终极目标是通用基础模型，通用性依赖泛化能力，而泛化能力来自多元化的数据训练。
这一技术路线选择背后，是对数据本质的重新理解。墨奇将"高质量数据"概括为"三个真实"：真实的人，在真实的环境，做真实的工作。专门的数据采集员可能按照要求重复动作一千次，但这些动作往往高度同质化。真正的保洁人员在真实工作中产生的操作轨迹，才包含更有价值的决策信息和应对策略。
墨奇将这些真实工作场景产生的原始数据，经过筛选、分类、挖掘、自动标注和模型评测，形成完整的数据闭环。这种数据采集方式看似效率较低，却能为模型提供更加丰富的泛化基础。当基础模型能力足够强大后，再通过微调进入物流、工业等垂直领域，反而能够实现更快的落地。
这种"先难后易"的路径选择，也体现在墨奇对机器人硬件形态的取舍上。黄青虬认为，具身智能的终局形态应当是全人形机器人，因为现实世界的物理空间、工具尺度都是按照人的身体建立的。但当下直接追求"完整的人"并不现实：双足行走稳定性要求极高，五指灵巧手控制复杂度惊人。
因此，墨奇选择了一条渐进路线：短期内用轮式底盘替代双足，用夹爪替代五指手，先解决60%-70%的任务需求。但黄青虬特别强调，这并不意味着机器人会走向"三头六臂"式的异形形态。在人形基础架构上做功能裁剪，可以确保未来采集的人形动作数据仍然能够复用。一旦机器人形态距离人类过远，大量真实的人类动作数据反而难以迁移。
对于行业时间表，黄青虬的判断相对谨慎。他预计未来两三年内，机器人可能在部分垂直行业达到接近人类的操作水平，但真正大规模进入家庭C端市场还需要更长的周期。家庭场景不仅复杂度高，还涉及安全、隐私等多重考量，这些都不是短期内能够完全解决的问题。
在墨奇的战略框架中，场景首先不是"卖到哪里"，而是"去哪里学习"。家庭场景更像是一间足够复杂的教室，机器人需要在这里经历漫长的学习和迭代。黄青虬透露，墨奇目前并不急于大规模商业化，而是将重心放在数据积累、模型训练和基础设施搭建上。
据业内人士透露，当前具身智能领域竞争激烈，技术架构快速迭代，今天的核心论断可能明天就会被新的研究推翻。黄青虬认为，真正能够持续留存的是人才、模型训练方法、数据采集体系以及支撑技术快速迭代的基础设施能力。这些"硬实力"的积累，比单一的技术路线选择更为关键。
当大多数厂商争相在工业、物流等相对标准化的场景中快速落地时，墨奇选择先让机器人走进最难的家庭课堂。这条路或许更漫长，但如果能够成功沉淀下真实世界的高质量数据，反而可能为未来的通用机器人竞争筑起更高的壁垒。
本文由AI辅助生成
