外盘开户配资
梅卡曼德机器人创始人、CEO邵天兰把创业八年的过程比作是"拼地图"，他们专注于机器人的眼、手、脑，希望通过标准化的产品适配广泛的硬件形态，从而覆盖千行百业。邵天兰称这种模式是"既要、又要、还要、也要"的过程，不仅门槛高，难度也大，但如今一路走来，梅卡曼德的产品已经在汽车、物流、重工等众多领域跨行业、规模化落地，连续四年市占率第一，成为全球"AI+机器人"领域规模最大的独角兽企业。
十几年前入行时，邵天兰几乎是清华唯一一个选择去德国攻读机器人专业的人，2016年他入局成立梅卡曼德机器人，希望能够让机器人的智能再上一个台阶，2017年初，华创资本独家领投了梅卡曼德的Pre-A轮融资。
在全民做机器人的今天，邵天兰用历史的后视镜回看，发现今天的机器人行业很像2015年的自动驾驶——一方面技术的突破和进步带来了非常大的希望，但另一方面，泡沫之下，很多人也会低估技术展示到大规模落地之间的门槛，从而制定出激进的时间表。
所以在邵天兰看来，"比起表面海浪的噪声，我们更应该关注水下演进的潮流"，而梅卡曼德过去八年正是通过一次次打硬仗，在技术、客户、全球化等方面都打下了基础，才得以在冲向具身智能终局的过程中上了桌，并获得了一个好的位置。
近日，邵天兰做客「牛白丁」，和华创资本管理合伙人吴海燕一起回顾了机器人行业的发展，对比了自动驾驶行业的技术演进，并畅想了未来机器人如何走入千家万户。本期节目中，你将听到一家独角兽企业的成长轨迹，以及在冲向具身智能终局的过程中如何上桌的路径。
嘉宾介绍：
邵天兰，梅卡曼德机器人创始人、CEO
本期主播：
吴海燕，华创资本管理合伙人
以下为节目内容，经过 CGCVC 编辑——
吴海燕：天兰，欢迎来到华创的办公室，录制这期「牛白丁」，你先介绍一下自己吧。
邵天兰：各位听众朋友好，我是梅卡曼德机器人创始人、CEO邵天兰，我们在 8 年前成立了梅卡曼德机器人，经过 8 年发展，我们所做的高精度工业级 3D 相机和人工智能的软件已经服务于非常多的物流和制造场景。
我们做的是机器人的眼、手、脑，希望机器人能像自动驾驶的汽车一样，有自我的感知能力、规划能力和决策能力。当前我们在机器人的上料、搬运、装配、切割、焊接、涂胶、质检等很多场景都有非常多的应用，我们是全球首个在制造和物流里面实现大规模制造、大规模智能机器人应用的公司。也非常荣幸，在公司很早期的时候我们就获得了华创资本的投资。
吴海燕：你们已经大规模应用到很多场景里了，也是全球在这个领域里做得最好的公司。当时是什么契机让你看到了这个方向的创业机会？
邵天兰：2016 年底，我从德国回来创办了梅卡曼德机器人。最近的三、四年，我们的业务增长非常快，也实现了大规模的应用落地。我当时回来的时候看到的机会和今天的大模型其实很像——大家看到了新一代的人工智能技术，让机器人有更好的智能潜力。
当年的标志性事件就是 AlphaGo 战胜了李世石，同时在机器视觉方面也有很多的进步，就好像我们从 2023 年看到像 ChatGPT 这样的技术一样，在那一波浪潮里面我们成立了梅卡曼德，现在也开始利用更新一代的技术，包括生成式 AI、大模型、多模态等技术，我们希望能够让机器人的智能再上一个台阶。
吴海燕：从2016 年到现在机器人行业经历了什么样的变化？
邵天兰：机器人行业可以看作是学计算机的人在"绑架"这个行业的一个过程。我本科在清华大学，原来的很多机器人的实验室实际上是归在机械学院下面的，大家认为机器人有机械的部分，有控制的部分，所以原来是很多机械和电气，包括电机还有控制相关的学科。这些年我看到的一个非常重大的趋势，就是搞计算机的人，特别是做人工智能、做大模型，包括从其他行业，比如自动驾驶等出来的一些人，开玩笑叫"绑架"了这个行业，就是现在大家认为机器人更多是关乎智能的，这是我们看到的一个非常明显的趋势。
吴海燕：2016 年那个时候是更关乎硬件或者更关乎控制。
邵天兰：我认为更多还是在机器人的智能上，要能够有非常好的感知能力，能识别数以千计、万计的物品，要能精细地去感知它的状态，以及自主操作能力、任务理解能力、决策能力等等。从2012年去德国读书开始算起，我本人进入机器人这个行当也有不短时间了，在这期间我看到机械和控制是有进步的，但是进步的幅度以及带来的本质变化是远远小于人工智能的，而我们现在看到整个行业正在迅速地人工智能化。
吴海燕：那我换个方式问，现在这个行业有很多新的名词：大模型、泛化、具身智能等等。在 2016 年你创立公司的时候，包括我们 2017 年投资的时候，都还没有这些概念。那今天成立一家机器人公司，和过去相比，创业者的想法以及行业有什么不同？
邵天兰：我认为有非常好的不同，也有非常坏的一面，但获得的关注更多了。
吴海燕：当年好像也很热闹，也有一波做机器人的公司出来。
邵天兰：但不能和今天的热闹相比。我 2012 年从清华本科毕业，去德国读书，读的就是机器人。我的信息不一定很全面，但据我了解，整个学校毕业的几千人中，去德国读机器人的可能就我一个。但到今天，像这样的决策已经非常非常多，我去德国时机器人还是一个冷门专业，到今天开玩笑说已经开始有点烂大街了，似乎所有人都在做机器人。
今天我们看到很多大厂，比如谷歌、英伟达、Meta、字节、特斯拉，还有腾讯、阿里、京东、美团等等，甚至奇瑞、小鹏等汽车厂商都在做机器人，同时也看到非常多的科研院所、高校在投入，还有像雨后春笋一样冒出的创业公司。
吴海燕：全民都在做机器人，各行各业都在做。
邵天兰：甚至很多省份也创立了机器人研究中心。所以我刚才讲到的一个重大的变化就是今天机器人行业获得的来自包括政府部门、投资人、大企业的关注，比我当时刚成立梅卡曼德的时候要多得多。它有非常好的一面，比如很多创业公司融资会更加容易，因为关注这方面的资本很多，同时国家政策也会支持，潜在客户也会被这样的热潮所吸引，所以更有可能获得一些早期客户的关注。
与此同时，也会有不好的一面。第一，过早地开始过度竞争。很多产品的成熟度事实上还远远不够好，但价格已经被打到很低很低了。像人形机器人，比如有五指灵巧手、四指灵巧手等等，甚至有人宣称要做到更低。
第二，对预期的错判。因为现在行业的技术成熟需要一些时间，包括创业公司也需要时间打磨自己的能力、建设团队，以及把产品迭代好。但由于这样短期的过度关注和预期，会导致大家有一些不切实际的时间表，或者对于技术进步的期望。所以我觉得当前的这种热度，带来了很多机会的同时也带来了非常多的挑战。
这让我想起 2015 年或者 16 年的自动驾驶行业，那个时候我看自动驾驶行业更多是一个旁观者的角色，但今天我发现当时发生在自动驾驶行业里的所有事情，如今在机器人或者具身智能领域里正在历史重现，所有的事情都以另外一种形式再发生一遍。
吴海燕：那对比自动驾驶行业，现在机器人行业处在什么样的进程上，或者什么样的产品技术发展的阶段？
邵天兰：2015 年的自动驾驶和今天的机器人非常像。第一，技术的突破和进步带来了非常大的希望。记得我还没有正式创业时，就看到新闻里很多自动驾驶的视频，很多公司画的时间表等等，这是一个大家确实能看到希望的，而不是凭空而来的趋势。我们看到很多这样的技术进步，能带来以前所想象不到的事情。我自己把这叫做 early sign of success，就是成功的早期信号，确实能看到很多这样技术的进步。
第二，很多创业者和大公司，包括资本进来后，会有一部分人开始给出很激进的时间表，比如过去说的"三年商用、 五年量产"，还有很多大厂讲过，到了 2018 年或者 2020 年，所有的车都会实现自动驾驶。
如果以后视镜的角度来看十年后的今天，辅助驾驶在 20 万级别以上的车基本普及了。 L2 的辅助驾驶、 L3 的自动驾驶，现在以千台为单位在做试运行。像文远知行、Waymo、百度的萝卜快跑等头部企业，在一些特定区域已经有几百辆到上千辆的出租车在做商业化的运行，规模也在逐渐扩张，但还是在千台这个级别。这个时间表的实际进展速度，显然是远远慢于十年前的激进预期的。
吴海燕：这么听起来，其实机器人行业，还是比 2015 年的自动驾驶要好一些，因为现在机器人行业应该处于 L2 的普及阶段， 但15 年的时候自动驾驶行业 L2 还没有普及。
邵天兰：是的，我觉得本质的原因是因为自动驾驶是一个人命关天、非常严肃的行业，涉及人身安全，所以在同样的技术成熟度下，机器人行业的应用就会比自动驾驶要广一些，因为涉及到人身安全，它的门槛自然也会更高一些。
观察自动驾驶，我从中学到了两件事：第一，大家所宣传的最激进的时间表几乎不太可能实现；第二，在这个过程中，还是会有人能够发展起来，虽然最后实际的时间表没有大家想象的那么快，可能会先通过 L2 或者关键器件发展起来。
吴海燕：我们自己用后视镜看一下，因为华创也是自动驾驶行业早期投资的参与者，很多看法和你差不多。另外，自动驾驶行业因为是个全新的行业，机器人也一样，等于整个产业链条都要去重塑，重新开始建供应链，客户场景都要从零开始。它的好处就在于创业公司和大公司的起跑线一样，甚至创业公司还更有优势，因为它更灵活，大公司可能在既有成熟行业的基础迭代方面更具优势，在全新行业里反而不一定。
自动驾驶行业确实也经历了几次大起大落，有数次的希望之巅，也有数次的绝望之谷，中间有过非常难熬的、资本和市场都不认可的阶段，也有大家重新燃起希望，又开始对这个行业追捧的时期，但熬过来的公司也因此成为了行业里平台级的公司。
邵天兰：我觉得这很像海浪，当我们在海水表面时，会看到这个浪一会儿 10 米高，一会儿又下去了。但当我们潜到 10 米以下甚至更深的时候，会发现洋流其实是非常稳定的。如果从一线真正做技术的同学的视角来看，自动驾驶技术的进步，并没有像资本侧所表现出来的这么大的波折。只不过有的时候大家因为有了过度预期、过度承诺，就会失望。
但技术真正的演进，我觉得还是比较稳定的，当然也会经历一些迭代，所以，比起表面海浪的噪声，我们应该更关注水下演进的潮流。
机器人行业也是如此，我作为从业者，获取信息唯一可靠的途径就是和真正做的人去交流，然后去实现、复现这样的技术。如果不和人深度交流、实际复现技术，仅仅单凭视频或者论文，我自己是不太敢相信这些信息的来源的。
至于网上很多信息、传言，就更是鱼龙混杂，所以，上面风浪很大的时候，你反而要关注到真正的技术的演进、商业的演进，包括应用场景等等，这也是我现在非常希望能亲身参与其中的事情。
吴海燕：对，一个全面由机器人参与的未来，想起来还是挺美好的。很多枯燥、危险的体力工作，都让机器人去做了，然后人类就可以从事一些更有创造力的事情，有更多的时间陪伴家庭、休闲娱乐，做精神享受的事。
那从机器人行业的实际进展来看，刚才也提到梅卡的产品已经有很多客户在用了，机器人行业先在哪些行业普及起来？进展阶段会是什么？我们80 后、 90 后最期待的是有一天，不再非得指望孩子养老，希望机器人能帮我们养老，这个愿望大概还有多久能实现？
邵天兰：首先我的观点是指望机器人养老，比指望孩子来养老还更靠谱一点。只要 80 后、 90 后的人生活方式健康一点、开车小心一点，不要做太危险的极限运动，基本上都可以看到未来机器人去做几乎所有事情，从这个意义上来讲，这一天其实没有那么遥远。
吴海燕：所以指望机器人来服务人，相当于自动驾驶的全无人自动驾驶？
邵天兰：是的，可以到L4、L5，比如 90 后在退休之前，我认为是能看到这一天的，但短期内三、五年，可能没有那么快，长期来看我是非常有信心的。
吴海燕：那我们现在处于什么阶段上？机器人能干哪些？不能干哪些？
邵天兰：当前，我认为机器人在相对可控的环境下，以及专业人士的操作下，能做的事情范围的增长速度很快，我个人的观察是每年翻一倍。今天的机器人还是在一个相对可控的环境下应用会更多一些，比如制造和物流行业，包括大型服务业如沃尔玛等也可以很好应用。
吴海燕：这些环境相比家庭服务、养老的区别是什么？
邵天兰：首先是环境的可控性。比如大型工厂，可以相对比较好的设计机器人的工作环境。但是一个家连我自己都设计不了，再加上如果有宠物可能会更复杂。其次就是专业性，如果一个产品要面向大众，要考虑到很多人没有受过专业培训。此外还有付费能力，对于大型制造业来说，哪怕百万级其实也是比较小的设备，但如果家用，可能就要到 10 万级以下。最后是安全性，在专业场所中，有人员、制度以及设施去保障安全，但进入家庭，这些东西就要做得更严格。
吴海燕：换句话说，机器人还是得先在特定环境的特定客户用起来，然后慢慢才能走进千家万户，所以咱们的产品现在也是特定行业、特定客户、特定场景。
邵天兰：我们现在的行业和应用已经非常广泛了，既可以在汽车厂的焊装车间做上料、码筐、焊接、质检等等很多工作，同时也可以在奶粉厂、快递物流站做搬运。我们现在的客户来自非常多的行业，大到几十米甚至上百米长的轮船生产，也有几毫米的手机部件的生产。
吴海燕：要服务这么多行业、客户，你们是不是要做很多定制化？
邵天兰：这倒不会，我们现在所服务的所有行业客户，都是标准化、通用化的产品。因为我们现在做的是机器人的眼睛和大脑，不管几十米长的船还是几毫米的部件，虽然做的是装配、切割、焊接等其他工艺，但都是从视觉层面出发，它所做的事情都比较有共性——识别物体的种类、判断它的状态、精准地定位，然后引导机器人完成相应的动作。
这个动作可以是很多种，但人的眼睛相对而言更有共性。比如我本身踢球踢得很差，但眼睛可以判断场上的情况，只不过是我不会踢而已；我也不会转笔，但眼睛可以判断出笔是什么样子的。所以咱们手的能力千差万别，但眼睛的能力相对而言最具共性。
吴海燕：但机器的眼睛和人的眼睛应该也还不完全一样，比如物流行业，可能不需要视力那么好，但另一些场景如汽车、半导体这些行业，是不是需要一双特别锐利的眼睛？
邵天兰：对的，但这更多是传感器层面的差异，我们现在做的高精度相机，最高已经可以做到 0.2 微米的精度——就是把一根头发劈成 400 份，每一份差不多就是 0.2 微米。我们也有能够覆盖几米尺度的高速的产品。虽然精度不一样，但从背后人工智能算法角度来讲是相对有共性的。因为现在的产品里面，实际上人工智能是开发难度最大、成本最高、周期最长的部分。
我们现在有若干硬件的型号，大概十几个 SKU 就可以覆盖绝大部分的场景，从长期来看，SKU 可能也不会那么多。人工智能的算法，如果要为每一个场景去做专门的开发训练验证，确实受不了。所以最关键的部分，还是要把大脑的部分共性化，至于传感器的部分会有一系列的细分型号。
吴海燕：咱们不做本体是吧？
邵天兰：对，我们现在自己不做机器人的本体，比如机器臂或者移动的平台等等。我们可以适配几十个品牌、上千个不同的机器人的型号。因为第一，从技术角度，本体更多属于机械控制、电器，这些不是我们公司擅长的；第二，从生态位来看，本体厂商更多是我们的合作伙伴。此外，从现在整个市场格局来看，在没有重大技术变量的情况下，创业公司去做这些事情，我认为也缺少机会，所以我们自己现在是不做本体的。
吴海燕：咱们做了精准的定位，听起来有一些显而易见的好处：用少量型号的产品，去应对成百上千个场景的需求，这对创业公司而言，是更聚焦更可行也是消耗更少的方式。那有没有遇到什么问题或者难点呢？
邵天兰：我们现在的模式就是通过标准化的产品，去适配非常广泛的硬件形态，然后能做很多的行业。优势在于一旦做出来之后，它的效率、全球化以及客户覆盖都会很好。
但最大的问题就是容易做不出来，因为像这种模式，其实是一个"既要、又要、还要、也要"的过程。对客户而言，你的硬件要有很好的可靠性、成熟度，各方面的性能都要好；软件要具备完善的功能，人工智能的算法要有非常强的适应性，在现场才能非常稳定、快速地部署起来。同时，还要有非常完善的培训文档、技术支持的体系，并且做过很多行业验证，积累了很多经验，能被客户信任的同时，还要拓展合作伙伴的网络，这样他们才能自行去完成交付。
当你拥有这一切之后，就可以了，但问题是怎么去拥有这一切？所以这些说起来容易，上手的门槛其实是比较高的，我们也是成立 8 年来，才逐渐地把刚刚所说的拼图拼起来。当拼图拼好时，化学反应自然就会产生。但当其中几块缺失时，尽管缺得不多，但效率依然很难提上去。
吴海燕：这些东西对国内和国外的客户是一样的吗？还是有什么不同？
邵天兰：每一个行业、每一个应用场景，国内和国外都会不同。国外的客户，对于产品的各种认证，包括很多实际应用的验证，以及产品本身的技术文档是不是全面？使用是不是简单？特别是能否自行上手使用，都非常看重。
因为中国国内工程师的数量多，交通也比较便捷，大家坐高铁过去就能给到客户技术支持。但在国外，无论是工程师薪资还是交通成本都很高，所以他们会非常看重能不能自行使用这点。
吴海燕：客户希望开箱即用。
邵天兰：特别是发达国家，客户对产品成熟度的要求是更高的，既包括你的稳定性、性能，也包括功能、文档、培训易用性等等各个方面。如果达不到一定的成熟度，那对他们而言，带来的麻烦可能还多于你给他的好处，他就不会去用。
吴海燕：咱们是哪一年开始做国际市场的？
邵天兰：我们从 2019 年就开始做，不过那时候做国外市场，更多是希望获得一些反馈来指导我们的产品开发。真正以扩大业务为目标来做海外市场是在 2021 年，那时候疫情还没有完全结束。如今海外的业务收入已经占到一半了。
吴海燕：19年你们成立还不久，为什么要在那么早就想着去探索海外市场呢？国内市场还不够大吗？
邵天兰：中国市场很重要，而且也很大。但我认为海外市场有几个点是一定要做的理由：首先，发达国家的高标准市场能够把我们带着往上走，这种压力非常重要，因为我们看到所有Tob 的好公司最后一定是被一些高标准的客户带起来的，我们进入发达国家市场，它能够倒逼我们这一点。第二，机器人行业不像消费品，消费品的地区个性化很突出，但工业品在不同国家之间的差异没有那么大。所以如果我们不出去，那等国外同类公司发展起来之后，他们也会进来。
吴海燕：换句话说，你不主动攻出去，别人就会攻进来。
邵天兰：是的。第三，我研究了很多公司，包括机器人、工业自动化，比如西门子等等公司的财报，这种头部的工业自动化公司，他们在整个大中华区所获得的收入一般是 1/4 ～1/3。意味着如果我不做全球市场，最后所面对的市场规模可能只有总规模的 1/4。
吴海燕：这跟咱们过去的印象不太一样，因为普遍认为中国是一个制造业大国，为啥这些制造行业的上游供应商只能贡献 1/4~1/3 的收入呢 ?
邵天兰：我觉得有这么几点原因：第一，咱们制造业的产值非常庞大，但其中有一些大宗的生产，比如钢铁等等，但像机器人、还有一些自动化，边际贡献可能没有那么大；另外就是价格的问题，因为现在不管是消费品还是工业品，中国的价格相比全球整体是偏低的，虽然数量上可能占比会更大一些，但整个产值占比会相对低一些。此外，相比于发达国家的生产，咱们自动化的比例相对低一些。
所以中国现在虽然是全球大工业市场的单一最大客户，但从总量上来讲只占 1/4~1/3，我认为也比较合理，这和中国在全球制造业附加值里面的占比也是相匹配的。中国以 15% 的人口，占据全球 30% 多的工业附加值，已经是一个非常了不起的成就了，现在在工业自动化上产值的比例和这个数字也是相匹配的。
吴海燕：那作为一个中国的初创公司，如何赢得海外制造业客户或者渠道商合作伙伴的接受和接纳？
邵天兰：梅卡曼德有一个比较好的外在条件，就是我们所做的品类——人工智能机器人的眼睛和大脑，现在比较流行的说法叫具身智能，所面对的是一个全新的市场。这个市场之前不存在一个已经做得很大的公司，把客户的心智以及产品的生态位占住，这对我们来说，会更有优势。
吴海燕：西门子、发那科、 ABB，这些巨头他们占据的是什么？
邵天兰：他们所做的是在工业自动化时代里，比如像工控电器（编者注：工控电器是指用于工业自动化控制的电气设备，主要包括接触器、继电器、信号灯、按钮开关、主令开关、传感器、人机界面、信息化设备、机器视觉、可编程控制器（PLC）、分布式控制系统（DCS）和可编程自动化控制器（PAC）等这些设备在工业生产中起着关键作用，能够实现对电路或非电对象的控制、保护、检测和调节。），包括机械臂。
工业自动化经历了机械时代、电气时代、计算机时代，我们现在是在人工智能时代，所以我们所面对的是新一代的产品、全新的市场，并不存在已有的巨头，这是一个客观条件。如果出海的厂家要挑战之前已经做得很大的巨头，面临的难度会更大。
在这个前提下，我认为我们做了以下几点：一个是我们产品的定义和标准是非常高的，我们一上来并不是要做一个便宜货，而是就要做世界第一。无论从关键的性能、质量的标准，还是各方面的完成度上，我们就是要做一个好的产品；另外，我们就只做自己擅长的事情，在其他方面和很多巨头有很好的合作；此外，我们做的时候是战略上抓紧，很早就开始去做海外市场，但战术上也不能过于着急。因为一旦过急，做不好口碑，会有反作用。我们一路也走得很扎实，海外业务占比从过去几年间，从 10% 到20% ，从 30% 到 40%，现在马上到 50% 了。
吴海燕：咱们现在的客户主要是制造、物流这些行业，在自动化时代，很多制造业已经出现了所谓的"黑灯工厂"、"无人工厂"，整个工厂里面可能就一两个工人，甚至没有人，那在这种情况下，人工智能赋能的机器人，还能为制造业提升多大的自动化、智能化的空间？这个市场到底还有多大？
邵天兰：这是一个很好的问题。首先，如果去看一些宣传无人工厂的企业的财报，会发现它其实有 10 万人，甚至几十万人。今天我们所看到的制造业里面的无人化，仍然只是在非常局部的范围内发生，中国现在仍然有上亿人在直接做制造业相关的生产，如果把物流等相关的匹配产业算上，很可能会有 2 亿人，在全球这个数字就是 10 亿人。比如家电工厂就有十几万人，很多汽车厂也有几万人到几十万人。
吴海燕：这些工厂是需要像特斯拉的人形机器人Optimus 那样，进工厂拧螺丝吗？什么时候才能替代这些人？用哪种方式？
邵天兰：我认为在制造和物流这些行业，人形机器人很可能不是最主流的形态。我把场景分成两类：一类是直接服务人的场景，比如理发店、餐馆、养老院，它的目标就是要服务人。但我们同时有大量的场景，目标不是服务人而是服务物品。比如生产一瓶矿泉水，目的就是为了把水生产出来，并且送到需要的人手上，那这个过程中，人形所带来的价值就未必那么大。
我们看到在制造和物流中，工业机器人仍然有非常大的空间。在全球有 10 亿人，甚至可能20 亿人在做制造物流相关的事情，那全球的工业机器人此时此刻的存量是 400 万，400 万乘以 100 也只有 4 个亿。也就是说，今天在全球范围内，至少每几百个人才能对应一台工业机器人，那它的主要瓶颈就是智能化程度不够。
哪怕我们只关注大中型的制造、物流和像沃尔玛这样的大型服务业，仍然看到是一个 10 亿人在做的市场，我们就算用机器人去辅助其中哪怕 1% 的岗位，也是一个千万级的事情。这已经比今天整个工业机械行业的存量都要大。所以，即使在短期内，这样够得着的制造、物流和大型服务业，对工业机器人来说，已经是一个非常庞大的市场了，这个市场足够产生千亿美元级别的巨头。
吴海燕：换句话说，在制造业、物流行业，其实自动化所能达成的替代人的场景，还是非常有限的，剩下的这些巨大的体力活、劳动的事情，要靠智能化去做。
邵天兰：是的，我认为这里面有两点：第一，当咱们不计成本时，今天人工智能技术其实已经能做很多事情，但是在现实世界中是要算账的。除了一次性的部署成本以外，设计、加工、安装、调试、维护以及生产发生变化，都会带来成本的增加。比如生产一个新型号所带来的额外成本，这些都要被考虑进去。
以前的自动化，更多是诉诸于机械控制这些不够灵活的设备，特别是定制化的机械，它的设计、加工、安装、调试的成本非常高，所以如果从算账的角度来讲，会发现很多事情只有通过人工智能的方式才能算得过来。在实践中，我们发现，客户在乎的不是人工智能，而是关心整个方案部署是不是快？综合成本是不是低？是不是能够适应它的变化，以及使用起来是不是简单？为了完成这几个目标，我们发现答案就是人工智能。
吴海燕：换句话说，我要解决某一个问题有好几种途径，一种就是做新，做各种各样的自动化的设备，建新的一个自动化产线。
邵天兰：是的，比如通过机械的方式，我去设计专门的机械装置，小到一个夹具，大到整套的定制化的方案。
吴海燕：那我可以把这个工作多分解几步，每一步有一个自动化的装置去做，有 10 个动作，我就给它 10 个设备去做，把自动化做到极致是一种方案。另一种就是多雇几个人。还有一种方案，就是用一些聪明的机器人，俩机器人就能干 10 个步骤。
邵天兰：是的，背后本质上的商业逻辑就是定制化的硬件和标准化的硬件，它们之间成本有 100 倍的差异。我举个例子，去宜家买一把椅子，可能只要几十块钱。但如果请一个木匠做椅子，哪怕锯出来的东西很粗糙、很简单，所花的成本很可能是上千元，因为你要买物料、设计、请人，还要去做加工。甚至定制化加工成的椅子，最后很可能还和标准化生产的椅子材质一样，但到最后你会发现有一个百倍的价格差异。
同样，花 1000 元就可以买到一个很好的手机，但你要花10万从头做一个几乎不可能。今天几万块的汽车就已经很好了，你如果想自己手搓一个，可能几百万都不够。所以本质原因就是一个标准化的硬件大规模生产，可以带来百倍的成本优化。那么我们的问题就变成了，怎么样使用标准化的硬件来满足各行各业非常分散、非常定制化的需求？这个标准化的硬件，和各个行业里各种需求之间的 gap，我们就用人工智能、用机器人的眼睛、大脑把它填上，这就是我们现在所做的本质上的事情。
吴海燕：但有人认为人形机器人更通用一些，不用改，啥都能干。
邵天兰：理论上是，但我们看到像机器臂协作机器人、工业机器人，包括移动复合机器人，它同样也是一种标准化大规模工业生产的形态。那这种形态配上标准化的眼睛和大脑，也能够去满足非常多的不一样的场景。所以这是我们所看到的一个本质性的商业逻辑，就是通过人工智能，让这种大规模生产的、成本很低的机械，能够去面对千行百业特殊的需求，这个就是我们所做的事情。
吴海燕：所以目前，还是让咱们自己的更聪明的机器人，在大型制造业和物流行业的很多环节上去替代人。
邵天兰：对的，我们也有一些服务业应用，主要是一些大型的服务业。
吴海燕：那什么时候可以让咱们的机器人慢慢地走到人机交互的场景，甚至走到家庭？这中间有一个跨越的途径吗？
邵天兰：我认为这个技术的演进完全是连续的，今天在一部分的服务业场景中，我们已经有一些应用了。我认为它的发展，和今天我们已经在制造、物流还有一部分的商业场景中所做的事情是完全连续的。
但还有几个事情需要再进一步地提升，一是它的适应性需要进一步地提升，因为从制造物流开始往服务甚至家用走，我们面对的是更加不可控的场景；第二就是综合成本还要再进一步下降；还有一点就是安全性，在最坏的情况下，一定要保证非专业人员的安全。
这件事情从自动驾驶的发展上也能看出来，我记得当年有一些说法认为" L2 的辅助驾驶，和L3、L4从技术层面上会是完全不一样的。"我认为今天形成的共识是它们本质上还是相通的。
吴海燕：回顾这个行业，华创在2016 年、17 年看自动驾驶的时候有一些 assumption，但后来被证伪了，其中一个假设就是：L2 和 L4 是完全不一样的，当时认为做 L2 的公司是无法通过技术演化到 L4 ， L4 会是完全不同的公司。这是当年的看法，现在来看是错的。
邵天兰：对，我们到今天发现自动驾驶公司，比如使用的传感器，不管是双目也好，像激光雷达使用的计算的芯片，包括我们所使用的端到端的技术、所使用的模型的结构、里面一些具体做法，实际上是趋同的。像L2、L3、L4，今天大家的技术路线本质上我认为是趋同的。当然我可以说，为了实现更高阶的自动驾驶，我的传感器更多、算力更大、使用的模型的规模更大以及综合的成本更高等等。但他们之间的技术路线，我认为本质差异已经越来越小了。
吴海燕：换句话说，15 年、16 年那阵子的自动驾驶公司，那时候已经有数十家拿到牌照可以上路去路测了。那个时候大家投自动驾驶，去这些公司尽调时已经有机会坐上一辆自动驾驶汽车上路去转一圈。它跟现在自动驾驶的核心区别是，那个时候的车在安全上还没有 100% 的把握，其实现在也不一定有，对吧？所以过去十年，大家都在花时间解决可靠性和安全性的问题。
邵天兰：是的，很多人会低估从很好地展示到能够大规模实际落地，这之间的门槛。这对于创业公司来说有可能是致命的。一个事情实际上 10 年才会发生，咱们预测 3 年会发生，那有可能是致命的。
吴海燕：咱们现在一些专业场景是制造业、物流行业，梅卡做的机器人，你定义是 L2 阶段，对吧？
邵天兰：对的，我们现在在 L3 上也有很好的进展，在一年左右的时间内会有初步的应用。
吴海燕：从 L3 到我们理想中的、可以进入千家万户的L4、L5，中间它需要跨越的是什么？
邵天兰：我认为没有本质性的门槛，更多的还是像刚才说的自动驾驶，比如 99%~99.9%~99.99%，这里面我们还要有非常稳妥的感知的能力，要有很强大的操作能力。
吴海燕：需要路测，需要跑10 万英里。
邵天兰：当然我们需要数据，但我认为这件事有的时候是一个 oversimplification，就是过度简化。咱们回看自动驾驶过去 10 年的历史，它显然不是一个简单的收集数据的过程。整个范式，包括很多关键的模块都有重大的升级。当然今天大家会讲，像端到端，像大模型，甚至像理想在讲的 VLA 司机大模型等等。我认为机器人也会有一个类似的过程，不仅仅是简单的数据的叠加，在这里面它的算法，包括很多关键的模块，会有若干次重大的升级。
吴海燕：可能有人会问，梅卡现在做的行业是工厂和物流行业，一方面，升级需要去做，无论是架构的升级也好，还是模型的升级也好。另外，你此刻认为自己有没有数据飞轮？因为你收集的都是制造业的数据，或者物流行业的数据。那日后要进入服务业，进入家庭、学校、医院，是不是还得重新开始？
邵天兰：我们现在已经从事实上验证了，我们今天所做的，比如 L3 这种更前沿的效果是非常好的。
机器人的智能分成两个层次：一个是 foundation model。就好像咱们每个人在大学选专业以前所学的很多事情一样，我要对这个世界有一些基础的理解，不管叫事件模型，或者机器人的 foundation model 等等，它并不一定要某一个细分场景的数据。第二，在细分场景的技能上，机器人具有基础的能用的能力非常重要。我们先从一部分能够得到的场景逐渐地向更多的场景扩展，这里面 foundation model 的能力是逐渐在积累的，而且能够验证，这是非常非常重要的一点。我们从自动驾驶的发展上也获得很多启发，先通过某些方式让整个业务转起来，同时有大量的数据能够进来，这是一个很关键的点。
吴海燕：咱们再畅想最后一件事情，我前段时间看英伟达发布的白皮书，他所公布的一些数据，包括一些行业的通用研究的数据，都指向了——现在机器人在一些基础动作的完成率上还是比较低。这让我对年龄大了之后能用上机器人服务，产生了深切的怀疑。可能这个东西得二、三十年才能真正实现？
邵天兰：我认为不会，二、三十年显然是一个过度保守的预测。
吴海燕：但我看到，单一动作最高成功率只有百分之八十几。
邵天兰：两、三年有可能是一个过度激进的预测，在机器人的基础操作能力方面，10 年这个尺度上我认为能做到一个很好很好的效果，也是一个可预期的结果。可以类比自动驾驶，比如我们回看一下 15 年的自动驾驶。
吴海燕：那很好了。我最深刻的印象就是你的那个段子——可控核聚变 30 年，唯有挖坑在眼前。
邵天兰：明年量产，后年盈利，然后怎么样？但我认为，其中有一些技术的事情还需要突破，但是不至于没有思路。整个技术的演进大致分成几个阶段：第一，大家要有一个思路；第二，要找到一些比较靠谱的具体的做法，然后就是要打磨，把它做好。
自动驾驶也是发展了很多年，从上世纪八十年代一直到深度学习出现以前，比如13、14 、15 年，在此之前是一个找思路的阶段。
吴海燕：那个时候如果问的话就是 30 年。
邵天兰：是的，因为那时候没有思路。
吴海燕：但是我们 2015 年说的时候说是 10 年。
邵天兰：对，因为那个时候大家已经有思路了，但是还没有收敛到一个都认可的做法。今天我们看到比如华为、特斯拉等，不能说完全收敛到一个共识上，但是可以分解到一类共识上。
吴海燕：换句话说，现在通用机器人、具身智能机器人的发展，其实也到了刚才说的 2015 年，已经有思路了。
邵天兰：有思路，但还没有确定下来一个非常可行的做法。
吴海燕：所以我们把这个预测收敛到 10 年这个点上。
邵天兰：是的。
吴海燕 ：如果现在问，量子计算的到来是 30 年还是50年呢？
邵天兰：我不懂这个事情，就不预测了。在思路产生以前，预测的可靠性是很低的。
吴海燕：30 年、 50 年是一个概数。
邵天兰：是的，现在在机器人行业我们看到了有这样的思路，然后我们自己也有很好的进展，但是没有任何人敢说我们此时此刻的方法，它就通向最终的未来。
吴海燕：但如果预测已经能具体到 5 年到 10 年这个尺度，说明已经收敛到一个大的方向上了。
邵天兰：如果在 10 年这个尺度上，那我们现在一方面要有前沿探索，另外一方面也要想办法把公司的基本功、各种能力、业务，包括规模做起来。这也是我们从自动驾驶上看到的现象，比如有的大学、研究院、公司，试图一步到位，去做L4、 L5，最后可能他们的进展反而落后于从 L2 慢慢往 L3 走的公司，比如华为、特斯拉以及其他的创业公司的进展，因为后者可能在商业上、数据上、各种能力的建设上是走得更好的。
今天的机器人思路，是我们有很强大的大模型，在语言理解的能力上，在视觉的综合感知能力上，包括在算力上进行操作等等，有很好的进展。所以我认为，下一个阶段是要找到一个能够通向更高甚至终局的范式。
更准确的说法还是思路，就是从一个思路到一个真正的做法，这之间可能还是有一些差别的，当然我们也看到这个过程在逐渐地变短，逐渐地收敛。今天的人类很卷，一个思路产生之后，就会有很多的资源投入去做。
但要警惕一个点，今天大家虽然有个好的思路，但是做法很明显有局限性。我们看到今天所有的方法，不管是语言模型，包括 VLA ，包括各种各样的方法，很明显是有局限性的。如果过于急功近利，用所谓的大力出奇迹的思路，只是去卷当前的这个思路，那很可能最后会一无所获。
所以我认为，在最后的方法还没有完全确定的情况下，不要过于急功近利，还是要保持一定的发散性，要去尝试一些新的方法，而不是认为我们当前手上的方法就已经是最好的了。这点我们也是从别的行业，比如自动驾驶，比如循环神经网络，包括 BERT 等等的公司身上学到的。它们可能在某个方法上做了很多努力，但像 ChatGPT 这样新的方法出来之后，就完全被碾压掉了。类似这种事情我们看过很多次。
吴海燕：相当于那个技术路线没有被验证，后来又转向了不同的技术路线。
邵天兰：是的，所以在这种情况下，不要把公司所有的资源都压在这一代的技术路线上。我认为一个健康的公司，最好要构建三层业务壁垒，我们现在就是这样做的。第一层，今天能够产生收入利润的业务，它已经有了足够的成熟度；第二层，今天所看到的前沿技术，要能够跟进和改进当下最好的技术；第三层，我们也有一部分精力，包括做产学研合作，去探索一些在今天还没有成熟的、新一代的技术范式。这就是所谓的"销售一代、改进一代、预研一代"。如有更多资源，甚至可以再往前沿再探索一代，就可以避免所有的资源 all in 在一个今天看来可能比较领先，但也许在将来的某一天就落后了的技术方向。最近的例子很可能就是循环神经网络。
吴海燕：所以，迈向通用人工智能的路径越来越清晰了。到今年下半年 11 月份左右，梅卡曼德已经创业九年了。作为创始人，站在此时此刻，你如何定义梅卡曼德在机器人场景里的位置？
邵天兰：我认为我们过去 8 年间所做的事情，让我们在冲向具身智能这样的智能机器人终局的过程中上桌了，并且获得了一个好的位置。
首先，从能力上，公司的能力是要打仗打出来的，不是若干个人聚在一起，就自动获得这个能力，这个能力是活的，一定要大家在一起做一些事情，才能够建设起来；第二，我们获得了全球大量客户，包括上百家世界 500 强客户的认可，是因为我有基本的业务和品牌；第三，我们获得了很多生态合作伙伴，其中有很多的巨头，有很多细分领域领先的公司。
这些能力包括客户的认可、我们的生态，为我们去做新的事情打下了基础。首先能够获得很多客户真实的需求，还有大量的数据积累，同时我们现在也有很多前沿技术，我们自己从规模、资金，以及各方面也有实力能去开发。所以我认为在冲向前沿、最后具身智能终局的过程中，我们现在是能够上桌了。
如果我是英伟达、谷歌等等大公司，那我只要从兜里面掏出一部分钱，然后调一些最好的人，有可能就能上桌。但对于我们创业公司来讲，我们需要在一个时代的过程中去打仗，并且要打赢它，而且要能够把公司做到一定的规模并且可持续，才能够去参与下一个阶段的竞争。这也是我从自动驾驶行业发展上看到的。
现在自动驾驶除了有像特斯拉、华为这样的巨头以外，还有若干家创业公司，也是在冲向自动驾驶终局中上桌了。这些公司我认为无一例外都是在 L2 或者2.5、2.9、2.99 等等时代先把它的业务转起来，获得了很多的客户认可，包括数据、团队的建设等等，我希望我们也能够有一个类似的过程。
吴海燕：总结一下，就是你在一个更早的时间，因为选择也好，因为幸运也好，走在了一个正确的大方向上，然后进到了一个正确的房间里面，坐在了这个桌子上。
邵天兰：是的，就是做好了准备，不敢说做好了所有的准备，但至少能够参与这样一个非常激动人心的事情。机器人行业不是一个个人英雄的行业，它不像有一些领域，比如数学，某一两个大神靠自己的一己之力就能做起来。
机器人是一个技术链条非常长的行业，这点和自动驾驶很像。技术链条非常长，系统极度复杂，需要的要素也非常多，这个过程中想上桌其实不是一个容易的事情，而且不是简单的事情，不是聚一些人、聚一些钱就能上桌，它需要一个活的组织，还需要整个组织在持续的战斗中产生的能力。
吴海燕：你刚有一个忠告，就是我们要好好锻炼身体，因为在未来的十年、二十年内，我们就能看到机器人走进千家万户，服务于我们的美好一天。
邵天兰：是的，我对智能机器人的未来非常非常有信心，而且我们已经在做很扎实的进展。7月底上海的2025世界人工智能大会，欢迎听众朋友们来我们的展台，看一看我们在人工智能方面的进展，可能让大家对 10 年之后机器人进入千家万户更有信心。
吴海燕：我们今天就聊到这里，谢谢天兰来「牛白丁」做客，感谢大家的收听。
邵天兰：感谢各位听众。
我们始终围绕"高精度磁场感知"这个核心外盘开户配资，打造一个底层技术平台，在自研、合作、授权、模块化输出等不同模式中灵活应对，服务于不同领域的深度应用需求。
配资门户提示：文章来自网络，不代表本站观点。
相关文章
推荐资讯