墨奇智能MoRA架构：让机器人长程任务执行不断片
在机器人技术的迭代进程中，单一动作的展示早已不再是稀缺亮点——翻跟头、跳舞、精准抓取这类常规技能，已经被众多厂商反复验证。真正拉开技术差距的，是让机器人能够连贯完成一整套长程任务，毕竟人类日常随手就能做好的家务，对机器人来说往往是不小的挑战。
在近期的一场行业活动中，一家成立仅半年多的具身智能机器人企业展出了其首次公开亮相的轮式机器人，这款产品带来了一场约15分钟的家务实战演示：机器人需要穿过多个区域，先将茶几上的物品收纳到指定容器，随后移动到冰箱前补充矿泉水，再进入洗衣区域完成湿衣物烘干和折叠的全流程。
单独来看，抓取物品、开关冰箱门、操作洗烘设备、折叠衣物这些动作，都是机器人行业已经展示过的成熟能力。但真正的难点在于，这些独立的技能被串联进了同一个长程任务中——机器人需要在十几分钟的执行过程中，始终牢记整体目标，清晰掌握已完成和未完成的任务节点，同时应对环境变化、执行偏差等突发状况，在出现问题后依然能够持续推进任务。这也让“任务连续性”成为本次行业活动中值得关注的技术信号。
机器人为何难以连贯完成长任务？
当前主流的具身智能机器人大多采用“分层双系统”架构：高层认知模型由语言或视觉语言模型承担，负责理解需求、拆分任务、调度技能并处理异常，也就是常说的System 2；底层具身策略模型则结合视觉感知和机器人本体状态，将高层指令转化为连续动作，即System 1。
这种分工模式让机器人具备了处理复杂多步骤任务的能力，但当任务周期拉长，这套架构的短板就会暴露出来。以家务任务为例，高层模型可以快速规划出完整流程：整理桌面、补充冰箱、处理衣物，但负责执行的底层模型只清楚当前时刻该做什么，却未必理解这些动作的整体意义，也无法掌握任务的整体进度。一旦环境出现变化或者某一步执行出现偏差，底层模型无法自主判断后续动作，需要等待高层模型重新确认状态、调整规划，任务周期越长，这种来回调度就越容易打断执行流程，让机器人难以连贯完成长程任务。
针对这个问题，这家企业提出了Agentic-Native技术路线，并推出了MoRA具身模型架构，核心思路是让负责执行的底层模型更多承担自主推进任务的能力，重新调整了System 1和System 2之间的能力分工。
让执行模型自主承接任务
Agentic-Native的核心在于，将原本由System 2负责的目标维护、任务记忆和进度追踪下沉到System 1中，让机器人在持续输出动作的同时，能够始终牢记整体目标、保留执行上下文、判断当前任务进度，只有在超出自身能力范畴时，才主动请求高层模型介入。
MoRA的全称为MORPHI Reasoning & Autonomy，涵盖两大核心方向：Reasoning负责对环境、任务和行为进行推理、规划和预测，Autonomy则让机器人基于感知和推理结果自主决策并执行动作，最终让机器人在行动过程中自主判断下一步动作，直至完成整体任务。
要实现稳定的长程任务执行，MoRA的System 1需要具备三项关键能力：
始终紧盯最终目标：传统的动作执行往往围绕局部子任务展开，而MoRA让System 1直接接收由文本、图像共同定义的结构化任务目标，并在整个执行过程中以该目标为核心条件，避免机器人因单个动作完成就误判整体任务结束，始终牢记最终要达成的效果。
全程保留执行记忆：长程任务的执行记忆并非单一维度，当任务持续数分钟甚至十几分钟时，机器人需要清晰掌握总任务内容、当前进度和未完成的环节。MoRA在System 1内部引入了长、中、短三种不同粒度的执行记忆，长期记忆保留整体任务目标和进度，中期记忆维护步骤级的执行状态，短期记忆负责控制层面的连续性，并且将任务上下文直接纳入模型表征，而非依赖外部状态机维护，让机器人能够像人类处理长程工作一样，保持连贯的工作状态。
精准掌握任务进度：明确目标和保留记忆之后，机器人还需要清楚自身当前的执行进度，距离目标还有多少距离。MoRA的System 1具备任务进度判断能力，形成了“动作→状态→进度→调整”的闭环，能够在执行出现偏差时及时调整，并根据当前状态判断任务是否完成，让整个执行流程更加可控。
长程任务下的数据价值重估
架构层面的调整解决了能力组织的问题，但要让这些能力真正落地，还需要依赖高质量的训练数据。长程任务的环境变化更多、跨度更长，训练数据是否来自真实场景、是否包含完整的执行过程，都会直接影响模型的学习效果。行业中常见的“百万小时具身数据”叙事，并不等同于数据质量足够高——仅记录标准成功动作的数据，和包含环境变化、执行偏差、纠错过程的完整任务轨迹数据，能够让模型学到的能力完全不同。
这家企业构建了Human-to-Robot Embodiment Transfer的数据与训练方法，以人类第一视角的真实作业数据为核心来源，通过统一具身动作空间对齐人类行为和机器人动作，将独立于具体本体的任务知识迁移到机器人平台。相比标准化的采集环境，真实作业数据包含了更多实际场景中的物体状态、操作过程和环境变化，更贴近机器人未来要面对的真实任务分布。
为了获取真实世界的作业数据，该企业自研了数据采集系统，将设备带入酒店、商务公寓等真实商业场所，由一线作业人员直接产生作业数据。采集完成的数据经过质检、场景重建和标注后进入模型训练与评测，同时机器人真机运行产生的新数据会持续回流，形成迭代优化的数据飞轮。目前该企业已经积累了约3万小时的真实场景数据，并计划在年底将数据量提升至15万到20万小时。
强大的“大脑”之外，需要适配的“身体”
再先进的具身模型，也需要通过机器人本体作用于真实世界。本次活动中执行家务任务的轮式机器人，就是适配MoRA架构的硬件平台。这款面向家庭服务场景的轮式机器人，并未过度强调单一参数，而是更注重移动、躯干、双臂、视觉与触觉能力之间的协同配合。
在家庭服务场景中，完成一套家务任务需要机器人调动多种能力：在不同区域之间穿行，根据操作高度调整姿态，识别物体位置和接触状态，完成开门、抓取、搬运、放置等动作。这款机器人采用四舵轮全向底盘，可以原地转向，底盘尺寸适配标准客房门和电梯；双臂各有7个自由度，单臂额定负载可达5kg；搭配鱼眼相机、深度相机、激光雷达和指尖触觉传感器，实现对环境和接触状态的全面感知。
长程任务对机器人的续航能力也有很高要求，这款机器人配备了两块540Wh的电池，支持热插拔，实际可用续航不低于4小时，同时支持WiFi 6和5G双链路连接，方便状态回传和OTA更新。在活动现场，这款机器人还展示了更多演示场景：比如根据观众选择抓取对应盲盒并装袋递送，完成物品识别、抓取和收纳的全流程。
写在最后
这家企业围绕Agentic-Native和MoRA的探索，其实触及了具身智能的一个基础问题：智能应该如何分配到不同的系统层级。当负责实际执行的System 1能够自主把控任务目标、记忆和进度，机器人就可以在行动过程中持续推进任务，而System 2则专注于任务意图理解、全局规划和异常情况处理。
任务执行的时长越长，这种分工模式的优势就越明显，很多局部变化可以直接在执行层处理，无需频繁等待高层调度，让任务推进更加顺畅。当机器人从“完成单个动作”升级为“承担连续的完整工作”，具身智能的发展除了关注模型规模、数据体量和场景覆盖，还需要加入任务时长这一新的维度——对于准备承接长程工作的机器人来说，能够稳定维持能力的时长，将会成为未来越来越重要的评判标准。
