图片来源@视觉中国
文 | 华创资本
“没有什么花活儿，就是硬碰硬”，梅卡曼德机器人创始人、CEO邵天兰曾在一次采访中回忆，自己最喜欢的机器人相关的电影是《环太平洋》，里面讲述了人类为对抗怪兽入侵，制造出巨型机甲战士进行战斗。虽然电影情节简单甚至无脑，就是比摩天大楼还高的机器人和怪兽一拳一拳贴身肉搏。但邵天兰觉得这恰恰和机器人行业很相似 面对大量工程和业务问题，并不是靠少数聪明人想出一些绝妙点子就能搞定，只能靠大量的努力来一点点解决。
这也是邵天兰从2016年创立梅卡曼德起，跑了不下三四百家工厂后感触颇深的地方，计算机专业出身的他明显感受到两个领域的差异：互联网赛道相对较平，但制造业需求非常碎不仅工艺、环节、场景多，且高度碎片化，每家公司的需求也各不一样。从公司成立之初邵天兰就清楚地知道： “制造业远看是个万亿市场，近看是一万个一亿的市常而服务制造业最大的挑战不是满足特定客户的特定需求，是如何高效地满足成千上万用户的各种需求。 ”
梅卡曼德在成立伊始就使用AI和3D视觉等智能技术，让机器人拥有更高级的传感、感知、规划等智能能力，用通用的产品去解决普遍的需求。如果能在1万个甚至 10 万个1亿的市场中，有效率地整合出其中的100 个，那就是 100 亿的市常 而AI大模型让机器人智能有望进一步飞跃，机器人市场将可能是现有的 10 倍甚至 100 倍大。这无疑给梅卡曼德的未来注入了极大想象力。
为了填平这些市场里非标自动化需求的沟壑，梅卡曼德基于自身AI+3D视觉为核心的技术优势，将机器人做成通用型产品或基础设施平台，以减少对非标硬件的需求。经过7年摸索，梅卡曼德已经成为全球 AI+工业机器人领域融资额最高、技术能力最全面、落地案例最多、应用领域最广的公司之一。
如今，技术狂飙下，AI大模型日新月异，这股浪潮也在工业机器人行业里涌动。当未来的市场变得客观标准，产品也无法存在差异化空间时，行业竞争的终局只能是“硬碰硬”。对此，邵天兰反倒持乐观态度：“ AI大模型让工业市场变得更平坦，在没办法差异化的市场里，最终会形成少数的巨头。 所以接下来三五年，我们就继续打磨技术产品，解锁更多行业，让智能机器人再上一个台阶。”
Q：华创资本
A：梅卡曼德机器人创始人、CEO 邵天兰
Q1：2016年底，你从德国回来创立梅卡曼德机器人，当时创业的契机是什么？看到了哪些机会？
邵天兰：2016年被称为“人工智能元年”，那时候不论是Alpha Go战胜韩国围棋选手李世石，还是计算机视觉的发展，都引发了大家对人工智能的极大关注。与此同时，国内的创业热潮也在涌动。我身处其中时并没有预判到后面的发展趋势会怎样，但如今回头再看，那确实是创业的一个好时机。
其实梅卡曼德从第一天成立起，初衷一直没变过让机器人更智能。我在德国的学习、工作都围绕着工业机器人，所以清楚看到了机器人的瓶颈所在，当时我们七八个人的研究生团队做机器人任务，编程一周才能让机器人做一些简单的事情。但如果换做人类，可能只需要一两句话就能理解任务。因此让机器人有更好地感知规划能力，一直是我们的目标。
2017年4月，华创投资了我们的Pre-A轮， 其实那个时候公司成立不过才半年，没有任何客户，完全成型的产品也很少，所以华创真的是在非常早期的时候就认可了我们。如今六年多过去，我们的产品已经完成早期探索，成为规模化、全球化的应用，公司累计融资也超过15亿。但通过人工智能技术，让机器人更智能，依旧是我们努力在做的事情。
Q2：你也提到2016年是AI+Robot元年，机器人本体、机器臂......诸多赛道中，为何会选择工业3D视觉细分领域？
邵天兰：从行业来看，过去几十年整个机器人学科设置更偏机械和控制，无论是清华、上海交大、哈工大，还是日本的院校都是如此。但如今，清华、斯坦福、伯克利，包括我读的慕尼黑这些大学的计算机相关院系大量在研究机器人。所以我们这一代做机器人其实更“软”，也就是有更多算法、软件、人工智能的工作，这点从专业期刊论文也可以看出来。在数量和进展方面，也比过去机械和控制为主的时代更多、更快。这是大的技术趋势，和汽车行业有异曲同工之处。当然机械和控制等学科仍然是非常重要的基础，不能偏废。
而之所以选择这个领域，也和我过去的经历有关。2012年我从清华大学软件学院毕业后，去了德国慕尼黑工业大学读机器人研究生，并在德国知名机器人企业工作，深入参与了先进协作机器人从研发到诞生的全过程。我一直在学习和从事机器人相关的事情，这个领域本身非常有意思。当然我也只会做这个领域（笑）。
Q3：相比于互联网行业，工业领域创业最大的挑战是什么？
邵天兰：在我看来， 工业领域做机器人服务实业，其实是一个更讲道理的学科，就是客户的需求、所需要的指标要和你产品的形态、性能要求相匹配。
互联网面对的是人，而人的需求很难描述，它更像一种艺术，很多事情是很难用道理去预测的。比如微信、抖音，技术上一定有可取之处，但用户使用这些APP并不完全出于技术考量。
但对工业机器人而言，能达到多少成功率？达到什么样的速度？智能的程度怎样？有多少应用性、可靠性等等这些都是更客观的标准，对于像我们这些技术出身的人来说，实际上是更好把握的一件事情。
但反过来讲，它困难的地方也在于要求高， 比如像我们自建了高标准的相机工厂生产传感器，下了很大力气提升生产的联动率，既要探索前沿的人工智能技术，又要保证生产制造的一致可靠。从硬件的光学电子算法、人工智能规划到销售交付，整个链条非常长且要求高。
相比之下，互联网是“一俊遮百丑”，更强调“长板”，但我们这种机器人产品更要求实用、严谨，有长板的同时还不能有过分的短板，因此也会更有难度。
Q4：梅卡曼德主营工业级3D+AI产品，能否讲讲你们目前核心的产品品类以及应用布局到了怎样的阶段？
邵天兰：我们成立到现在，经历了四个发展阶段：技术积累、产品落地与应用、产品迭代与规模化，以及市场全球化。
技术层面，我们在相机成像、光学设计、AI视觉算法、机器人运动规划、抓取规划方面不断进行迭代。产品包括工业级高精度3D相机、可视化编程的视觉算法软件和深度学习平台软件等，主要聚焦机器视觉领域，技术围绕传感、感知、规划展开。公司的核心器件已经完全实现自研自产，累计授权和申请各项专利350多件。
2019年开始我们进入规模应用阶段，AI+3D视觉解决方案已经在汽车、物流、重工等众多领域规模化落地，典型应用包括：无序抓娶上下料、拆垛、检测、高精度测量、机器人涂胶、喷胶等等。
目前，梅卡曼德的业务已经覆盖50多个国家和地区，全球落地案例超过了三千个。
Q5：梅卡曼德在2021年下半年开启全球化，对于一家创业公司而言，你们全球市场拓展的策略是什么？会着重布局哪些国家或地区？
邵天兰：目前我们在海外有四家子公司，位于慕尼黑、东京和首尔，海外业务已经占到相当大比例， 现在公司整体每年翻倍以上增长，海外还要快得多，每年能涨几倍。
我们现在销售的是第四代产品，连续三年市占率都是第一，第五代也在研发中，所以可以理解为梅卡曼德有一个类似 App Store 的东西，里面有我们各种应用，拿到海外直接就可以用。当然，针对每个国家不同的情况，我们也会相应地做本地化，希望能把中国很多成熟的经验带过去，但也不能生搬硬套，毕竟我们服务的下游企业，每个国家的需求也会不一样。
至于海外的重点布局，还是会放在发达国家，因为这些国家地区本身的需求非常迫切，而且我们的产品在当地也很有竞争力。
Q6：现在很多行业的公司为了逃离“内卷”会选择出海，对于你们这个领域来说，出海也是为了找寻更多增长红利吗？
邵天兰：咱们设想一下，如果中国不那么“卷”，那企业就不出去了吗？实际上我们这个行业不存在单纯只做中国市场的公司，我们做的工业核心器件属于通用型产品，像西门子、基恩士、康耐视都不会生产所谓的本土产品，一定是面向全球的。
从历史来看更是如此，所有工业领域的通用器件型公司就没有local的公司，无论中国、日本、还是美国、德国，都没有，背后的商业逻辑都是全球市常如果一家公司要做全球十成的市场，而你在国内市场做得再大也只能占到两成，最后无论是产品还是规模，都无法跟上别人， 所以出海并不是因为国内太卷而做出的被动选择，而是我们这种标准化产品注定要面对全球竞争，既然终局如此，我们就要以始为终，及时入局。
Q7：除了全球领先公司如西门子、基恩士、康耐视以外，还有传统机器人厂商、制造业巨头、初创公司不断入局，相比之下，梅卡曼德的差异化优势来自于哪里？
邵天兰：在我看来，这个行业是注定没有办法“差异化”的。
第一，实际上绝大部分人说的“差异化”都是虚假的。“差异化”的意思是目标客群、目标需求的不同，往往意味着面向小众、细分的客群和需求。如果面向的是同样的客群，解决的是同样的需求，只是性能、质量、服务、外观、价格、品牌之类不同，就不叫差异化。比如宫保鸡丁，如果只是多放了几颗花生，口味变化一下，那不叫差异化。但是如果我做了一个无糖的宫保鸡丁面向糖尿病患者，这才是差异化。
第二， 公司不是一定要做差异化。实际上主流市场硬碰硬才更容易出巨头。 消费品市场因为总量非常大，所以做一个小细分也是可以做出来很不错的公司。但是工业领域的巨头，几乎都是做主流市常
所以我们公司不刻意做所谓差异化竞争，做的都是主流产品、主流行业、主流应用、主流客户。不管是3D相机、视觉软件，还是AI，产品形态都非常主流，服务的客户也是来自汽车、家电、物流、电商、工程机械、钢铁等大行业。从技术上来说，人工智能、3D感知、机器人规划、包括多模态大模型等也是非常主流的技术。所以我们做的都是标准产品，并不是找了一个非常细分的小行业去竞争。
我们几乎没有任何一件事情是刻意差异化，包括公司管理方面，如果一件事和所有人都不一样，那我觉得大概率会是错的。
至于梅卡曼德的优势，我们首先是抓住了时机，如果做太早，深度学习、传感等主流技术还没出现，就无法应用在产品中；如果做太晚，这个市场就没我们什么事儿了。
第三，我们对自己的产品形态、产品化的理念以及商业模式一直非常坚定，打从公司成立起就没有变过，我觉得这也是做得比较好的地方。
所以，技术、产品、客户、资本各个方面的领先让我们形成了一个正向循环，这都是梅卡曼德的优势所在。
Q8：如果没有所谓的差异化，那你们是在现有需求中找寻最优解吗？
邵天兰：我们所在的视觉领域，整个市场的需求非常多样，需要做标准化的产品来服务更多客户。作为创业公司，如果一上来就挑战那种最难的事情也不现实，满足的还是制造业最普遍的需求。
很多消费品比如女装，不同品牌设计、消费者审美喜好有很大差异化，仁者见仁智者见智，那这件事就没有最优解；但在工业领域，比如施耐德、西门子，它追求的都是客观标准的产品，最后就会达到最优解。如果偏离最优解，那市场会惩罚你。
所以无法差异化的市场里，我们所追求的指标都非常客观，它有理论上的最优解，就看谁能更接近。而这注定了最后的市场格局会非常统一，面对的是全球性的竞争，这也是我们这个领域的残酷之处。
Q9：那根据你的判断，整个行业未来的竞争格局会怎样？之后的发展态势如何？
邵天兰：这个事情说来也非常简单，所有没办法差异化并且同时有显著规模效应的事情，到最后都会形成少数的巨头。
我们做的显然是一个高度标准化的事情，没有任何差异化空间，同时有非常明显的规模效应，后面的竞争格局一定是全球会有少数几家公司。当然我们对整个行业整体是非常乐观的，因为现在人工智能技术、机器人技术还处于一个非常高速的发展期， 像华创当时投我们的时候，我们说要做这个事情，但什么时候才能规模化？什么时候能做到我们今天的规模？那个时候说过的话，大家觉得都是理想，但现在已经做到了。未来，我们仍然还会有这样的增长空间，因为整个智能技术和机器人技术还处于一个高速发展的早期阶段。
Q10：之前你在和
华创资本创始合伙人熊伟铭的一次对话
中提过，大模型的出现有机会把机器人的技术再推上一个量级，市场也将可能是现有的 10 倍甚至 100 倍大，能展开讲讲这对你们以及整个行业带来了哪些影响？
邵天兰：大模型真的是一个非常非常重要而且能带来很多改变的事情，能让机器人本身的智能更上一个台阶。像我们机器人之前做的，很多是单点能力，比如传感（像眼睛一样能对物体进行高速扫描）、感知（能识别物体的种类、姿态、相互关系），大模型可以带来更高层级的智能，比如像任务的理解、整体的决策。
它能够具有更多的常识，理解更复杂的任务。我举个例子，比如我们中午要吃饭，中间会涉及到切菜做饭刷锅洗碗一系列的事儿，这就要求机器人能识别黄瓜土豆并把它们拿起来，这个过程中如何组合这些动作，需要机器人具有常识以及复杂的规划推理能力，而这是以前单点的、功能性的人工智能所不具备的。
所以大模型让我们非常兴奋，我觉得它会像之前的人工智能的进展一样，又能打开一系列的应用和场景，让机器人的智能程度再上一个台阶。
Q11：具体到梅卡曼德，目前你们在大模型方面进行了哪些新的探索？
邵天兰：不久前，我们与汉堡大学张建伟院士实验室达成了一项合作协议，正在共同研发一种全面融合视觉、语音和语言能力的机器人大模型。这种模型将使机器人能够感知和理解环境中的多种信号，并通过自然语言与人类进行交流。研发成果能够大幅提升机器人的智能化水平，使其更好地与人类进行自然合作和互动。
在大模型时代下，具身智能现在是人们关注的一大焦点。而张院士就首次提出跨模态学习机器人的概念，通过综合大量含有噪声且多源异构的视觉、听觉、躯体感觉等多模态感知信息，来实现通用具身智能。
目前我们的合作还处于科研阶段，但将来希望能让这种机器人大模型进入到餐馆、酒店、医院以及工业等更复杂的场景中。
Q12：最近“具身智能”的讨论度很高，行业里也有各式各样的创新，从RT1和PaLM-E，再到李飞飞的“VoxPoser“和 Deepmind 团队的RT2，每隔一段就有新成果发布，你认为现在“具身智能”的发展到底到了一个什么样的阶段？离真正的“具身智能”还有多远，还有哪些关键问题没有解决？
邵天兰：以前“具身智能”还是一种科幻，像是月亮一样遥不可及，但现在它像是珠穆朗玛峰一样，这两者是有本质区别的，虽然还是很高，但已经落到了地上，像攀登珠穆朗玛峰一样，人们可以慢慢爬上去，已经具备了攀登上去的技术路线。
现在有了大模型，相当于是搭梯子的阶段，整个技术路线有了大的方向，知道该怎么上去了。 就像莱特兄弟发明了飞机一样，一开始他们做的飞机只飞行了几十米，但只过了几十年，就有了波音747。所以，一旦一个有潜力的技术有了大的进展之后，虽然后面还有很多具体工程化的工作要做，工作量也会非常大，但至少我们有了一个比较明确的发展方向。
Q13：工业领域场景一般都比较复杂，所以一直以来定制化都比较严重，大模型出来以后，这些定制化是不是都能省掉了，比如给机器人一个指令，它就能自动完成所有操作吗？
邵天兰：通用的东西其实是产生真正规模化应用的一个非常大的前提，历史上咱们也都见过，比如电脑在最初是专门算火箭轨迹、弹道，处理人口数据的，真正大规模普及其实是在出现了通用的个人电脑之后。而电脑的通用，也使得它整体的规模和成本有了巨大的优化，才能够真正推广开来。 类似的事情非常多，很多专用的设备，必须要形成一个通用的产品才能真正开始去普及。
对我们而言，一定要减轻软硬件开发上的定制化，当然有些配置还是要做的，就像电脑是标准产品，用户还是会安装不同的软件。我们尽可能用更加通用的能力，特别是传感器和算法，来减少非标的定制，这样成本更好，周期更短，也更具备适应性。
Q14：可以理解为有了大模型和更好的算法后，就可以减少定制化、减少SKU吗？
邵天兰：是能减少每一个场景中，整个硬件做定制设计所需要的工作量。我举个例子，比如在一个自动化的场景里，你是使用通用的机器人即“标准化的产品+通用的视觉”来解决？还是设计非标的、定制的结构？
如果使用的器件越标准，里面用的传感器和算法越多，那通用的机器人器件也会越多，这样所需要的定制周期，以及未来改变整个应用的风险就越低，所以自动化要尽可能地使用更加标准的器械，比如机器臂、机器人、AGV，它相比于传统的输送线以及定制化的结构来说，就是标准化的产品。因此，尽可能使用标准化产品的组合和配置，而不是使用很多复杂的定制设计。
Q15：听起来有点像乐高。我们还了解到，现在制造业里有很多场景还没有被机器人替代，而且中国每万名工人的机器人拥有量和很多国家相比渗透率还不高，在你看来原因是什么？还需要在哪些方面进行提升？
邵天兰：最主要的原因还是技能程度不够，每次面对一个需求，调试交付的整体周期会很长，今天自动化也好，机器人也好，整体仍然非常慢。外界经常会想象，这个环节需要替换人，把机器人拿过来就可以用，其实不是这样的，一个自动化项目的周期达半年是非常正常的。
这个世界上没有那么多新鲜事，我打个比方，今天饭店扫码点单的普及率大概有80%，但自动化点单很早就开始有人做，最初是用专业的设备点菜，但它从来没有真正普及过，因为这个系统需要有专业公司来做，周期长、成本高，而且维护起来也不方便。直到智能手机和移动支付出现后，餐馆老板用二维码就可以自己来操作，技术变得可得和可及了。
再比如洗衣机，某种程度上洗衣机也是机器人，但它依然需要有专业人士来安装管子。将来机器人怎么才能实现高度智能化？我们给它下达指令后，它需要用类似人的眼睛识别现场，理解执行任务，只有达到一定标准和高度时，未来每个人就会有一台机器人，甚至机器人数量会超过人类，就像今天的手机电脑一样。
Q16：梅卡曼德团队目前已经有700多名员工，管理上你面临最大的挑战是什么？未来三到五年，你对公司有怎样的期待？
邵天兰：这对我们来说确实是一个非常大的挑战，因为公司内部有不同的团队，文化也会不同。比如研发团队在北京，都是来自全球顶尖高校的硕士博士、大公司的优秀工程师，整体氛围会很宽松，办公室还养了猫；生产团队的风格就非常严谨，还有在上海的销售团队，对他们唯一的要求就是让客户满意。所以不同团队要有不同的组织文化、管理风格，最后还要凝聚起来实现公司共同的目标，这确实是很大的挑战。
未来三五年，我希望公司能一直保持高速增长，像我们现在做的这种多模态大模型，包括各种先进传感器能够有更多应用，进入更多行业，让智能机器人再上一个台阶。
