黄青虬在创业之前，投入数月时间调研具身智能。他了解到，对比视频中展示的效果，机器人在完成家务时的实际成功率远不如预期，成熟硬件的响应速度与一致性仍存在不足，而算法模型虽然不断推陈出新，但机器人稳定工作的能力提升有限。根据他的判断，如果用半年到一年时间专注开发，自己有机会赶上已有公司在过去两三年中取得的进展。

他面临的是一个竞争日趋激烈的市场，目前一些早期成立的具身智能公司估值已超过200亿元，相关人才、资金和产业资源正迅速向行业领先者集中。关键在于后发公司不仅需要追赶技术进步，还有必要证明自身可能获取的独特机会。

黄青虬的自信源于他过去五年在智能驾驶领域的丰厚经验。2020年，他以“天才少年”的身份加入华为，参与了从ADS 1.0到ADS 4.0的开发，涉及激光雷达感知和BEV融合，还参与了数据闭环的搭建。在离开华为之前，他已成为人工智能模型开发部门的部长，负责管理超过200人，是华为智驾团队中最年轻的技术管理者之一。在华为的这段经历中，他亲历了智能驾驶技术从模块化和规则系统走向AI驱动和端到端模型的转变，这种技术变化虽多，但技术审美和快速验证迭代的能力却是持久的，他希望将这些经验应用于机器人行业。

回顾十多年前在清华大学自动化专业就读时，他曾参与机器人足球比赛。那时，一台高度为1.6米的机器人只要稳稳站在场上，就有可能获得前八名；如果能够走动，更可能晋级前四。如今的机器人任务变得更加复杂，除了简单的操作，还涉及到收拾酒店房间、操控柔性物体等，真实世界中的挑战由单一技术延伸到了模型、数据、软件和硬件之间的相互制约。

2025年底，黄青虬和高文礼共同创立了墨奇智能。在短短半年时间内，公司便获得了超过10亿元的融资，团队成员扩展至150多人，并开始全力投入于模型、数据、软件和硬件的研发。今年7月，在深圳的见面中，黄青虬表现出来的热情和温和，言语间透露着年轻的气息。他提到，墨奇的目标是开发一款能真正投入家庭使用的通用机器人，但在实现的路径上，公司并未将自己局限于热门的视听-语言-动作（VLA）或世界模型技术，而是优先训练原生具身模型，计划明年交付规模达千台的轮式机器人。

作为一家晚两年入场的企业，墨奇智能的机会并不在于重走先行者的老路，而是应当在行业尚未形成明确答案时，少走弯路，加速发展。当前，VLA与世界模型是具身智能领域中不可忽视的两个技术方向。美国的一些公司，如Physical Intelligence和Figure，更偏向于VLA路线；而斯坦福教授李飞飞参与创立的World Labs则更加注重世界模型与空间智能。虽然各公司在技术重点上存在差异，但整个行业至今未能形成统一的技术架构。

黄青虬认为，VLA的基础在于经过大规模预训练的视觉语言模型，再加上动作输出，使模型能够根据图像和语言指令来控制机器人。因此，这条路径相对容易让创业公司切入：无需从零开始理解世界。他承认语言在机器人中的价值，但并不认为大语言模型的成功能简单复制到具身智能上。他将两者描述为一组对立关系：大语言模型偏向“大数据、小模型”，而具身智能更接近“大数据、小模型”。

在他看来，具身模型所面临的挑战在于，其需要在端侧运算，这使得算法难度加大。“具身算法比大语言模型复杂，因为它需要实时在端侧运行。”他解释道，目前能部署在机器人端的模型大约停留在3B到7B之间，而大语言模型主要是在云端运行，相对算力约束则较少。与此相比，机器人的操作环境更为复杂，需要同时处理连续的视频、语言、触觉和本体状态等信息。因此，在具身模型中，一个训练样本的规模可能是大语言模型的数千倍。

在黄青虬眼中，具身模型只需要应对两个核心任务：信息压缩与模态转换。机器人实时感知环境、理解人类的指令，并将这些信息转化为具体的动作。在这一过程中，机器人会处理数百万维度的感知输入，但最终输出的动作却仅维持在十几维度上。VLA和世界模型则赋予了识别的多种能力来源和训练信号，VLA引入了语言及语言推理，而世界模型则通过预测视频和未来状态等方式理解物理世界的变化。

然则，黄青虬指出，这些能力只解决了一部分问题。机器人最终需要将视觉、语言、触觉等丰富的信息转变为具体动作，而仅仅依赖动作反馈进行训练则显得相对有限。因此，VLA和世界模型虽然不矛盾，但也并不完整，仅仅是一个更大难题的部分解。

墨奇的策略是为模型引入更多“老师”——动作、语言推理、视频预测、深度估计和语义分割等，都是可用于训练原生具身模型的有效信号。“就像语文、数学和英语老师，他们教学内容各异，但最终目的是让学生更聪明。”相比追逐热门技术名词，黄青虬更关注于解决实际问题。这是他从华为智能驾驶带来的习惯：降低噪声干扰，不被行业热词所左右。当他觉得某一方向值得投入时，他常常采用的策略是：“手握资源，先做起来，做完再说。”