11月4日，2026年世界互联网大会乌镇峰会机器人与具身智能论坛在浙江乌镇举行。墨奇智能联合创始人&CTO黄青虬发表主旨演讲。
全文如下：
大家好，我是黄青虬。我们公司叫作墨奇智能，是成立刚刚一年的具身初创公司，我是公司技术负责人。创立墨奇之前我在华为负责自动驾驶工作，问界自动驾驶就是我们团队做的。
具身行业从业人员最近一年面临的巨大挑战是，随着大语言模型，多模态大模型能力越来越强，具身是不是还有自己的模型生存空间，具身智能是不是会被大语言模型吞噬。行业都在这样拷问下迎来一个小小的寒冬，今天就从我的角度跟大家分享一下我对这个问题的思考，以及在这一种背景下我们应该做什么事情。
首先我们不得不承认GPT6给大家带来非常惊喜的效果，在机器人领域和物理AI领域。GPT6用于我们自己的真机，我们用的和自己实际机器人上表现，确实可以做到零样板泛化完成部分任务，成功率不错。
如果基于这么一个效果，我们是不是只要给大语言模型加更多的Ego数据等大语言模型成熟就可以控制机械，是不是这样的效果？答案肯定是否定的。一边大家会说它的效率比较低、成本比较高、推理时间长，但这些我看来都是短时的缺点，相信大语言领域OpenAI可以解决。物理AI天然是实时闭环系统，所谓实时就是物理世界是连续动态变化世界，不像大语言模型可以你一句，我一句，交给你一个任务一小时后告诉我结果，是必须每时每秒应对周围动态环境变化。
第二个鸿沟是闭环，所谓的闭环就是说你做的这些动作，其实跟周围的环境是会相互影响的。在具身领域，在做这一个动作领域，实际要碰一碰、摸一摸，才能感受应该怎么做，这就是大家所谓的熟能生巧、肌肉记忆，手感说的就是这个意思。需要通过一些力、一些触觉，通过这些东西反馈实时调整我的动作，这就是动作跟环境之间相互形成的一个闭环，这就是我们所说的第二个特点跟大语言模型不一样的。
前面讲这么多，核心其实想告诉大家哪怕今天大模型发展越来越快的时代下，具身领域行业的人员，我们依然有很多工作要做，而且我一直认为所谓技术，其实并不是谁吞噬谁的问题，而是大家你一步我一步相向而行，慢慢融合出革命性成果。
后面会从我们公司一年的实践角度出发，给大家快速介绍一下我们所做的实践，包括数据模型以及部署方面的经验。
第一个是数据，在我看来它不是纯粹说录一个视频，形成一个Dataset数据集就可以，而是驱动模型持续迭代的基础设施。我们比较推崇的是真实场景的数据，我们给它总结三个真实。真实的作业人员，在真实场景里面干真实的活，只有这一种数据才能教出真正会干活的机器人，这是我们秉持的理念。我们做的设备尽可能的真实，尽可能轻便，把佩戴体验包括一些轨迹定位的精度做得比较高，人戴上设备可以比较正常干活，比如不需要放慢动作，不需要做表演式工作达到干活的目的，这是我们目前已经铺开在很多场景做这个数据获取，我们也跟一些合作伙伴一起共创这个数据集。
第二个就是数据我们一直坚定的认为，数据质量远远重要于数据数量。我们认为十万小时高精度数据训练出来模型远远优于一千万小时低质量数据，我们其实花很多时间打磨数据质量。比如第一个时间同步，多设备，多相机，怎么保证相机三个同时拍摄同一个场景，其实听起来好像不是特别难，但实际做起来就是一个通讯加算法优化联合一起解决的这么一个非常难的问题。目前是能够控制到毫秒级别。第二个我刚才说的轨迹精度，可以看到图像是1倍速的，里面人的动作非常快。正常酒店场景，服务人员动的就是这么快，并不会做慢动作，我们告诉酒店人员希望以你正常收拾速度动作，我们的算法要能够跟上你的轨迹，显示高频，高速动作下的轨迹精度，这是数据质量其中两个点跟大家做分享。
另外刚才讲的是数据获取或采集环节，实际整个数据闭环，它是一个数据迭代引擎。刚刚采集环节到后面，我们其实有多个门禁的Q-GATE，检查这个数据结构是否完整、是否丢帧、时空对齐是否一致、有没有达到毫秒级。做这个动作，动作炫酷，但这个在机器人是否可达。另外挖掘，有十个数采员时好控制，采酒店，餐厅，厨房不会重复，有一万数采员时没有办法控制他们采的不重复，就需要通过算法进行数据挖掘。比如这一批数据拿出来通过各种特征投导平面，所有数据大面积重合时大概率这两个数据重复。这可以做到比如一千小时重复数据，我们从里面只取十小时就行，重复数据对我们来讲作用不特别大，但它反过来其实会消耗我们很多算力。所以我们也在上面做很多精细化处理，基于这个可以做到刚才讲十万小时级别数据可以训出很好的模型。
还有标注，除了教机器人动作外，现在训练里面会中间加各种解释。前面有嘉宾分享视频也可以看到会加语音分割和语音描述东西，这是标注，训练我不讲了。总之我们是把这么一套整个模块的链路串起来形成数据闭环系统，基于这个系统迭代我们整个模型。
第二部分分享一下我们算法或者是大家经常讲的具身大脑上面一些思考，首先第一个观点我们认为（英文）模型并不矛盾，都有一定价值。先看一下模型架构，我们有三层架构，我们今天讲SYSTEM1，大家比较关注MoRA端侧大脑。它有什么特点？里面看着复杂，其实总结特点写在下面。第一个倾向把更多能力往System1转移。我们知道云端还有大脑System2，大家有时候会把一些目标理解，纠错，做错让System2去纠错，Agent有这个能力，端侧自闭环，长期记忆能力，自闭环，自我纠错目标理解能力都放在System1，这是第一个模型设计理念和主流架构不特别一样的。
第二个生成决策理解一体，我们看来两个不同监督信号共同辅助这个模型做更高效的学习。所以我们可以看到这个架构里面，其实有Action Expert，做理解任务，还有做未来帧预测做视频生成，还有做决策的。我们刚才讲认为触觉力这个事情，在整个作业流程里面非常重要，我们也加了一个比Action Expert更高频做推理的做触觉，会基于Action Expert十赫兹频率动作输出做更高频达到30-50赫兹动作修正，保证接触最后一下可以更高频调整，这是整个MoRA设计架构理念。
左边金字塔不讲了，大家基本现在形成一个行业共识，大家都这么做的。在里面我认为有两个能力比较重要，今天给大家重点分享一下。第一个认知推理能力，我们为什么刚才讲我们要在中间做那么多语言，以及其他任务标注原因，希望这一个模型可以自己学习常识推理，能够具有或者绝大部分大语言模型跟具身相关知识，我们希望MoRA端侧模型可以自己吸收这一部分知识，需要类比大语言模型做长时序的标注，做精细化语言标注，我们花很多时间做这个事情。发现后面会有Demo经过长时序标注，让具身模型同时做长时序语言推理非常有助于他学习空间理解能力的。
第二个全身运动能力，现在很多Demo，特别轮臂式Demo，机器人甚至固定桌子上两只手干活，运作和操作分离架构，我们看来这一种全身运动能力比较重要。有两个点，第一个是人其实干活要干得高效，也是一边走路一边干活。比如刚才走到讲台，随手话筒拿起来并不会停下来，人干活脚与手协同关系，我们觉得全身操作能力，肯定是更高效，也是更拟人的。这是第一点。
第二点会发现刚才说我们要采UIM跟EGO数据，人戴头环日常移动操作也不会走着走着摘下来再干活。从学习这些数据角度讲也做全身操作ET模型是更重要一个点。这是最近两个月，我们打磨的技术，现在已经从桌面的静止操作转向全身移动操作。
后面是一些Demo，第一个模型具备非常强的多模态目标理解能力。比如让它清理桌面，哪怕中间新扔一些东西，打乱顺序也能够识别，直到目标完成为止。而且这一套都是在端侧自闭环。
第二个我们叫作多模态意图理解能力，这一个是需要跟云端System2联合的能力，可以理解人的意图，比如说人倒一倒杯子，他知道杯子里面空了，需要拿瓶水，类似这样的能力，这是Agent加操作一体整套系统能力。
第三个刚才讲动态环境抗干扰能力，需要有实时闭环，实时纠错能力。也是最重要的要打造的能力。
第四个记忆能力，这个模型记得房间初始状态什么样，一旦发现某一个东西比如原来沙发上现在到地上，可以自闭环完成修复。
第五个视觉，触觉共同闭环能力，这一个典型的像开洗衣机，烘干机，按按钮，需要力度刚刚好，可以把弹簧按下去，这一种实际上很需要借助触觉和视觉联合一体能力。
再往下一步我们现在正在做的，上面其实已经是大概三个月前的能力。下一步夹抓泛化灵巧操作，大规模WBC。我们真正做起来会发现操作这个事情，大家更依赖真实数据，运动控制大家依赖仿真数据，想两者一起做时这个数据怎么办？我们最近也思考这个问题，一方面提高System能力，另一个方面我们把虚拟仿真与真实世界打通，现在可以做到你拿一个真实世界遥操PKO控制仿真世界物理，效率可以做到跟仿真一样，真实程度逼近真实世界拍摄视频人物的特性。比如这里指的处理一个柔性物体，叠裤子，包括记忆能力，其实都是比较不错的。还有可以拿手柄遥控仿真场景里面东西，里面东西也跟着动。这是想把SIM，REAL跨越鸿沟进行一个尝试。
关于模型就分享这么多。
最后本体我也想讲一讲，虽然大家都会说本体比较成熟，其实真正大家看现在的本体，能够实现产品化，可靠我们先不说，外观至少看着是像模像样的产品比较少，我们公司本体设计上也花一点功夫，如果展会看到我们机器人应该印象本质深刻，比较亲和，跟人相处让你感觉没有侵略性和攻击性产品，是我们设计的理念。我想分享内容大概是这些。最后我想说大语言模型站在巨人肩膀上，有互联网基础设施涌现出来智能，今天具身没有这个路，一边修路一边造车，一边要通路，一边造机器人，一边采数据，一边要场景里面实现部署闭环，所以我们面临挑战确实更多，但这也是整个行业更有想象力的原因，相信未来3-5年，这个行业应该也可以像大语言模型一样，大家看千行百业进行成规模应用，这是今天分享内容，谢谢大家。
扫码下载
中文网微信