墨奇智能WRC首秀：具身大脑MoRA架构如何突破机器人长程任务瓶颈
在2026年世界机器人大会的舞台上，一家成立仅半年的具身智能企业墨奇智能（MORPHI）以其独特的技术路径和产品实力引起了广泛关注。这家新兴企业在展会上首次系统性展示了其自主研发的具身智能模型架构MoRA，并推出了适配家庭长程任务的MORPHI KINO轮式机器人，标志着通用机器人技术在从演示向实用转化的关键节点上取得了重要突破。
从演示到实用的跨越
传统的机器人展示往往停留在单一动作的精彩演示层面，虽然技术含量很高，但距离真正的实用化还有相当大的差距。墨奇智能此次展示的15分钟家庭长程任务，涵盖了客厅清洁、物品整理、冰箱补货、衣物洗烘等多个复杂操作环节，这不仅仅是技术能力的简单叠加，更是对机器人系统集成能力和环境适应性的全面检验。
在模拟的家庭环境中，MORPHI KINO机器人展现出了令人印象深刻的操作精度和任务连贯性。从茶几清理到冰箱补货，再到衣物处理，每一个环节都需要机器人准确理解环境状态、精确规划操作路径、稳定执行物理动作。这种多步骤、跨区域的连续作业能力，正是当前具身智能领域亟需突破的技术瓶颈。
机器人在执行桌面整理任务时，需要同时处理视觉识别、姿态规划、力控抓取等多个技术维度的挑战。面对杂乱无序的桌面空间，系统必须快速定位目标物体，计算最优抓取点位，控制适当的抓取力度，然后完成归置投放。这个看似简单的操作流程，实际上涉及了复杂的多模态感知融合和精细的运动控制算法。
MoRA架构的技术革新
传统具身智能领域的技术方案普遍采用分层双系统架构，即System2（高层认知大模型）与System1（机器人策略模型）的分工模式。在这种架构下，任务的主体智能——包括目标维护、记忆管理、进度追踪与失败恢复等功能，主要集中在System2认知层，而直接与物理世界交互的System1则更多承担动作执行的角色。
这种分工模式虽然让机器人初步具备了完成长程任务的能力，但也带来了结构性的局限性。System1层面存在目标接口能力有限的问题，表现为指令遵循性不佳、泛化性不足、不支持图像指令、难以处理多阶段结构化指令等。同时，执行过程以短时序、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。
墨奇智能提出的MoRA（MORPHI Reasoning and Autonomy）架构，系统性地重新定义了双系统的边界与协作方式。新的架构采用了Agentic-Native的具身模型技术路线，将Agentic能力原生嵌入到策略模型中，从而实现了更高效的长时序任务执行。
Agentic-Native的核心能力
重新设计的System1被称为Agentic-Native具身动作模型，具备三个核心能力。首先是Goal-Conditioned Execution（以目标为条件的持续执行），模型能够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，而不是被动等待上级指令。
其次是Multi-Granularity Memory（多粒度记忆），通过构建短、中、长期多层级记忆系统，支撑长程执行任务。这种分层次的记忆架构使得机器人能够在不同的时间尺度上保持对任务状态的感知和控制。
第三个核心能力是Progress-Aware Closed Loop（带进度认知的闭环），模型不仅输出动作，还输出任务状态、进度和后续预测，形成了完整的执行反馈循环。
System2作为以物理世界为原生语境的认知中枢，承担意图理解、任务规划和多模态表达三项核心职能。意图理解环节结合物理环境的约束条件，准确解读用户的真实目标；任务规划将复杂意图拆解为可执行的任务流，并在执行过程中进行持续监控；多模态表达则通过语音、动作和表情与用户进行交流反馈。
System1作为Agentic-Native的具身执行引擎，接收文本和图像共同定义的结构化任务目标输入，不间断地输出全身动作。系统内部维护不同粒度的执行记忆，自主判断任务进展，遇到自身能力边界或异常状态时，主动向上层发出介入请求。
效率与鲁棒性的双重提升
这种新的分工模式实现了效率与鲁棒性的双重跃升。高频的物理交互、细节调整、进度追踪等任务交给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、异常处理等任务交给System2，保证了灵活性和智能性。
两个系统各司其职，避免了将所有智能都集中在上层、让下层只做反射的传统模式。System2负责理解并组织目标，System1则在持续的具身行动中承载并推进目标。前者决定要完成什么，后者持续把它做成。
这种架构设计的优势在于，机器人不再是被动等待指令的执行器，而是能够主动承担责任、自主推进任务的智能主体。在真实物理世界充满不确定性的环境下，这种自主性显得尤为重要。
数据驱动的模型进化
墨奇智能联合创始人兼CTO黄青虬指出，模型的本质是信息的压缩和模态的转换，模型的能力上限取决于参数量。当前各家具身公司的模型架构改进，主要作用是提高模型吸收数据的效率，对模型能力上限的影响相对较小。
在数据质量普遍不足的行业背景下，墨奇选择了