墨奇智能亮 WRC：MoRA 架构与 KINO 机器人演示 15 分钟长程家务

成立仅半年的具身智能企业墨奇智能（MORPHI）于 8 月 19 日至 23 日举办的世界机器人大会（WRC 2026）上完成国内首次系统亮相，公开展示其自研具身智能模型架构 MoRA（MORPHI Reasoning and Autonomy），并正式推出面向家庭长程任务的轮式机器人 MORPHI KINO。从具身大脑到硬件本体，墨奇试图推动通用机器人从「单一动作演示」走向「连续任务执行」。

15 分钟跨区域家庭长程任务演示

大会现场，MORPHI KINO 在多个 Demo 区域演示了送盲盒、合影互动、家居收拾、拾取放置等操作。其中最具代表性的，是一段长达 15 分钟、跨区域、多步骤的家庭长程任务实战：在模拟家庭环境中，机器人串联完成客厅清洁与桌面整理、冰箱饮料补货、衣物洗烘与折叠等日常任务。

在客厅整理环节，机器人自主规划路径导航至茶几旁，识别成团纸巾和矿泉水瓶等杂物，抓取后投入垃圾桶，并将茶几上散乱物品收纳至托盘。随后移步冰箱，核查饮品库存，发现不足后取来矿泉水完成补货并关门。最后在洗烘工作区完成取衣、投放、启动烘干、折叠码放等步骤。

据现场技术人员介绍，桌面清理涉及视觉识别、姿态规划与力控抓取；开门操作需通过视觉与力觉传感器实时感知门把手位置与开合角度；衣物折叠则要求机器人掌握操控复杂家电的能力，是机器人进入家庭场景必须攻克的核心门槛。

MoRA：把目标、记忆与进度下沉到策略模型

墨奇此次发布的核心是模型层面的重构。行业普遍采用 System2（高层认知大模型）+ System1（机器人策略模型）的分层双系统架构，但墨奇认为，这种分工将目标维护、记忆管理、进度追踪与失败恢复几乎全部压在 System2 上，System1 仅作为动作执行器，存在指令遵循性差、泛化不足、缺乏多粒度执行记忆等结构性瓶颈。

针对上述问题，墨奇提出 Agentic-Native 具身模型技术路线，并重构了 System1，称为 Agentic-Native 具身动作模型，具备三项核心能力：

• Goal-Conditioned Execution：以目标为条件的持续执行，模型接收文本或图像目标，并在整个执行过程中持续围绕目标行动。
• Multi-Granularity Memory：构建短、中、长期多层级记忆，支撑长程执行。
• Progress-Aware Closed Loop：带进度认知的闭环，模型不仅输出动作，也输出任务状态、进度与后续预测。

墨奇联合创始人兼 CTO 黄青虬表示，模型的本质是信息的压缩与模态的转换，能力上限取决于参数量；架构改进更多是在提高模型吸收数据的效率，对能力上限的影响相对有限。在行业普遍追逐数据量的当下，数据「质量是不够高的」，且缺乏统一标准，真实场景的数据质量远比数量更重要。

数据与基础设施布局

为支撑模型训练，墨奇走了一条「自研设备 + 深入场景」的数据路线：

• 自研 MORPHI Sense Kit 真实世界数据采集系统，可在弱纹理、高反光等极端场景下实现毫米级轨迹重建。
• 推动数采设备深入酒店、商务公寓等商业场景，由一线作业人员产出真实作业数据，避免摆拍数据带来的分布偏差。
• 已积累 3 万小时真实场景数据，计划在 2026 年完成 15 万至 20 万小时数据储备。

墨奇将自身定位为从模型架构、软硬协同、数据闭环到跨场景泛化全栈布局的具身智能公司。在具身智能这条长跑赛道上，公司正尝试以系统级能力构建差异化竞争壁垒。