成立8个月跑完同行2-3年路程，墨奇如何炼出具身智能“全栈天团”

2026年的具身智能赛道，正在告别 “单点 Demo”时代，进入全栈工程能力的比拼阶段。

原因很直接：数据采集、模型训练、端侧部署、本体执行环环相扣，从第一天起就是系统工程。当行业从Demo走向真机与量产，企业争夺的已不只是最聪明的大脑，而是一支能跨越专业边界、持续作战的队伍。

2026年WRC，成立仅8个月的墨奇智能交出了一份超预期答卷——自研具身模型架构MoRA与轮式双臂机器人MORPHI KINO同台亮相，KINO连续完成15分钟基于端侧模型的长程任务，覆盖70-80个连续动作，系统展现出其模型、本体、数据与工程能力。

MORPHI KINO 轮式双臂机器人叠衣服

在墨奇智能联合创始人兼CTO黄青虬看来，能够如此快速拿下全栈协同的结果，背后核心支撑是一个稳定、能够持续作战的组织。

而如今，这支团队逐渐浮出水面：既有港中文 MMLab、上海AI Lab、斯坦福实验室的研究者，也聚集了来自百度、长安、地平线的智驾产业老兵，以及长期与本体、量产打交道的硬件工程师……整个团队，硕博以上学历占70%，研发人员占75%，其中算法、数据Infra、软硬件团队超过150人。人才梯队覆盖具身AI 研究领域、端到端智驾、VLA、世界模型、运动控制、本体研发与量产，打通算法-软件-硬件-量产全链路。

但是，人到位只是开始。在这8个月中，墨奇更直面的考验是——让这群来自不同专业的人合力体现在一台机器人，让展台上惊艳观众的15分钟，真正变成在真实场景长效运行的硬实力。

这不禁让人追问：这支AI全栈能力“最强团队”到底如何炼成？

最强大脑集结

共同押注具身规模化窗口期

具身智能的规模化，正在改变技术进步的方式。除了模型之外，业界在数据、硬件和真实应用场景等方面快速推进规模。这不仅改变了技术演进的趋势，也改变人才流动的轨迹。

在前端研究的王泰，最能够明显感知这种变化。

他博士毕业于香港中文大学多媒体实验室（MMLab），和黄青虬是博士期间的校友，2021年就加入上海AI Lab从事研究工作，在多模态三维感知、空间理解等方面有着深厚的研究积累，同时密切关注具身智能的发展。

“目前，具身行业进入到一个需要场景牵引、规模化来推动技术突破的新阶段。”王泰抱着要做To C机器人的初心，坚决要从学界走向业界，加入墨奇。

这种人才的流向，让部分学者开始探索具身智能产学结合的新方式。

另一位学者吴桐并没有选择离开高校，而是同时站在产学两端。她长期从事三维视觉、生成模型和世界模型方向的研究。2026年4月结束斯坦福博士后研究，吴桐进入复旦大学担任长聘教轨助理教授，以顾问身份加入墨奇，并参与世界模型的一线研发。

促使她做出这一选择，正是看到学术与产业的区别。

在高校，数百乃至近千小时的具身数据训练，往往是学校能支持的规模上限。而在企业，数据和算力规模增大，一些学术研究问题就可能被消解，甚至沦为伪命题。“高校研究者需要借助企业平台，一是获得更大规模的数据与算力支撑，二是完成从理论、算法到工程落地的完整闭环验证。”吴桐表示，这才能让前沿学术研究下沉到产业，实现产学研结合的价值。

而和黄青虬一样作为智驾产业老兵，叶晓青则更关注加入的时机。

她曾在百度和长安汽车，都参与到智驾领域的一段式端到端探索工作，有着丰富的端到端产业经验。当时，百度萝卜快跑实现上线，规则化智驾方案也已经跑通，而叶晓青则在这一成熟体系中，坚定推进一段式端到端的方案探索。后来，她任职长安汽车智驾算法模型负责人，从零开始搭建完整端到端智驾体系的数据和模型闭环，并逐步打磨到在业内有竞争力的水平。

两段经历，让她懂得：“技术方向的正确性，与现阶段是否值得投入，是两件需要分开看待的事。”前者是基于第一性原理的技术判断，后者还取决于数据、算力、技术成熟度和组织能力是否足够支撑这条路线落地的综合判断。

和黄青虬接触交流后，叶晓青发现：墨奇现阶段做具身的技术路径跟智驾端到端的训练范式非常类似，可以弥补上之前的遗憾。因此，叶晓青决定加入，并负责酒店与家庭场景下的整套具身算法能力建设，推动真正跑通数据、模型、本体与终端执行的完整技术链路。

同样深耕智驾的林天威则更关心，什么样的团队能承接具身智能规模化演进的趋势。他此前在地平线负责端到端预研与具身操作，主要做早期研究。

“因为机器人的技术链路非常长，既要打造硬件本体，又要推进模型算法，还要打通完整交互链路，其实需要一支专业、上下游配合良好的团队来支撑这件事。”林天威说，他注意到了墨奇有来自华为自动驾驶体系的核心人才，具备数据、闭环、硬件研发等强项目管理能力，搭配上模型研发人才，处于全栈推进的务实状态，因此决定加入墨奇。

董思远是墨奇团队的另一位核心技术骨干，黄青虬启动创业时，两人已经在华为一起工作三年多。董思远很熟悉黄青虬的技术理念和决策方式，也了解他和团队准备做什么。考虑了要做的事情本身、团队实力、个人和团队的契合度三方面后，董思远决定加入墨奇。

在后续招募其他核心成员时，黄青虬延续了类似方式：有些是在读博期间就合作接触过的同学，有些是之前工作的同事。长时间接触，让他看到他们的技术能力之外，还能看到一个人真正想做什么以及遇到分歧时会怎样处理。

因为技术能力只是第一道门槛。

相比之下，黄青虬更看重使命感，希望团队里的成员都是“谦虚但自信，温柔但坚定”的人。“一方面是要对技术判断是自信的，而保持谦虚是为了听得进去行业不同的声音，想法碰撞的时候，保持求同存异的心态；另一方面要坚持住自己认为靠谱的观点，但我不希望团队有非常剧烈的摩擦，希望大家用温柔的方式去解决观点的冲突。”

在他看来，只有一群有使命感的人长期留下来，并保持团队的稳定，才能把“真正work的具身智能”做出来。

这支核心团队绝非顶尖人才的简单堆砌，而是围绕具身智能全链路需求搭建的精准互补拼图。

黄青虬作为技术总负责人，统筹整体技术路线与组织文化，将智驾领域验证成熟的端到端工程范式，系统性迁移到具身赛道。

前沿算法端，王泰主导新一代具身架构与训练范式，吴桐推进世界模型预研与产学研联动，共同锚定技术上限；工程落地端，林天威负责基础模型预训练，叶晓青牵头场景全链路算法与跨团队协同，具身和智驾老兵核心保障算法落地效率；系统架构端，与黄青虬在华为共事三年、深谙其技术理念的MIT CSAIL博士、ICRA 2021最佳论文得主董思远，执掌KINO机器人与数采设备整体架构。前魔法原子总裁吴长征则是产品开发团队的灵魂人物，并牵头自研关节模组，破解了通用模组无法适配需求的核心难题，打通量产关键供应链。武敏颜负责软件底座和推进优化软硬协同迭代，孙文涛负责运控。

整套梯队完整覆盖算法 - 软件 - 硬件 - 量产全链路，几乎没有明显短板。

全栈天团聚力

将人才密度炼成真机闭环

集结人才，只是完成了人才梯队的基础积累。但人才密度不等于组织效率，让不同专业的顶尖人才消除盲区、形成合力，才是具身智能真正的核心门槛。

机器人是个复杂系统，一方面技术链路长、分工细，专业交界处极易出现盲区，模型、软件、控制、本体必须同频，任何一环慢半拍，再好的算法在真机上都跑不起来；另一方面上下游环节环环相扣，上一环的输出就是下一环的输入，任何一个接口偏差，最终都会在真机上暴露，且很难定位根因。

为此，墨奇沉淀出一套跨团队协同的工程化方法论：前置共识定义问题，再由专家纵向推进，分阶段全链路联合排查异常，最后用真机验收结果。

这套方法论的第一个核心，是把分歧解决在硬件动工之前的前置共识机制。

在为本体KINO选择末端夹爪时，做系统架构的董思远更看重连杆式平行夹爪的结构稳定性；而部分算法和数采人员则认为，剪刀式夹爪更适合抓取笔、棉签等细小物体。

两种判断分别来自不同的专业经验，仅靠讨论很难得出结论。于是，团队做出两套原型，交给数采人员带进酒店，按照实际任务逐一测试。抓取成功率、任务效率、模型训练难度，以及制造装配和供应链条件，被放到一起比较，最终才确定夹爪方案。

MORPHI KINO 轮式双臂机器人取水补货

这次经历之后，团队将更多讨论提前到产品定义阶段。

因为硬件改版的代价远高于软件修复，前期多解决一个分歧，后续就可能少一次返工。在硬件动工前，产品、架构、算法、软件、制造、采购先共同定需求，把顶层设计问题写进下一代产品定义，局部故障由负责人修复，再交最接近使用结果的人验收。

到了WRC筹备阶段，墨奇技术团队协作的重点从共同定义转向共同排查。

在内部，他们早期采用过常见的串行流程：算法提需求、数据做采集、训练完交测试。一旦出问题，几轮反馈下来只能得到 “模型效果不达标” 的结论，根因定位困难，排查效率极低。

但WRC的筹备迫在眉睫。为此，叶晓青调整协作方式——组建跨团队共建小组，让不同团队能更早、更直接面对问题所在。

其中，算法人员可以直接参与数据可视化、质检标注、算子设计与开发工作；数据与平台团队把这些能力进行工程化落地与系统集成；与此同时，算法和运营共同研讨数采质检标准与激励机制，预防为了追求数量而反复采集简单数据。

这套跨团队共建的方法，还沿用到模型部署环节。在叠衣服这类要求夹爪快速响应且动作空间多样的高动态任务的真机测试中，夹爪却频繁“空夹”。

团队最初怀疑是模型能力或者部署精度的问题。但他们没有盲目重训，而是将算法、部署和本体人员聚到一间会议室，在小黑板上列出整条链路。从数据预处理、动作编码，到机器人状态和端侧执行，逐项排查，最后发现，问题来自训练代码与部署代码之间一个不起眼的参数差异。

问题解决后，团队没有止步于修复单个bug，而是搭建了一套从模型训练端到部署端的自动化一致性校验工具，纳入模型部署的强制流程，从机制上杜绝同类问题再次发生。

黄青虬核验KINO桌面清理任务演示效果

通过不同观点的碰撞，墨奇找到了跨团队共同定义产品的方法；因为查找参数失误，团队做出了自动校验工具；在纠察数据采集的失误，团队沉淀出了新的数采质检标准……每解决一个具体问题，墨奇就把对应的方法沉淀为工具、标准和流程，不同背景成员的经验，最终都汇入了组织的能力体系。这也是墨奇能够快速完成全栈技术布局的原因。

这种速度，不只是因为做得更快。更关键的是，每解决一个问题，团队都会把相应的方法沉淀进工具、标准和流程，减少下一轮研发的重复摸索。「一次踩坑，终身免疫」。人才密度只有经过分工、协作和复用，才会真正转化为组织效率。

跨越WRC展台

墨奇奔赴真实产业战场

从公司成立到登上WRC展台，墨奇仅用了8个多月。

8个月的时间，墨奇发布了自研具身模型架构MoRA，推出轮式双臂机器人KINO，并搭建起数据采集与训练基础设施。KINO内部先后迭代了三个版本，其真实场景数据积累已经达到约3万小时……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。

MoRA具身智能模型架构

更亮眼的是，墨奇KINO做出的15分钟基于端侧模型的长程任务展示，集中呈现了墨奇过去8个月在模型、本体、数据和工程能力的阶段成果。

在模拟家庭环境中，KINO 自主完成整理桌面、冰箱补货、衣物搬运、烘干、折叠全流程，跨多个区域移动，连续完成约 70-80 个动作。在行业多数 Demo 仍停留在分钟级、单任务预设脚本阶段，15 分钟端侧自主长程运行，意味着系统已经跨过了 “Demo 可用” 到 “场景可用” 的关键门槛。

黄青虬与墨奇轮式双臂机器人KINO

但墨奇的下一个目标，却不是简单将15分钟延长到20分钟或更长时间。“我们不会单纯拿运行多少分钟作为评判指标。”林天威说，比时长更重要的，是任务能否进一步增加，以及机器人能否适应更加真实、复杂的环境。

与此同时，墨奇开始将真机闭环推向酒店等B端场景。因为酒店与家庭环境接近，任务和物品足够复杂，同时又允许机器人先承担垃圾收取、饮品补充等部分工作。在实际运行中暴露的问题，可以转化为新的数据，再用于模型训练和本体迭代。

目前，墨奇正与多家酒店集团洽谈战略合作，其原型机已进入真实客户场景进行POC验证，预计2027年实现千台级产品交付，三年内实现规模化进入酒店或物流等商用服务场景完成真实作业，实现产品和商业闭环。

“以酒店等B端场景作为跳板，但最终要走入C端家庭。”黄青虬认为，拉长时间，基础模型决定一家公司的智能上限。但机器人不到真实场景持续运行，团队就无法知道硬件是否可靠、模型还缺少哪些能力。“基础模型负责提高上限，真实场景负责暴露问题、产生数据。”

从WRC走向酒店，墨奇面对的下一道考题也在变化。

今年的WRC，参展企业已超过300家，同比增长36%，超过3000件机器人创新产品集中亮相。拥挤的展台，已经勾勒出具身智能“大战”的轮廓，也让人产生了一种错觉：能够做出样机，似乎就拿到了入场券。

但事实并非如此。

行业真正的门槛正在后移：展台上比的是谁能先让一套系统跑起来；进入真实场景后，比的是谁让模型、数据、软件、本体和控制长期协同，把一次演示变成稳定运行与量产交付。对墨奇而言，从WRC走向酒店，再向家庭延伸，考验的正是这群人能否把短期攻坚转化为长期协作。墨奇用 8 个月证明了一件事：具身智能的下半场，比拼的从来不是单个天才的高度，而是一支团队的协同深度、组织密度和落地速度。

正如黄青虬所说：“一家公司能不能把具身这件事做成，关键在于能否构建一个人才密度足够高的核心团队，锻造一个可持续作战且稳定的组织。”