具身智能领域新添一家估值达70亿元的公司。

据“暗涌Waves”的报道，墨奇智能在短短六个月内完成了超过10亿元人民币的天使轮系列融资，其投后估值已超过70亿元。这笔融资是目前国内具身智能赛道公开披露的首轮融资中规模较大的一笔。

此次融资的投资方阵容强大，包括阿里巴巴、腾讯、蓝驰创投、君联资本、高榕创投、源码律动等十余家知名机构。

值得注意的是，截至融资消息公布时，墨奇智能的首款产品尚未正式对外亮相。该公司也未披露任何关于客户、订单、交付量或营收的信息。创始人黄青虬的计划是，在7月份发布首款面向服务场景的机器人。

在公司的关键信息几乎一片空白的情况下，外界不禁疑问，是什么支撑了其高达70亿元的估值？

70亿估值，押注两位核心高管的经验

墨奇智能的70亿元估值，很大程度上源于其两位核心高管的履历。

公司CTO黄青虬曾担任华为智能驾驶AI部门的负责人，深度参与了华为ADS（自动驾驶系统）从1.0到4.0版本的算法研发及量产工作。据“暗涌Waves”的采访，他还主导了WEWA架构的一段式端到端实现，并成功应用于百万规模的量产。

CEO高文礼则曾在华为运营商业务线负责海外市场业务，之后联合创办了跨境物流公司iMile，并积极推动了该公司海外运营网络和实体业务的扩张。

一位拥有智能驾驶从算法研发到大规模量产的经验，另一位则具备海外市场、运营网络及商业交付的实操能力。资本正是看中了这两种能力在机器人行业的结合潜力。

资本之所以对这种组合寄予厚望，也与具身智能近两年的发展趋势息息相关。

目前，机器人实现叠衣服、倒水、分拣物品等功能已不再是新鲜事，大模型、VLA（视觉语言模型）和世界模型等技术也在快速迭代，发布会上的演示也日益流畅。

然而，从实验室演示走向成熟产品，中间仍存在显著的差距。实验室中的机器人通常在预设环境中执行短暂任务，而实际应用于商场、酒店或家庭时，它们需要应对光线变化、物体遮挡、人员走动、硬件磨损及各种突发状况，并需连续工作数小时甚至日复一日地运行。

当前机器人领域亟需解决的问题是，如何在复杂环境中准确理解周围情况并稳定做出反应。

这正是黄青虬过去几年一直在攻克的难题。

从ADS 1.0到ADS 4.0，华为智能驾驶系统所面对的道路环境日益复杂。汽车需要识别突然出现的行人、临时障碍物、复杂路口以及各种不规则目标，同时还要应对雨雾、逆光和夜间等不同天气和光照条件。

系统需要不断发现新问题，收集相关道路数据，并通过算法训练和版本迭代，逐步提升汽车理解复杂场景的能力。

黄青虬推动的WEWA架构实现百万规模量产，表明他不仅参与了表面上看起来不错的算法开发，还深入了智能驾驶系统从持续学习现实环境到大规模汽车长期运行的全过程。

换言之，黄青虬通过持续优化智能驾驶算法，使汽车逐渐适应复杂道路环境的能力，正是当前具身智能领域所急需的。汽车需要理解道路，而机器人则需要理解其所处的整个物理世界。

高文礼的经验则为资本提供了另一层想象空间。

机器人从实验室走向市场，还需要处理供应链、成本控制、海外运营和商业交付等环节。高文礼在华为和iMile积累的经验，使得墨奇在成立之初就不仅仅局限于算法和样机开发，而是着力构建了多元化的团队。

因此，资本给予70亿元的估值，是押注黄青虬能否将智能驾驶领域不断训练、迭代、让机器理解复杂物理世界的方法论，成功应用于机器人领域；同时也寄希望于高文礼能将这项技术转化为可交付的商业产品。

至于这两种能力能否在具身智能行业真正实现成功的融合，还有待墨奇的首款机器人投入实际应用后进行验证。

首款机器人，暂避家庭场景

尽管墨奇智能的首款机器人尚未公布具体外观、参数或任务细节，但据黄青虬透露，公司已确定该机器人不会直接进入家庭环境。

这一战略选择本身就传递了重要的信息。

墨奇智能的长期目标仍然是通用家庭机器人。

按照黄青虬的构想，未来的家庭机器人应能理解家庭环境的变化，自主完成清洁、整理、物品递送等任务，而无需用户改变家具摆放或适应机器人的工作方式。

然而，现实情况是，几乎不存在两个完全相同的家庭环境。

同一个物品，如一个杯子，可能在一个家庭中出现在餐桌上，在另一个家庭中则可能在床头柜、洗手台或杂乱的书桌上。

机器人不仅需要识别这些物品，还需要理解它们之间的关联，判断哪些物品可以移动、应放置何处，以及在操作过程中是否会碰到人或损坏其他物品。

相比之下，汽车智能驾驶主要解决的是道路上的点对点安全移动问题。而家庭机器人虽然活动范围受限，但需要处理抓取、接触、搬运和摆放等三维操作，对物理世界的理解要求更高。

这意味着，即使黄青虬拥有丰富的智能驾驶经验，直接攻克家庭这一具身智能领域最难落地的场景之一，也并非易事。

因此，墨奇选择从商用服务场景切入，是一条更为务实的路径。

相较于家庭环境，商业场所的空间通常更为固定，机器人需要完成的任务范围也更容易界定。

团队可以在相似的环境中反复让机器人工作，观察其在何种情况下会识别错误、路线受阻或动作失败，然后收集相关数据，持续训练和更新算法。

这种场景也更适合墨奇借鉴智能驾驶行业的数据闭环经验。

与汽车智能驾驶的数据积累模式类似，墨奇希望让机器人首先进入真实的商业环境，通过一次次的失败和迭代，逐步提升其对物理世界的理解能力。

然而，挑战也随之而来。

从相对标准化的商用场景起步，再通过实际部署积累数据，最终走向家庭，这条路线在具身智能行业已不算新颖。

许多希望进入家庭市场的机器人公司，都在采取类似的策略：先在工业、商业或其他相对固定的环境中进行“练兵”，然后再考虑更开放的家庭场景。

因此，仅仅选择商用服务场景，尚不足以凸显黄青虬过往华为智能驾驶经历能为墨奇带来多大的领先优势。

其数据闭环的构建速度是否能超越同行，机器人能否更快地适应新环境，以及产品在长期运行中能否保持稳定性，这些都需要等到首款机器人正式发布并投入实际场景应用后才能知晓。

目前可以确定的是，墨奇选择了一条更为现实的起步路线。

至于这支由华为智能驾驶团队组成的队伍，能否在通用行业路线中跑出差异化优势，并支撑起70亿元的估值，在现阶段仍是一个未知数。