十幾年前入行時，邵天蘭幾乎是清華唯一一個選擇去德國攻讀機器人專業的人，2016年他入局成立梅卡曼德機器人，希望能夠讓機器人的智能再上一個臺階，2017年初，華創資本獨家領投了梅卡曼德的Pre-A輪融資。
在全民做機器人的今天，邵天蘭用歷史的后視鏡回看，發現今天的機器人行業很像2015年的自動駕駛——一方面技術的突破和進步帶來了非常大的希望，但另一方面，泡沫之下，很多人也會低估技術展示到大規模落地之間的門檻，從而制定出激進的時間表。
所以在邵天蘭看來，"比起表面海浪的噪聲，我們更應該關注水下演進的潮流"，而梅卡曼德過去八年正是通過一次次打硬仗，在技術、客戶、全球化等方面都打下了基礎，才得以在沖向具身智能終局的過程中上了桌，并獲得了一個好的位置。
近日，邵天蘭做客「牛白丁」，和華創資本管理合伙人吳海燕一起回顧了機器人行業的發展，對比了自動駕駛行業的技術演進，并暢想了未來機器人如何走入千家萬戶。本期節目中，你將聽到一家獨角獸企業的成長軌跡，以及在沖向具身智能終局的過程中如何上桌的路徑。
嘉賓介紹：
邵天蘭，梅卡曼德機器人創始人、CEO
本期主播：
吳海燕，華創資本管理合伙人
以下為節目內容，經過 CGCVC 編輯——
吳海燕：天蘭，歡迎來到華創的辦公室，錄制這期「牛白丁」，你先介紹一下自己吧。
邵天蘭：各位聽眾朋友好，我是梅卡曼德機器人創始人、CEO邵天蘭，我們在 8 年前成立了梅卡曼德機器人，經過 8 年發展，我們所做的高精度工業級 3D 相機和人工智能的軟件已經服務于非常多的物流和制造場景。
我們做的是機器人的眼、手、腦，希望機器人能像自動駕駛的汽車一樣，有自我的感知能力、規劃能力和決策能力。當前我們在機器人的上料、搬運、裝配、切割、焊接、涂膠、質檢等很多場景都有非常多的應用，我們是全球首個在制造和物流里面實現大規模制造、大規模智能機器人應用的公司。也非常榮幸，在公司很早期的時候我們就獲得了華創資本的投資。
吳海燕：你們已經大規模應用到很多場景里了，也是全球在這個領域里做得最好的公司。當時是什么契機讓你看到了這個方向的創業機會？
邵天蘭：2016 年底，我從德國回來創辦了梅卡曼德機器人。最近的三、四年，我們的業務增長非常快，也實現了大規模的應用落地。我當時回來的時候看到的機會和今天的大模型其實很像——大家看到了新一代的人工智能技術，讓機器人有更好的智能潛力。
當年的標志性事件就是 AlphaGo 戰勝了李世石，同時在機器視覺方面也有很多的進步，就好像我們從 2023 年看到像 ChatGPT 這樣的技術一樣，在那一波浪潮里面我們成立了梅卡曼德，現在也開始利用更新一代的技術，包括生成式 AI、大模型、多模態等技術，我們希望能夠讓機器人的智能再上一個臺階。
吳海燕：從2016 年到現在機器人行業經歷了什么樣的變化？
邵天蘭：機器人行業可以看作是學計算機的人在"綁架"這個行業的一個過程。我本科在清華大學，原來的很多機器人的實驗室實際上是歸在機械學院下面的，大家認為機器人有機械的部分，有控制的部分，所以原來是很多機械和電氣，包括電機還有控制相關的學科。這些年我看到的一個非常重大的趨勢，就是搞計算機的人，特別是做人工智能、做大模型，包括從其他行業，比如自動駕駛等出來的一些人，開玩笑叫"綁架"了這個行業，就是現在大家認為機器人更多是關乎智能的，這是我們看到的一個非常明顯的趨勢。
吳海燕：2016 年那個時候是更關乎硬件或者更關乎控制。
邵天蘭：我認為更多還是在機器人的智能上，要能夠有非常好的感知能力，能識別數以千計、萬計的物品，要能精細地去感知它的狀態，以及自主操作能力、任務理解能力、決策能力等等。從2012年去德國讀書開始算起，我本人進入機器人這個行當也有不短時間了，在這期間我看到機械和控制是有進步的，但是進步的幅度以及帶來的本質變化是遠遠小于人工智能的，而我們現在看到整個行業正在迅速地人工智能化。
吳海燕：那我換個方式問，現在這個行業有很多新的名詞：大模型、泛化、具身智能等等。在 2016 年你創立公司的時候，包括我們 2017 年投資的時候，都還沒有這些概念。那今天成立一家機器人公司，和過去相比，創業者的想法以及行業有什么不同？
邵天蘭：我認為有非常好的不同，也有非常壞的一面，但獲得的關注更多了。
吳海燕：當年好像也很熱鬧，也有一波做機器人的公司出來。
邵天蘭：但不能和今天的熱鬧相比。我 2012 年從清華本科畢業，去德國讀書，讀的就是機器人。我的信息不一定很全面，但據我了解，整個學校畢業的幾千人中，去德國讀機器人的可能就我一個。但到今天，像這樣的決策已經非常非常多，我去德國時機器人還是一個冷門專業，到今天開玩笑說已經開始有點爛大街了，似乎所有人都在做機器人。
今天我們看到很多大廠，比如谷歌、英偉達、Meta、字節、特斯拉，還有騰訊、阿里、京東、美團等等，甚至奇瑞、小鵬等汽車廠商都在做機器人，同時也看到非常多的科研院所、高校在投入，還有像雨后春筍一樣冒出的創業公司。
吳海燕：全民都在做機器人，各行各業都在做。
邵天蘭：甚至很多省份也創立了機器人研究中心。所以我剛才講到的一個重大的變化就是今天機器人行業獲得的來自包括政府部門、投資人、大企業的關注，比我當時剛成立梅卡曼德的時候要多得多。它有非常好的一面，比如很多創業公司融資會更加容易，因為關注這方面的資本很多，同時國家政策也會支持，潛在客戶也會被這樣的熱潮所吸引，所以更有可能獲得一些早期客戶的關注。
與此同時，也會有不好的一面。第一，過早地開始過度競爭。很多產品的成熟度事實上還遠遠不夠好，但價格已經被打到很低很低了。像人形機器人，比如有五指靈巧手、四指靈巧手等等，甚至有人宣稱要做到更低。
第二，對預期的錯判。因為現在行業的技術成熟需要一些時間，包括創業公司也需要時間打磨自己的能力、建設團隊，以及把產品迭代好。但由于這樣短期的過度關注和預期，會導致大家有一些不切實際的時間表，或者對于技術進步的期望。所以我覺得當前的這種熱度，帶來了很多機會的同時也帶來了非常多的挑戰。
這讓我想起 2015 年或者 16 年的自動駕駛行業，那個時候我看自動駕駛行業更多是一個旁觀者的角色，但今天我發現當時發生在自動駕駛行業里的所有事情，如今在機器人或者具身智能領域里正在歷史重現，所有的事情都以另外一種形式再發生一遍。
吳海燕：那對比自動駕駛行業，現在機器人行業處在什么樣的進程上，或者什么樣的產品技術發展的階段？
邵天蘭：2015 年的自動駕駛和今天的機器人非常像。第一，技術的突破和進步帶來了非常大的希望。記得我還沒有正式創業時，就看到新聞里很多自動駕駛的視頻，很多公司畫的時間表等等，這是一個大家確實能看到希望的，而不是憑空而來的趨勢。我們看到很多這樣的技術進步，能帶來以前所想象不到的事情。我自己把這叫做 early sign of success，就是成功的早期信號，確實能看到很多這樣技術的進步。
第二，很多創業者和大公司，包括資本進來后，會有一部分人開始給出很激進的時間表，比如過去說的"三年商用、 五年量產"，還有很多大廠講過，到了 2018 年或者 2020 年，所有的車都會實現自動駕駛。
如果以后視鏡的角度來看十年后的今天，輔助駕駛在 20 萬級別以上的車基本普及了。 L2 的輔助駕駛、 L3 的自動駕駛，現在以千臺為單位在做試運行。像文遠知行、Waymo、百度的蘿卜快跑等頭部企業，在一些特定區域已經有幾百輛到上千輛的出租車在做商業化的運行，規模也在逐漸擴張，但還是在千臺這個級別。這個時間表的實際進展速度，顯然是遠遠慢于十年前的激進預期的。
吳海燕：這么聽起來，其實機器人行業，還是比 2015 年的自動駕駛要好一些，因為現在機器人行業應該處于 L2 的普及階段， 但15 年的時候自動駕駛行業 L2 還沒有普及。
邵天蘭：是的，我覺得本質的原因是因為自動駕駛是一個人命關天、非常嚴肅的行業，涉及人身安全，所以在同樣的技術成熟度下，機器人行業的應用就會比自動駕駛要廣一些，因為涉及到人身安全，它的門檻自然也會更高一些。
觀察自動駕駛，我從中學到了兩件事：第一，大家所宣傳的最激進的時間表幾乎不太可能實現；第二，在這個過程中，還是會有人能夠發展起來，雖然最后實際的時間表沒有大家想象的那么快，可能會先通過 L2 或者關鍵器件發展起來。
吳海燕：我們自己用后視鏡看一下，因為華創也是自動駕駛行業早期投資的參與者，很多看法和你差不多。另外，自動駕駛行業因為是個全新的行業，機器人也一樣，等于整個產業鏈條都要去重塑，重新開始建供應鏈，客戶場景都要從零開始。它的好處就在于創業公司和大公司的起跑線一樣，甚至創業公司還更有優勢，因為它更靈活，大公司可能在既有成熟行業的基礎迭代方面更具優勢，在全新行業里反而不一定。
自動駕駛行業確實也經歷了幾次大起大落，有數次的希望之巔，也有數次的絕望之谷，中間有過非常難熬的、資本和市場都不認可的階段，也有大家重新燃起希望，又開始對這個行業追捧的時期，但熬過來的公司也因此成為了行業里平臺級的公司。
邵天蘭：我覺得這很像海浪，當我們在海水表面時，會看到這個浪一會兒 10 米高，一會兒又下去了。但當我們潛到 10 米以下甚至更深的時候，會發現洋流其實是非常穩定的。如果從一線真正做技術的同學的視角來看，自動駕駛技術的進步，并沒有像資本側所表現出來的這么大的波折。只不過有的時候大家因為有了過度預期、過度承諾，就會失望。
但技術真正的演進，我覺得還是比較穩定的，當然也會經歷一些迭代，所以，比起表面海浪的噪聲，我們應該更關注水下演進的潮流。
機器人行業也是如此，我作為從業者，獲取信息唯一可靠的途徑就是和真正做的人去交流，然后去實現、復現這樣的技術。如果不和人深度交流、實際復現技術，僅僅單憑視頻或者論文，我自己是不太敢相信這些信息的來源的。
至于網上很多信息、傳言，就更是魚龍混雜，所以，上面風浪很大的時候，你反而要關注到真正的技術的演進、商業的演進，包括應用場景等等，這也是我現在非常希望能親身參與其中的事情。
吳海燕：對，一個全面由機器人參與的未來，想起來還是挺美好的。很多枯燥、危險的體力工作，都讓機器人去做了，然后人類就可以從事一些更有創造力的事情，有更多的時間陪伴家庭、休閑娛樂，做精神享受的事。
那從機器人行業的實際進展來看，剛才也提到梅卡的產品已經有很多客戶在用了，機器人行業先在哪些行業普及起來？進展階段會是什么？我們80 后、 90 后最期待的是有一天，不再非得指望孩子養老，希望機器人能幫我們養老，這個愿望大概還有多久能實現？
邵天蘭：首先我的觀點是指望機器人養老，比指望孩子來養老還更靠譜一點。只要 80 后、 90 后的人生活方式健康一點、開車小心一點，不要做太危險的極限運動，基本上都可以看到未來機器人去做幾乎所有事情，從這個意義上來講，這一天其實沒有那么遙遠。
吳海燕：所以指望機器人來服務人，相當于自動駕駛的全無人自動駕駛？
邵天蘭：是的，可以到L4、L5，比如 90 后在退休之前，我認為是能看到這一天的，但短期內三、五年，可能沒有那么快，長期來看我是非常有信心的。
吳海燕：那我們現在處于什么階段上？機器人能干哪些？不能干哪些？
邵天蘭：當前，我認為機器人在相對可控的環境下，以及專業人士的操作下，能做的事情范圍的增長速度很快，我個人的觀察是每年翻一倍。今天的機器人還是在一個相對可控的環境下應用會更多一些，比如制造和物流行業，包括大型服務業如沃爾瑪等也可以很好應用。
吳海燕：這些環境相比家庭服務、養老的區別是什么？
邵天蘭：首先是環境的可控性。比如大型工廠，可以相對比較好的設計機器人的工作環境。但是一個家連我自己都設計不了，再加上如果有寵物可能會更復雜。其次就是專業性，如果一個產品要面向大眾，要考慮到很多人沒有受過專業培訓。此外還有付費能力，對于大型制造業來說，哪怕百萬級其實也是比較小的設備，但如果家用，可能就要到 10 萬級以下。最后是安全性，在專業場所中，有人員、制度以及設施去保障安全，但進入家庭，這些東西就要做得更嚴格。
吳海燕：換句話說，機器人還是得先在特定環境的特定客戶用起來，然后慢慢才能走進千家萬戶，所以咱們的產品現在也是特定行業、特定客戶、特定場景。
邵天蘭：我們現在的行業和應用已經非常廣泛了，既可以在汽車廠的焊裝車間做上料、碼筐、焊接、質檢等等很多工作，同時也可以在奶粉廠、快遞物流站做搬運。我們現在的客戶來自非常多的行業，大到幾十米甚至上百米長的輪船生產，也有幾毫米的手機部件的生產。
吳海燕：要服務這么多行業、客戶，你們是不是要做很多定制化？
邵天蘭：這倒不會，我們現在所服務的所有行業客戶，都是標準化、通用化的產品。因為我們現在做的是機器人的眼睛和大腦，不管幾十米長的船還是幾毫米的部件，雖然做的是裝配、切割、焊接等其他工藝，但都是從視覺層面出發，它所做的事情都比較有共性——識別物體的種類、判斷它的狀態、精準地定位，然后引導機器人完成相應的動作。
這個動作可以是很多種，但人的眼睛相對而言更有共性。比如我本身踢球踢得很差，但眼睛可以判斷場上的情況，只不過是我不會踢而已；我也不會轉筆，但眼睛可以判斷出筆是什么樣子的。所以咱們手的能力千差萬別，但眼睛的能力相對而言最具共性。
吳海燕：但機器的眼睛和人的眼睛應該也還不完全一樣，比如物流行業，可能不需要視力那么好，但另一些場景如汽車、半導體這些行業，是不是需要一雙特別銳利的眼睛？
邵天蘭：對的，但這更多是傳感器層面的差異，我們現在做的高精度相機，最高已經可以做到 0.2 微米的精度——就是把一根頭發劈成 400 份，每一份差不多就是 0.2 微米。我們也有能夠覆蓋幾米尺度的高速的產品。雖然精度不一樣，但從背后人工智能算法角度來講是相對有共性的。因為現在的產品里面，實際上人工智能是開發難度最大、成本最高、周期最長的部分。
我們現在有若干硬件的型號，大概十幾個 SKU 就可以覆蓋絕大部分的場景，從長期來看，SKU 可能也不會那么多。人工智能的算法，如果要為每一個場景去做專門的開發訓練驗證，確實受不了。所以最關鍵的部分，還是要把大腦的部分共性化，至于傳感器的部分會有一系列的細分型號。
吳海燕：咱們不做本體是吧？
邵天蘭：對，我們現在自己不做機器人的本體，比如機器臂或者移動的平臺等等。我們可以適配幾十個品牌、上千個不同的機器人的型號。因為第一，從技術角度，本體更多屬于機械控制、電器，這些不是我們公司擅長的；第二，從生態位來看，本體廠商更多是我們的合作伙伴。此外，從現在個市場格局來看，在沒有重大技術變量的情況下，創業公司去做這些事情，我認為也缺少機會，所以我們自己現在是不做本體的。
吳海燕：咱們做了精準的定位，聽起來有一些顯而易見的好處：用少量型號的產品，去應對成百上千個場景的需求，這對創業公司而言，是更聚焦更可行也是消耗更少的方式。那有沒有遇到什么問題或者難點呢？
邵天蘭：我們現在的模式就是通過標準化的產品，去適配非常廣泛的硬件形態，然后能做很多的行業。優勢在于一旦做出來之后，它的效率、全球化以及客戶覆蓋都會很好。
但最大的問題就是容易做不出來，因為像這種模式，其實是一個"既要、又要、還要、也要"的過程。對客戶而言，你的硬件要有很好的可靠性、成熟度，各方面的性能都要好；軟件要具備完善的功能，人工智能的算法要有非常強的適應性，在現場才能非常穩定、快速地部署起來。同時，還要有非常完善的培訓文檔、技術支持的體系，并且做過很多行業驗證，積累了很多經驗，能被客戶信任的同時，還要拓展合作伙伴的網絡，這樣他們才能自行去完成交付。
當你擁有這一切之后，就可以了，但問題是怎么去擁有這一切？所以這些說起來容易，上手的門檻其實是比較高的，我們也是成立 8 年來，才逐漸地把剛剛所說的拼圖拼起來。當拼圖拼好時，化學反應自然就會產生。但當其中幾塊缺失時，盡管缺得不多，但效率依然很難提上去。
吳海燕：這些東西對國內和國外的客戶是一樣的嗎？還是有什么不同？
邵天蘭：每一個行業、每一個應用場景，國內和國外都會不同。國外的客戶，對于產品的各種認證，包括很多實際應用的驗證，以及產品本身的技術文檔是不是全面？使用是不是簡單？特別是能否自行上手使用，都非常看重。
因為中國國內工程師的數量多，交通也比較便捷，大家坐高鐵過去就能給到客戶技術支持。但在國外，無論是工程師薪資還是交通成本都很高，所以他們會非常看重能不能自行使用這點。
吳海燕：客戶希望開箱即用。
邵天蘭：特別是發達國家，客戶對產品成熟度的要求是更高的，既包括你的穩定性、性能，也包括功能、文檔、培訓易用性等等各個方面。如果達不到一定的成熟度，那對他們而言，帶來的麻煩可能還多于你給他的好處，他就不會去用。
吳海燕：咱們是哪一年開始做國際市場的？
邵天蘭：我們從 2019 年就開始做，不過那時候做國外市場，更多是希望獲得一些反饋來指導我們的產品開發。真正以擴大業務為目標來做海外市場是在 2021 年，那時候疫情還沒有完全結束。如今海外的業務收入已經占到一半了。
吳海燕：19年你們成立還不久，為什么要在那么早就想著去探索海外市場呢？國內市場還不夠大嗎？
邵天蘭：中國市場很重要，而且也很大。但我認為海外市場有幾個點是一定要做的理由：首先，發達國家的高標準市場能夠把我們帶著往上走，這種壓力非常重要，因為我們看到所有Tob 的好公司最后一定是被一些高標準的客戶帶起來的，我們進入發達國家市場，它能夠倒逼我們這一點。第二，機器人行業不像消費品，消費品的地區個性化很突出，但工業品在不同國家之間的差異沒有那么大。所以如果我們不出去，那等國外同類公司發展起來之后，他們也會進來。
吳海燕：換句話說，你不主動攻出去，別人就會攻進來。
邵天蘭：是的。第三，我研究了很多公司，包括機器人、工業自動化，比如西門子等等公司的財報，這種頭部的工業自動化公司，他們在整個大中華區所獲得的收入一般是 1/4 ～1/3。意味著如果我不做全球市場，最后所面對的市場規模可能只有總規模的 1/4。
吳海燕：這跟咱們過去的印象不太一樣，因為普遍認為中國是一個制造業大國，為啥這些制造行業的上游供應商只能貢獻 1/4~1/3 的收入呢 ?
邵天蘭：我覺得有這么幾點原因：第一，咱們制造業的產值非常龐大，但其中有一些大宗的生產，比如鋼鐵等等，但像機器人、還有一些自動化，邊際貢獻可能沒有那么大；另外就是價格的問題，因為現在不管是消費品還是工業品，中國的價格相比全球整體是偏低的，雖然數量上可能占比會更大一些，但整個產值占比會相對低一些。此外，相比于發達國家的生產，咱們自動化的比例相對低一些。
所以中國現在雖然是全球大工業市場的單一最大客戶，但從總量上來講只占 1/4~1/3，我認為也比較合理，這和中國在全球制造業附加值里面的占比也是相匹配的。中國以 15% 的人口，占據全球 30% 多的工業附加值，已經是一個非常了不起的成就了，現在在工業自動化上產值的比例和這個數字也是相匹配的。
吳海燕：那作為一個中國的初創公司，如何贏得海外制造業客戶或者渠道商合作伙伴的接受和接納？
邵天蘭：梅卡曼德有一個比較好的外在條件，就是我們所做的品類——人工智能機器人的眼睛和大腦，現在比較流行的說法叫具身智能，所面對的是一個全新的市場。這個市場之前不存在一個已經做得很大的公司，把客戶的心智以及產品的生態位占住，這對我們來說，會更有優勢。
吳海燕：西門子、發那科、 ABB，這些巨頭他們占據的是什么？
邵天蘭：他們所做的是在工業自動化時代里，比如像工控電器（編者注：工控電器是指用于工業自動化控制的電氣設備，主要包括接觸器、繼電器、信號燈、按鈕開關、主令開關、傳感器、人機界面、信息化設備、機器視覺、可編程控制器（PLC）、分布式控制系統（DCS）和可編程自動化控制器（PAC）等這些設備在工業生產中起著關鍵作用，能夠實現對電路或非電對象的控制、保護、檢測和調節。），包括機械臂。
工業自動化經歷了機械時代、電氣時代、計算機時代，我們現在是在人工智能時代，所以我們所面對的是新一代的產品、全新的市場，并不存在已有的巨頭，這是一個客觀條件。如果出海的廠家要挑戰之前已經做得很大的巨頭，面臨的難度會更大。
在這個前提下，我認為我們做了以下幾點：一個是我們產品的定義和標準是非常高的，我們一上來并不是要做一個便宜貨，而是就要做世界第一。無論從關鍵的性能、質量的標準，還是各方面的完成度上，我們就是要做一個好的產品；另外，我們就只做自己擅長的事情，在其他方面和很多巨頭有很好的合作；此外，我們做的時候是戰略上抓緊，很早就開始去做海外市場，但戰術上也不能過于著急。因為一旦過急，做不好口碑，會有反作用。我們一路也走得很扎實，海外業務占比從過去幾年間，從 10% 到20% ，從 30% 到 40%，現在馬上到 50% 了。
吳海燕：咱們現在的客戶主要是制造、物流這些行業，在自動化時代，很多制造業已經出現了所謂的"黑燈工廠"、"無人工廠"，整個工廠里面可能就一兩個工人，甚至沒有人，那在這種情況下，人工智能賦能的機器人，還能為制造業提升多大的自動化、智能化的空間？這個市場到底還有多大？
邵天蘭：這是一個很好的問題。首先，如果去看一些宣傳無人工廠的企業的財報，會發現它其實有 10 萬人，甚至幾十萬人。今天我們所看到的制造業里面的無人化，仍然只是在非常局部的范圍內發生，中國現在仍然有上億人在直接做制造業相關的生產，如果把物流等相關的匹配產業算上，很可能會有 2 億人，在全球這個數字就是 10 億人。比如家電工廠就有十幾萬人，很多汽車廠也有幾萬人到幾十萬人。
吳海燕：這些工廠是需要像特斯拉的人形機器人Optimus 那樣，進工廠擰螺絲嗎？什么時候才能替代這些人？用哪種方式？
邵天蘭：我認為在制造和物流這些行業，人形機器人很可能不是最主流的形態。我把場景分成兩類：一類是直接服務人的場景，比如理發店、餐館、養老院，它的目標就是要服務人。但我們同時有大量的場景，目標不是服務人而是服務物品。比如生產一瓶礦泉水，目的就是為了把水生產出來，并且送到需要的人手上，那這個過程中，人形所帶來的價值就未必那么大。
我們看到在制造和物流中，工業機器人仍然有非常大的空間。在全球有 10 億人，甚至可能20 億人在做制造物流相關的事情，那全球的工業機器人此時此刻的存量是 400 萬，400 萬乘以 100 也只有 4 個億。也就是說，今天在全球范圍內，至少每幾百個人才能對應一臺工業機器人，那它的主要瓶頸就是智能化程度不夠。
哪怕我們只關注大中型的制造、物流和像沃爾瑪這樣的大型服務業，仍然看到是一個 10 億人在做的市場，我們就算用機器人去輔助其中哪怕 1% 的崗位，也是一個千萬級的事情。這已經比今天整個工業機械行業的存量都要大。所以，即使在短期內，這樣夠得著的制造、物流和大型服務業，對工業機器人來說，已經是一個非常龐大的市場了，這個市場足夠產生千億美元級別的巨頭。
吳海燕：換句話說，在制造業、物流行業，其實自動化所能達成的替代人的場景，還是非常有限的，剩下的這些巨大的體力活、勞動的事情，要靠智能化去做。
邵天蘭：是的，我認為這里面有兩點：第一，當咱們不計成本時，今天人工智能技術其實已經能做很多事情，但是在現實世界中是要算賬的。除了一次性的部署成本以外，設計、加工、安裝、調試、維護以及生產發生變化，都會帶來成本的增加。比如生產一個新型號所帶來的額外成本，這些都要被考慮進去。
以前的自動化，更多是訴諸于機械控制這些不夠靈活的設備，特別是定制化的機械，它的設計、加工、安裝、調試的成本非常高，所以如果從算賬的角度來講，會發現很多事情只有通過人工智能的方式才能算得過來。在實踐中，我們發現，客戶在乎的不是人工智能，而是關心整個方案部署是不是快？綜合成本是不是低？是不是能夠適應它的變化，以及使用起來是不是簡單？為了完成這幾個目標，我們發現答案就是人工智能。
吳海燕：換句話說，我要解決某一個問題有好幾種途徑，一種就是做新，做各種各樣的自動化的設備，建新的一個自動化產線。
邵天蘭：是的，比如通過機械的方式，我去設計專門的機械裝置，小到一個夾具，大到整套的定制化的方案。
吳海燕：那我可以把這個工作多分解幾步，每一步有一個自動化的裝置去做，有 10 個動作，我就給它 10 個設備去做，把自動化做到極致是一種方案。另一種就是多雇幾個人。還有一種方案，就是用一些聰明的機器人，倆機器人就能干 10 個步驟。
邵天蘭：是的，背后本質上的商業邏輯就是定制化的硬件和標準化的硬件，它們之間成本有 100 倍的差異。我舉個例子，去宜家買一把椅子，可能只要幾十塊錢。但如果請一個木匠做椅子，哪怕鋸出來的東西很粗糙、很簡單，所花的成本很可能是上千元，因為你要買物料、設計、請人，還要去做加工。甚至定制化加工成的椅子，最后很可能還和標準化生產的椅子材質一樣，但到最后你會發現有一個百倍的價格差異。
同樣，花 1000 元就可以買到一個很好的手機，但你要花10萬從頭做一個幾乎不可能。今天幾萬塊的汽車就已經很好了，你如果想自己手搓一個，可能幾百萬都不夠。所以本質原因就是一個標準化的硬件大規模生產，可以帶來百倍的成本優化。那么我們的問題就變成了，怎么樣使用標準化的硬件來滿足各行各業非常分散、非常定制化的需求？這個標準化的硬件，和各個行業里各種需求之間的 gap，我們就用人工智能、用機器人的眼睛、大腦把它填上，這就是我們現在所做的本質上的事情。
吳海燕：但有人認為人形機器人更通用一些，不用改，啥都能干。
邵天蘭：理論上是，但我們看到像機器臂協作機器人、工業機器人，包括移動復合機器人，它同樣也是一種標準化大規模工業生產的形態。那這種形態配上標準化的眼睛和大腦，也能夠去滿足非常多的不一樣的場景。所以這是我們所看到的一個本質性的商業邏輯，就是通過人工智能，讓這種大規模生產的、成本很低的機械，能夠去面對千行百業特殊的需求，這個就是我們所做的事情。
吳海燕：所以目前，還是讓咱們自己的更聰明的機器人，在大型制造業和物流行業的很多環節上去替代人。
邵天蘭：對的，我們也有一些服務業應用，主要是一些大型的服務業。
吳海燕：那什么時候可以讓咱們的機器人慢慢地走到人機交互的場景，甚至走到家庭？這中間有一個跨越的途徑嗎？
邵天蘭：我認為這個技術的演進完全是連續的，今天在一部分的服務業場景中，我們已經有一些應用了。我認為它的發展，和今天我們已經在制造、物流還有一部分的商業場景中所做的事情是完全連續的。
但還有幾個事情需要再進一步地提升，一是它的適應性需要進一步地提升，因為從制造物流開始往服務甚至家用走，我們面對的是更加不可控的場景；第二就是綜合成本還要再進一步下降；還有一點就是安全性，在最壞的情況下，一定要保證非專業人員的安全。
這件事情從自動駕駛的發展上也能看出來，我記得當年有一些說法認為" L2 的輔助駕駛，和L3、L4從技術層面上會是完全不一樣的。"我認為今天形成的共識是它們本質上還是相通的。
吳海燕：回顧這個行業，華創在2016 年、17 年看自動駕駛的時候有一些 assumption，但后來被證偽了，其中一個假設就是：L2 和 L4 是完全不一樣的，當時認為做 L2 的公司是無法通過技術演化到 L4 ， L4 會是完全不同的公司。這是當年的看法，現在來看是錯的。
邵天蘭：對，我們到今天發現自動駕駛公司，比如使用的傳感器，不管是雙目也好，像激光雷達使用的計算的芯片，包括我們所使用的端到端的技術、所使用的模型的結構、里面一些具體做法，實際上是趨同的。像L2、L3、L4，今天大家的技術路線本質上我認為是趨同的。當然我可以說，為了實現更高階的自動駕駛，我的傳感器更多、算力更大、使用的模型的規模更大以及綜合的成本更高等等。但他們之間的技術路線，我認為本質差異已經越來越小了。
吳海燕：換句話說，15 年、16 年那陣子的自動駕駛公司，那時候已經有數十家拿到牌照可以上路去路測了。那個時候大家投自動駕駛，去這些公司盡調時已經有機會坐上一輛自動駕駛汽車上路去轉一圈。它跟現在自動駕駛的核心區別是，那個時候的車在安全上還沒有 100% 的把握，其實現在也不一定有，對吧？所以過去十年，大家都在花時間解決可靠性和安全性的問題。
邵天蘭：是的，很多人會低估從很好地展示到能夠大規模實際落地，這之間的門檻。這對于創業公司來說有可能是致命的。一個事情實際上 10 年才會發生，咱們預測 3 年會發生，那有可能是致命的。
吳海燕：咱們現在一些專業場景是制造業、物流行業，梅卡做的機器人，你定義是 L2 階段，對吧？
邵天蘭：對的，我們現在在 L3 上也有很好的進展，在一年左右的時間內會有初步的應用。
吳海燕：從 L3 到我們理想中的、可以進入千家萬戶的L4、L5，中間它需要跨越的是什么？
邵天蘭：我認為沒有本質性的門檻，更多的還是像剛才說的自動駕駛，比如 99%~99.9%~99.99%，這里面我們還要有非常穩妥的感知的能力，要有很強大的操作能力。
吳海燕：需要路測，需要跑10 萬英里。
邵天蘭：當然我們需要數據，但我認為這件事有的時候是一個 oversimplification，就是過度簡化。咱們回看自動駕駛過去 10 年的歷史，它顯然不是一個簡單的收集數據的過程。整個范式，包括很多關鍵的模塊都有重大的升級。當然今天大家會講，像端到端，像大模型，甚至像理想在講的 VLA 司機大模型等等。我認為機器人也會有一個類似的過程，不僅僅是簡單的數據的疊加，在這里面它的算法，包括很多關鍵的模塊，會有若干次重大的升級。
吳海燕：可能有人會問，梅卡現在做的行業是工廠和物流行業，一方面，升級需要去做，無論是架構的升級也好，還是模型的升級也好。另外，你此刻認為自己有沒有數據飛輪？因為你收集的都是制造業的數據，或者物流行業的數據。那日后要進入服務業，進入家庭、學校、醫院，是不是還得重新開始？
邵天蘭：我們現在已經從事實上驗證了，我們今天所做的，比如 L3 這種更前沿的效果是非常好的。
機器人的智能分成兩個層次：一個是 foundation model。就好像咱們每個人在大學選專業以前所學的很多事情一樣，我要對這個世界有一些基礎的理解，不管叫事件模型，或者機器人的 foundation model 等等，它并不一定要某一個細分場景的數據。第二，在細分場景的技能上，機器人具有基礎的能用的能力非常重要。我們先從一部分能夠得到的場景逐漸地向更多的場景擴展，這里面 foundation model 的能力是逐漸在積累的，而且能夠驗證，這是非常非常重要的一點。我們從自動駕駛的發展上也獲得很多啟發，先通過某些方式讓整個業務轉起來，同時有大量的據能夠進來，這是一個很關鍵的點。
吳海燕：咱們再暢想最后一件事情，我前段時間看英偉達發布的白皮書，他所公布的一些數據，包括一些行業的通用研究的數據，都指向了——現在機器人在一些基礎動作的完成率上還是比較低。這讓我對年齡大了之后能用上機器人服務，產生了深切的懷疑。可能這個東西得二、三十年才能真正實現？
邵天蘭：我認為不會，二、三十年顯然是一個過度保守的預測。
吳海燕：但我看到，單一動作最高成功率只有百分之八十幾。
邵天蘭：兩、三年有可能是一個過度激進的預測，在機器人的基礎操作能力方面，10 年這個尺度上我認為能做到一個很好很好的效果，也是一個可預期的結果。可以類比自動駕駛，比如我們回看一下 15 年的自動駕駛。
吳海燕：那很好了。我最深刻的印象就是你的那個段子——可控核聚變 30 年，唯有挖坑在眼前。
邵天蘭：明年量產，后年盈利，然后怎么樣？但我認為，其中有一些技術的事情還需要突破，但是不至于沒有思路。整個技術的演進大致分成幾個階段：第一，大家要有一個思路；第二，要找到一些比較靠譜的具體的做法，然后就是要打磨，把它做好。
自動駕駛也是發展了很多年，從上世紀八十年代一直到深度學習出現以前，比如13、14 、15 年，在此之前是一個找思路的階段。
吳海燕：那個時候如果問的話就是 30 年。
邵天蘭：是的，因為那時候沒有思路。
吳海燕：但是我們 2015 年說的時候說是 10 年。
邵天蘭：對，因為那個時候大家已經有思路了，但是還沒有收斂到一個都認可的做法。今天我們看到比如華為、特斯拉等，不能說完全收斂到一個共識上，但是可以分解到一類共識上。
吳海燕：換句話說，現在通用機器人、具身智能機器人的發展，其實也到了剛才說的 2015 年，已經有思路了。
邵天蘭：有思路，但還沒有確定下來一個非常可行的做法。
吳海燕：所以我們把這個預測收斂到 10 年這個點上。
邵天蘭：是的。
吳海燕：如果現在問，量子計算的到來是 30 年還是50年呢？
邵天蘭：我不懂這個事情，就不預測了。在思路產生以前，預測的可靠性是很低的。
吳海燕：30 年、 50 年是一個概數。
邵天蘭：是的，現在在機器人行業我們看到了有這樣的思路，然后我們自己也有很好的進展，但是沒有任何人敢說我們此時此刻的方法，它就通向最終的未來。
吳海燕：但如果預測已經能具體到 5 年到 10 年這個尺度，說明已經收斂到一個大的方向上了。
邵天蘭：如果在 10 年這個尺度上，那我們現在一方面要有前沿探索，另外一方面也要想辦法把公司的基本功、各種能力、業務，包括規模做起來。這也是我們從自動駕駛上看到的現象，比如有的大學、研究院、公司，試圖一步到位，去做L4、 L5，最后可能他們的進展反而落后于從 L2 慢慢往 L3 走的公司，比如華為、特斯拉以及其他的創業公司的進展，因為后者可能在商業上、數據上、各種能力的建設上是走得更好的。
今天的機器人思路，是我們有很強大的大模型，在語言理解的能力上，在視覺的綜合感知能力上，包括在算力上進行操作等等，有很好的進展。所以我認為，下一個階段是要找到一個能夠通向更高甚至終局的范式。
更準確的說法還是思路，就是從一個思路到一個真正的做法，這之間可能還是有一些差別的，當然我們也看到這個過程在逐漸地變短，逐漸地收斂。今天的人類很卷，一個思路產生之后，就會有很多的資源投入去做。
但要警惕一個點，今天大家雖然有個好的思路，但是做法很明顯有局限性。我們看到今天所有的方法，不管是語言模型，包括 VLA ，包括各種各樣的方法，很明顯是有局限性的。如果過于急功近利，用所謂的大力出奇跡的思路，只是去卷當前的這個思路，那很可能最后會一無所獲。
所以我認為，在最后的方法還沒有完全確定的情況下，不要過于急功近利，還是要保持一定的發散性，要去嘗試一些新的方法，而不是認為我們當前手上的方法就已經是最好的了。這點我們也是從別的行業，比如自動駕駛，比如循環神經網絡，包括 BERT 等等的公司身上學到的。它們可能在某個方法上做了很多努力，但像 ChatGPT 這樣新的方法出來之后，就完全被碾壓掉了。類似這種事情我們看過很多次。
吳海燕：相當于那個技術路線沒有被驗證，后來又轉向了不同的技術路線。
邵天蘭：是的，所以在這種情況下，不要把公司所有的資源都壓在這一代的技術路線上。我認為一個健康的公司，最好要構建三層業務壁壘，我們現在就是這樣做的。第一層，今天能夠產生收入利潤的業務，它已經有了足夠的成熟度；第二層，今天所看到的前沿技術，要能夠跟進和改進當下最好的技術；第三層，我們也有一部分精力，包括做產學研合作，去探索一些在今天還沒有成熟的、新一代的技術范式。這就是所謂的"銷售一代、改進一代、預研一代"。如有更多資源，甚至可以再往前沿再探索一代，就可以避免所有的資源 all in 在一個今天看來可能比較領先，但也許在將來的某一天就落后了的技術方向。最近的例子很可能就是循環神經網絡。
吳海燕：所以，邁向通用人工智能的路徑越來越清晰了。到今年下半年 11 月份左右，梅卡曼德已經創業九年了。作為創始人，站在此時此刻，你如何定義梅卡曼德在機器人場景里的位置？
邵天蘭：我認為我們過去 8 年間所做的事情，讓我們在沖向具身智能這樣的智能機器人終局的過程中上桌了，并且獲得了一個好的位置。
首先，從能力上，公司的能力是要打仗打出來的，不是若干個人聚在一起，就自動獲得這個能力，這個能力是活的，一定要大家在一起做一些事情，才能夠建設起來；第二，我們獲得了全球大量客戶，包括上百家世界 500 強客戶的認可，是因為我有基本的業務和品牌；第三，我們獲得了很多生態合作伙伴，其中有很多的巨頭，有很多細分領域領先的公司。
這些能力包括客戶的認可、我們的生態，為我們去做新的事情打下了基礎。首先能夠獲得很多客戶真實的需求，還有大量的數據積累，同時我們現在也有很多前沿技術，我們自己從規模、資金，以及各方面也有實力能去開發。所以我認為在沖向前沿、最后具身智能終局的過程中，我們現在是能夠上桌了。
如果我是英偉達、谷歌等等大公司，那我只要從兜里面掏出一部分錢，然后調一些最好的人，有可能就能上桌。但對于我們創業公司來講，我們需要在一個時代的過程中去打仗，并且要打贏它，而且要能夠把公司做到一定的規模并且可持續，才能夠去參與下一個階段的競爭。這也是我從自動駕駛行業發展上看到的。
現在自動駕駛除了有像特斯拉、華為這樣的巨頭以外，還有若干家創業公司，也是在沖向自動駕駛終局中上桌了。這些公司我認為無一例外都是在 L2 或者2.5、2.9、2.99 等等時代先把它的業務轉起來，獲得了很多的客戶認可，包括數據、團隊的建設等等，我希望我們也能夠有一個類似的過程。
吳海燕：總結一下，就是你在一個更早的時間，因為選擇也好，因為幸運也好，走在了一個正確的大方向上，然后進到了一個正確的房間里面，坐在了這個桌子上。
邵天蘭：是的，就是做好了準備，不敢說做好了所有的準備，但至少能夠參與這樣一個非常激動人心的事情。機器人行業不是一個個人英雄的行業，它不像有一些領域，比如數學，某一兩個大神靠自己的一己之力就能做起來。
機器人是一個技術鏈條非常長的行業，這點和自動駕駛很像。技術鏈條非常長，系統極度復雜，需要的要素也非常多，這個過程中想上桌其實不是一個容易的事情，而且不是簡單的事情，不是聚一些人、聚一些錢就能上桌，它需要一個活的組織，還需要整個組織在持續的戰斗中產生的能力。
吳海燕：你剛有一個忠告，就是我們要好好鍛煉身體，因為在未來的十年、二十年內，我們就能看到機器人走進千家萬戶，服務于我們的美好一天。
邵天蘭：是的，我對智能機器人的未來非常非常有信心，而且我們已經在做很扎實的進展。7月底上海的2025世界人工智能大會，歡迎聽眾朋友們來我們的展臺，看一看我們在人工智能方面的進展，可能讓大家對 10 年之后機器人進入千家萬戶更有信心。
吳海燕：我們今天就聊到這里，謝謝天蘭來「牛白丁」做客，感謝大家的收聽。
邵天蘭：感謝各位聽眾。
我們始終圍繞"高精度磁場感知"這個核心，打造一個底層技術平臺，在自研、合作、授權、模塊化輸出等不同模式中靈活應對，服務于不同領域的深度應用需求。
