黄青虬强调具身智能领域数据工程优先级高于模型架构创新
近日,前华为“天才少年”、墨奇智能联合创始人兼CTO黄青虬在接受媒体采访时指出,具身智能技术发展需优先强化数据工程环节。他称数据质量是模型训练的根基。
具身智能领域数据工程关键作用
具身智能指人工智能系统通过物理实体与环境交互实现认知升级的技术路径。黄青虬认为数据采集、清洗与标注等环节直接影响最终模型效果。
企业研发角色说明
墨奇智能作为具身智能解决方案提供商,其技术团队包含来自华为等科技企业的核心成员。黄青虬在该企业担任联合创始人及首席技术官。
“假设数据质量无限高,再简单的模型也能训出很好的结果。”
技术发展逻辑拆解
- 优先完善数据基础设施建设
- 建立标准化数据处理流程
- 强化多模态数据融合能力
- 确保数据与实际应用场景匹配
该观点或促使企业调整研发投入方向,将更多资源向数据工程领域倾斜。黄青虬的言论显示行业对数据质量的关注度持续提升。

黄青虬主导墨奇智能数据闭环系统构建
黄青虬于2020年加入华为车BU,现作为墨奇智能自动驾驶AI负责人主导数据闭环系统构建。其团队自2020年起开发数据飞轮体系,现已完成核心模块搭建。
技术积累支撑系统创新
黄青虬在华为期间主导攻克激光感知与感知融合系统AI化技术,推动ADS 4.0版本辅助驾驶AI化进程。其主导构建的自动驾驶数据工程体系历经ADS 2.0至4.0阶段迭代。
数据飞轮体系运行机制
墨奇智能数据飞轮系统涵盖数据采集、处理、模型训练及评测四大环节。采集阶段采用自研穿戴式设备,通过商住场景保洁人员实现数据获取。
数据需经过质量筛选、归类及自动标注流程,最终用于训练模型。劣质数据将触发重新采集机制,确保训练数据质量。
- 数据采集:穿戴式设备+保洁人员参于商用场景
- 处理环节:质量筛选→归类→自动标注
- 模型训练:多道防线评测→数据补全循环
模型发展分阶段推进
黄青虬表示模型技术路线不强调世界模型或VLA标签,核心关注输入输出内容及端到端训练范式。墨奇智能模型发展分为三个阶段,目前处于开源模型预训练阶段。
商业化聚焦场景适配
墨奇智能选择酒店及商住公寓作为商业化突破口。该负责人指出工业物流场景任务过于垂直,家庭场景面临能力与隐私双重限制。
计划于2023年下半年启动酒店场景概念验证,完成单店模型测试后逐步推进规模化应用。
