墨奇MoRA+KINO机器人：15分钟家庭任务展系统能力

8月19日至23日，2026世界机器人大会在北京北人亦创国际会展中心举办。成立仅半年的具身智能初创企业墨奇智能，此次在国内完成了首次系统性亮相，不仅公开展出了自研的具身智能模型架构MoRA，还正式推出了专为家庭长程任务打造的MORPHI KINO轮式机器人。这家企业从底层算法模型到硬件本体双向布局，推动通用机器人实现从单一动作演示到连续多任务执行的能力跨越，让具身智能离真正落地真实物理场景又近了一步。

家庭长程任务实战：展现通用机器人的综合能力

在本届机器人大会的展台上，MORPHI KINO轮式机器人完成了多项公开演示，从送盲盒、合影互动到基础家居整理、物品拾取放置，都展现出了不错的表现。其中最受观众关注的，是一段长达15分钟的跨区域家庭长程任务实战演示，整个流程覆盖了客厅清洁整理、冰箱饮料补货、衣物洗烘折叠等多项日常家务，完整展示了机器人在环境感知、物品理解、长程任务规划、连续执行以及复杂双手操作上的技术实力，同时也验证了其对家庭狭窄空间和真实居家布局的适配能力。

在客厅整理环节，机器人自主规划导航路径抵达茶几旁，精准识别成团纸巾、矿泉水瓶等杂乱物品，抓取后投入垃圾桶，再将茶几上的零散物品逐一收纳至托盘，完成基础的桌面整理。现场技术人员介绍，看似简单的桌面清理，实则涉及视觉识别、姿态规划、力控抓取等多项技术的协同配合：面对杂乱无章的桌面，机器人需要准确定位目标物体，以合适的力度完成抓取并完成归置投放，每一个步骤都离不开算法的精密调度。

客厅整理完成后，机器人移动至冰箱区域，先核查内部饮品库存，发现库存不足后，便移步至桌面取来矿泉水，完成冰箱补货后再关闭冰箱门。对于机器人来说，开门操作是一项不小的挑战：门把手的位置、门体的开合角度、操作的力度都需要通过视觉和力觉传感器实时感知，并动态调整机身高度与手部姿态，找到最佳的操作点位。正是这套完整的感知与操作能力，让机器人能够自主完成库存核验、取货、补货、关门的全流程物资补给，有效分担家庭的家务负担。

随后机器人来到洗烘工作区，完成了一套连贯的衣物处理流程：先打开烘干机取出烘干完成的衣物，暂存至干净衣篓；接着开启洗衣机，取出待烘干的湿衣物并闭合舱门；再将湿衣物投放进烘干机，关好舱门并按下电源与启动按钮开启烘干程序；最后返回折叠台，将衣篓中的烘干衣物完成整理、折叠与码放。现场工作人员表示，这组取放和折叠衣物的动作极具代表性，机器人不仅需要掌握基础的抓取放置能力，还要具备操控复杂家电的能力，比如识别按键位置、控制按压力度，这也是机器人真正走入家庭场景必须攻克的核心门槛。

整场15分钟的实战演示，直观展现了MORPHI KINO轮式机器人的整机综合能力，包括移动底盘、躯干、双臂、视觉与力觉感知单元的协同配合。其亮点并非展示单一的零部件或技术模块，而是呈现出一个完整的具身系统：不仅能够理解任务目标，还能在较长的时间里持续将真实环境推进到目标状态。

重构具身智能架构：让任务能力下沉到策略模型

如何让机器人从精彩的演示原型，变成能够在家庭和工厂中真正投入使用的产品，是当前具身智能行业普遍关注的核心议题。硬件本体的持续行动力，背后离不开具身模型的智能决策能力支撑。

目前行业内主流的具身智能方案，大多采用分层双系统架构：高层认知大模型System2加上机器人策略模型System1。这套架构虽然让机器人初步具备了完成长程任务的能力，但也存在结构性的瓶颈。在现有的分工模式下，任务的核心智能——目标维护、记忆管理、进度追踪与失败恢复，几乎全部由System2认知层承担；而直接与物理世界交互的System1，更多只是作为面向当前子任务的动作执行器。

这种分工模式带来了明显的问题：仅靠强化System2的规划能力，无法完全解决真实物理世界中的长时序执行难题。System1层面存在两个关键限制：其一，目标接口能力有限，存在指令遵循性不佳、泛化能力不足的问题，无法支持图像指令，也难以处理多阶段的结构化指令；其二，执行模式以短时序、反应式为主，模型缺乏多粒度的执行记忆和对任务进度的认知能力。

真实的物理世界充满不确定性，真正能够持续稳定工作的机器人，不能每走一步都等待上层系统发号施令。针对行业的共性痛点，墨奇智能前不久发布了自研的具身智能模型架构MoRA（MORPHI Reasoning and Autonomy），并系统性提出了Agentic-Native的具身模型技术路线，核心目标是让Agentic能力原生存在于策略模型中，实现更好的长时序任务执行效果。

墨奇重构的System1被称为Agentic-Native具身动作模型，具备三大核心能力：一是以目标为条件的持续执行，模型可以接收文本或图像形式的目标，并在整个执行过程中始终围绕目标行动；二是多粒度记忆，通过构建短、中、长期多层级记忆，支撑长程任务的执行；三是带进度认知的闭环，不仅能够输出动作指令，还能同步输出任务状态、进度以及后续预测。在此基础上，墨奇重新定义了双系统的边界与协作方式。

System2作为以物理世界为原生语境的认知中枢，承担三项核心职能：一是意图理解，结合物理环节的约束条件解读用户的真实目标；二是任务规划，将用户意图拆解为可执行的任务流，并调度System1执行，同时在执行过程中进行持续看护；三是多模态表达，通过语音、动作和表情与用户进行交流反馈。

而System1则是Agentic-Native的具身执行引擎，它可以接收文本和图像共同定义的结构化任务目标，不间断地输出全身动作；内部会维护不同粒度的执行记忆，自主判断任务进展情况；当遇到自身能力边界或异常状态时，会主动向System2发出介入请求。它不再是被动等待指令的“手脚”，而是能够自主承载目标、推进任务的执行主体。

两者的分工可以概括为：System2负责理解并组织目标，决定“要完成什么”；System1则在持续的具身行动中承载并推进目标，负责“如何完成”。这种分工模式实现了效率与鲁棒性的双重提升：高频的物理交互、细节调整、进度追踪等工作由System1原生处理，保证了实时性和连续性；低频的目标理解、全局规划、异常处理等工作交由System2完成，保证了整体的灵活性和智能性。双方各司其职，避免了将所有智能都堆在上层、让下层仅作为反射器的传统模式。

高质量真实数据：具身智能落地的核心支撑

这套原生模型范式能够成功落地，离不开墨奇智能长期布局的两条核心支撑：足够高质量的真实作业数据，以及能够消化大规模数据的基础设施。

企业技术团队表示，模型的本质是信息压缩与模态转换，模型的能力上限取决于参数量，但当前行业对模型架构的改进更多是提升数据吸收效率，对能力上限的影响相对有限。而效率可以通过更多数据、更长训练时间弥补，当下行业虽高呼千万级甚至亿级小时的具身数据，但整体数据质量参差不齐且缺乏统一标准。因此，具身智能要实现能力的规模化增长，前提是数据质量与规模同步提升，其中真实场景的数据质量远比数据数量更为关键。

在数据采集层面，墨奇采用了“自研设备+深度场景落地”的双轨路线。一方面，团队自研了MORPHI Sense Kit真实世界数据采集系统，可在弱纹理、高反光等复杂场景下实现毫米级的轨迹重建，确保采集的数据具备足够精度与可用性；另一方面，团队将数采设备部署到酒店、商务公寓等真实商业场景中，由一线作业人员采集实际作业数据，避免摆拍数据带来的分布偏差。基于此，墨奇搭建了从数据采集到模型迭代的完整闭环飞轮。

目前，企业已积累3万小时的真实场景作业数据，计划在今年完成15万至20万小时的数据储备，为MoRA模型的持续迭代提供高质量的训练素材。具身智能的落地绝非单点算法的突破，而是模型、硬件、数据深度融合的复杂系统工程。成立仅半年的墨奇智能，已经完成了从模型架构、软硬协同、数据闭环到跨场景泛化的全栈技术布局。在具身智能的长期赛道中，这家企业已经跳出了单点技术的内卷，建立起了差异化的系统级竞争优势。