一家半年的创业公司，照见具身智能的当下。
新眸原创·作者 | 李小东
上周，一家成立刚满半年的具身智能公司，墨奇智能，被推到了行业的聚光灯下。这家公司六个月内完成超十亿元天使轮系列融资，估值突破七十亿，阿里、腾讯、蓝驰创投、君联资本等十余家机构出现在投资方名单里。
消息传开的那天，一些做智驾和机器人的朋友讨论，有人感慨赛道热度超乎想象，成立半年的公司就能拿到这样的估值，放在三年前几乎不可想象；也有人在讨论，一个从华为智驾走出来的年轻技术负责人，扎进具身智能赛道，到底能带来什么不一样的变化。
过去大半年，具身智能的热度有目共睹。根据IT桔子的统计，2026年上半年国内赛道融资总额超九百亿元，同比增长五倍，平均每天都有一笔以上的融资落地。百亿估值的独角兽接连涌现，宇树科技科创板过会对应估值四百二十亿，智元机器人累计下线一万五千台，特斯拉也官宣Optimus将在今年底启动规模化量产。
喧嚣之下，其实很多人心里都打着问号。几百亿资金砸进这个赛道，真正的核心壁垒到底是什么？满屏的Demo和发布会背后，具身智能距离真正走进我们的日常生活，还有多少实实在在的路要走？黄青虬和他的墨奇智能，刚好给了我们一个观察行业的新切口。
01
是具身智能的学前班
黄青虬的履历，在智驾圈不算陌生。清华自动化系本科，香港中文大学MMLab博士，师从林达华，2020年以“天才少年”身份加入华为智能汽车解决方案事业群，后来做到智驾AI部门负责人，主导了华为ADS从1.0到4.0的算法突破与量产落地，是业内第一个把一段式端到端架构做到百万规模量产的人。
这样一个深度参与过智驾量产全周期的核心玩家，转头入局具身智能，在很多外人看来是跨界，但在技术逻辑里，这更像是一件顺理成章的事。黄青虬自己有个很明确的判断：智驾是具身的子集。
在大众认知里，自动驾驶跑在公路上，机器人活在日常物理空间里，分属两个完全不同的赛道。但顺着底层技术往下拆，两者的同源性远比想象中更深。
人类在物理世界的所有操作，拆解到最后无非两件事：移动和接触。自动驾驶处理的，是二维平面上的移动问题：车辆在相对结构化的道路环境里感知、决策、控制运动。而具身智能要处理的，是三维世界里的移动加接触：机器人不仅要在复杂空间里平稳行动，还要和各类物体发生交互，抓取、摆放、操作工具。
从二维到三维，只是多了一个维度，背后的解空间却呈现爆炸式增长。开车不需要理解一杯水的物理属性，但要让机器人端起装满水的纸杯不洒漏，就得实时感知杯子重量、水面晃动、手指与杯壁的摩擦力，每毫秒都要调整发力姿态。这是具身智能比智驾难度更高的核心原因。
但难度归难度，底层的工程方法论是完全打通的。
特斯拉做Optimus的时候，直接复用了FSD的整套神经网络技术栈，用自动驾驶积累的视觉感知与决策能力赋能机器人，这件事已经是行业公开的路径。黄青虬在华为的五年经历，最清楚这套方法论的可迁移价值。
端到端的训练框架、数据闭环的迭代体系、端侧模型的实时优化、多传感器融合的工程方案，甚至百万级量产的质量管控流程，这些都是智驾行业花了几百亿、踩了无数坑沉淀下来的成熟经验，平移到具身赛道，能直接缩短从Demo到量产的周期。
过去很多传统机器人公司出身于自动化或机械工程领域，擅长做本体、做运动控制，但对数据驱动的迭代逻辑、大模型端到端的量产落地缺乏体感。智驾背景的从业者批量进场，相当于把具身智能的工程化水位整体往上提了一截。
当然，经验可以复用，挑战不会凭空消失。智驾场景再复杂，终究有交通规则、道路边界作为约束，异常场景始终是小概率事件。但真实物理世界是完全非结构化的，地上的袜子、歪掉的杯子、变化的光线，这些在智驾里的边缘异常，在具身场景里就是日常。
也正因为如此，黄青虬会说当下是两个技术奇点交汇的时刻：大语言模型解决了高层语义理解与任务拆解，智驾的端到端验证了神经网络驱动物理实体的可行性，两条技术线终于在今天交汇，具身智能才真正走到了落地的前夜。
02 比模型架构更重要的是系统工程能力
现在聊起具身智能，行业里讨论最多的永远是技术路线：VLA还是世界模型，端到端还是分层架构，自回归还是扩散模型，各派都有自己的拥趸。但在黄青虬看来，这些都不是最核心的问题。
他有个很笃定的观点：实验室里模型架构决定上限，但在百万规模的真实物理世界里，系统决定生死。
这句话值得反复琢磨。现在行业里从不缺惊艳的Demo——后空翻、拧瓶盖、叠衣服，各种精细操作看起来无所不能。但同一个机器人，从发布会的舞台搬到真实的办公室或者普通家庭里，表现往往会打很大的折扣，连简单的物品递送都可能磕磕绊绊。
差距的根源，在于Demo是精心设计的理想环境，光线、角度、物体位置都经过调试，模型只需要处理特定场景。但真实世界充满扰动和意外，传感器的一点精度缺失，执行器的一丝时延，放到闭环系统里都会被持续放大，最终导致任务失败。
具身智能从来不是单一的算法或硬件问题，本质上是一套软硬一体的实时闭环系统工程。要让这套系统跑起来，得把硬件的边界定义清楚，让数据实现高效流动，让模型持续迭代，还要有完整的评测闭环机制，最终把所有环节融合成一个能自我进化的整体。
这件事说起来简单，落地的难度远超想象。
就拿实时性来说，具身机器人的“大脑”运算频率至少要达到10Hz，负责运动控制的“小脑”要到100Hz，也就是每十毫秒就要完成一次动作调整。这条频率红线直接把模型约束在了端侧，无法依赖云端的无限算力，功耗和散热都是物理限制，参数量不是想做多大就能做多大。
数据的问题同样如此。行业里都在说数据重要，都在囤积数据，但数据的含金量天差地别。在黄青虬看来，数据的标准在于真实的作业人员，在真实的场景里，干真实的活，不是实验室里摆拍的标准化动作，也不是仿真环境生成的虚拟数据，而是人在真实生活里的自然操作轨迹。
而且数据质量的优先级远高于数量，亚毫秒级的多传感器时间同步、弱纹理环境下的运动轨迹精度，这些基础细节做不到位，攒再多小时的数据也很难训练出好用的模型。
现在的行业格局里，不同玩家的路线差异非常清晰。宇树这类公司深耕硬件本体，把运动控制和动态性能做到极致，四足机器人的出货量常年稳居全球前列；智元这类公司侧重工程化与量产交付，快速推动机器人在工业场景批量落地；还有不少公司聚焦具身大模型，主打通用“大脑”能力。
但从第一天就走完全软硬一体路线的玩家，其实并不多。因为这条路太重了，硬件、模型、系统、数据闭环全都要自己做，投入大、周期长，短期很难拿出吸睛的爆款Demo。
墨奇选择这个方向，和两位创始人的背景直接相关：黄青虬懂算法与系统架构，CEO高文礼有华为海外市场经验和跨境物流的全球运营能力。
当然，这条路线的挑战也显而易见。成立仅半年的团队，要同时啃下硬件、模型、系统三块硬骨头，还要跑通商业场景的验证，对团队的执行力和资源整合能力都是极大的考验。
但反过来，一旦这套闭环系统真正跑通，形成数据与产品的正向迭代，构建起的壁垒也会远高于单一赛道的玩家。
03 我们究竟需要什么样的家庭机器人
墨奇给自己定的方向很明确：通用家庭机器人。按照规划，他们会在七月份发布首款面向服务场景的机器人，先从商用环境切入打磨，逐步向家庭场景渗透。
聊到家庭机器人，很多人都会抛出同一个疑问：家里已经有扫地机、洗碗机、洗地机了，为什么还需要一个通用机器人？
这个问题刚好戳中了当前家用智能设备的普遍痛点。这些单品确实解决了碎片化的点状需求，但它们在解决问题的同时，往往又制造了新的负担。
通用家庭机器人想要改变的就是这种现状。相比让用户为它改变生活习惯，机器人要主动适配人的生活秩序，识别家里的所有物品，知晓每件东西的归置位置，自主完成打扫、整理、递送等各类日常事务，不用反复设置规则，也不需要专人维护。
这个愿景足够美好，但全行业都清楚，距离真正走进寻常百姓家还有很长的路。IDC的预测显示，人形机器人要到2030年之后才会加速向家庭场景渗透，当前主流的落地场景依然集中在工业、物流、商用服务等相对结构化的环境里。
行业玩家几乎都遵循着同样的路径：先从商用场景切入，打磨技术与系统，积累真实场景数据，再逐步向消费级市场渗透。特斯拉的Optimus也是先在自有工厂内部署使用，计划到2027年才推出家用版本。
这个市场空间的确足够有吸引力。手机是信息世界的超级终端，承载了现代人几乎全部的数字生活；而通用家庭机器人，会成为物理世界的超级终端，直接作用于现实环境，帮人类处理各类体力事务，这是一个万亿级的全球蓝海市场。
很多人喜欢把具身智能比作下一个智能手机赛道，认为会诞生万亿市值的巨头。但智能手机的爆发，建立在成熟的产业链和完善的应用生态之上。具身智能如今还处在非常早期的阶段，硬件、软件、数据、场景，每一个环节都还有大量的基础问题需要解决。
但也正因为处于早期，才充满了可能性。
— END —
原文标题 : 半年10亿融资、70亿估值，具身智能赛道再现新黑马
