对话梅卡曼德创始人兼CEO邵天兰：当 AI 进入物理世界，部署能力成为真正的护城河

来源：新浪财经

　　新浪财经 康路 发自瑞士达沃斯

　　在第 56 届世界经济论坛年会（达沃斯）上，关于 AI 的讨论正在发生一个清晰的转向。相比过去两年围绕大模型参数、算力规模和生成能力的讨论，今年越来越多的共识指向一个更现实的问题：AI 如何真正进入物理世界，并形成可规模化的产业能力。

　　在这一背景下，“物理 AI（Physical AI）”“具身智能（Embodied AI）”等概念被频繁提及。与单一形态的人形机器人相比，这些概念更强调 AI 在真实环境中的感知、理解和执行能力。

　　参会的梅卡曼德机器人（Mech-Mind Robotics）创始人兼 CEO 邵天兰对新浪财经表示，物理AI 的提法之所以准确，在于它描述的不是外形，而是能力结构。在他看来，真正决定机器人是否具备产业价值的，不是是否“像人”，而是能否快速适应复杂多变的物理环境，能否完成真实任务，以及能否以足够低的成本实现快速部署。

　　“如果从这个角度看，物理AI 并不指向某一种具体形态，而是一套通用能力。”邵天兰说。这也是梅卡曼德长期以来的技术出发点。

　　理论上，制造业和物流行业对机器人的需求一直存在，但现实中，大规模部署始终推进缓慢。邵天兰认为，行业长期以来误判了真正的瓶颈。

　　“问题不在硬件。”他说，无论是速度、精度、负载能力还是单体成本，今天的机器人都已经具备可用性。真正限制规模化的，是部署难度。

　　在真实工业环境中，一个机器人系统要稳定运行，往往需要大量跨学科工程师参与，包括机械、电气、方案设计、调试、软件以及 AI 等多个环节。这种高度工程化的部署方式，很难复制，也很难摊薄成本，最终结果就是“算不过账”。

　　梅卡曼德所聚焦的，正是这一长期存在却被忽视的问题。通过提升机器人在真实环境中的感知、理解和自主决策能力，减少对人工工程调试的依赖，部署速度和经济性才有可能真正成立。

　　正是基于对部署问题的长期观察，梅卡曼德在公司定位上选择了一条相对克制的路径。

　　邵天兰介绍，梅卡曼德从一开始就明确自身边界。只做机器人的“眼睛、大脑和手”，不做整机，不做整条生产线解决方案，也不试图覆盖所有应用场景。

　　在他看来，机器人涉及机械、电气、控制、算法以及大量行业细节，没有任何一家公司能够在所有层级做到最优。如果试图“全栈”，资源必然被稀释，反而会削弱核心竞争力。

　　“长期成功的企业，往往不是‘什么都做’，而是在关键能力上形成不可替代性。”他说。

　　目前，梅卡曼德的客户已经横跨汽车、电池、光伏、3C 和物流等多个行业。邵天兰认为，不同行业的差异往往被高估，而机器人在感知、识别、定位和安全执行等方面的共性需求，反而被低估。

　　“就像人学习新技能一样，我们不是从零开始，而是在已有世界模型的基础上快速迁移。”他说。梅卡曼德的路径，正是先构建通用的基础能力，再用相对少量的数据完成对新场景的适配。

　　在一些被市场高度关注的方向上，邵天兰的判断同样保持克制。例如在“灵巧手”问题上，他并不认同完全复刻人类双手的复杂度是当前阶段的合理目标。

　　在他看来，机器人设计的核心目标不是模仿人类，而是完成任务。只要能够满足制造、物流等真实场景的需求，就不必为了形式复杂而增加系统成本和不确定性。

　　谈及未来，邵天兰将梅卡曼德的发展路径划分为三个阶段。短期内，制造和物流场景结合成熟机器人形态，已经进入高速增长阶段。中期，更多机器人形态将进入服务业。更远的未来，机器人能力进一步成熟后，才可能向更复杂的场景延展，比如家用。

　　“我们的节奏很简单。”他说，“销售一代、改进一代、研发一代。”

　　在一个充满技术想象和叙事张力的赛道里，邵天兰更愿意强调工程现实与边界意识。在他看来，正是这种克制、聚焦和可复制性，决定了物理AI 是否真的能够走出实验室，进入产业深水区。

　　附部分对话实录：

　　1．新浪财经：今年，英伟达CEO黄仁勋的演讲提到2025年AI模型的三大突破，其中一点就是物理AI。我之前去 CES （美国消费电子展）的时候也看到，很多中国厂商，尤其是做人形机器人的企业，展示了很多新的技术和应用场景。你其实在机器人领域已经做了很多年了，你怎么看现在这个阶段整个赛道的机遇和挑战？以及梅卡曼德是怎么定位的？

　　邵天兰：我觉得现在有一个非常明显的趋势，而且我觉得这个趋势是非常准确、也非常有意思的一个转变。这次在达沃斯，包括英伟达、黄仁勋，包括微软，还有很多创业公司，尤其是一些非常明星的独角兽公司，大家在讨论的时候，其实都非常重视 B端的 AI，也非常重视物理AI（Physical AI）。

　　你会发现一个很明显的变化，就是大家讨论的时候，更多会用 物理AI的概念，而不是直接说“人形机器人”。

　　我觉得这是一个非常准确的转变。因为以前大家一说机器人，最直观想到的就是人形机器人，觉得这是一个非常自然的方向。但如果你仔细去听这次很多人的表达，比如纳德拉（微软CEO），比如黄仁勋（英伟达CEO），他们其实更多用的是 Physical AI（物理AI） 这个词。

　　我为什么说这个词更准确？因为它不仅仅可以用于人形机器人，其实也可以用于各种各样的机器人形态。

　　比如说移动机器人、工业机器人、协作机器人等等。最重要的并不是这个机器人长得像不像人，而是它能不能快速适应新的环境，能不能完成复杂、变化的任务，以及能不能降低部署成本。

　　在我看来，对环境的适应、对任务的适应，以及快速部署，这三点才是物理AI真正带来的改变。

　　现在，有很多公司非常需要机器人。理论上，我们完全可以把机器人用在很多地方，比如工厂里干活，比如物流搬运。但现实是，为什么没有大规模用起来？并不是因为今天的机器人硬件不够好，速度不够快，精度不够高，负载不够大，也不是因为成本不够低。而是因为它不能够快速适应环境，也不能够低成本、非常快速地部署。

　　现实中往往是这样。你需要很多工程师，而且是跨学科的工程师。机械、电气、方案设计、调试、软件，甚至还要 AI 工程师。很多这样的人，要花很长时间去部署一套系统。

　　这样带来的结果非常简单：算不过账。

　　所以我们通过引入物理AI，让机器人能够感知环境、理解环境，更好地做出规划和决策。让机器人尽量不依赖工程师大量的人工工作，不依赖人的专业经验，就可以快速、简单地部署。

　　这次我在达沃斯参加了很多活动，既有超级巨头的领导人，也有很多创业公司的创始人。大家普遍对具身智能与各种机器人形态结合、并在真实场景中落地这件事，是非常乐观的。除了机器人公司，我还在一些活动里遇到了很多传统工业巨头。他们是需求方。他们非常明确地表达了，在很多非常具体的应用场景里，他们是真的需要机器人的，而且需求非常迫切。

　　这让我更坚定地认为，相比“人形机器人”，物理AI 是一个更加确定、也更加有价值的方向。

　　2．新浪财经：那 Embodied AI 一般怎么翻译？定义和边界是什么？

　　邵天兰：一般会翻成“具身智能”，但这里有一个非常大的误区。

　　很多人一想到具身智能，脑子里立刻浮现的就是人形机器人。但这其实是被“形态”绑架了。举个很简单的例子：狗形机器人是不是具身智能？是的。机械臂是不是具身智能？也是。

　　具身智能并不等于人形。它的本质是，它的输入和输出来自物理世界。

　　比如你跟 ChatGPT、豆包、DeepSeek 聊天，或者让它生成图片、分析文本，这些输入和输出大多还是在数字世界里。但如果一个系统通过任何形态的机器人，能够感知、理解并操作物理世界，那它就是具身智能。

　　3．新浪财经：所以大家一开始对“具身”这个词的想象，是比较局限的。

　　邵天兰：对。人形机器人对很多人来说是最直观的想象，但并不意味着它是唯一答案。

　　4．新浪财经：我在 CES （美国消费电子展）看到像 Boston Dynamics 的 Atlas，它可以 360 度旋转，号称可以在工厂里干活，但它其实也不是一个“很像人”的机器人。这是不是说明，双足并不一定是在工厂干活的必要条件？

　　邵天兰：我觉得这个问题要回到第一性原理。

　　为什么要用双足？一个很重要的原因是，有些环境是为人设计的。在这种环境下，双足是一个非常自然、也非常简单的解决方案。但反过来，如果这个环境本身并不是为人设计的，那就没有必要为了“像人”而去坚持双足。

　　我觉得最后一定要从需求出发，而不是从技术或者象征意义出发。

　　有些时候，大家可能出于资本市场、叙事或者展示的需要，会做一些“长得很像人”的机器人。但真正落地的时候，还是要因地制宜。没有任何一种机器人形态，可以适应所有场景。天上飞的、水里游的、地上跑的，都会有各自最合适的形态。

　　5．新浪财经：你刚才提到机器人“快速部署”的能力，这其实是你们公司一直在做的事情。你们是怎么做到的？这个能力是怎么演进出来的？

　　邵天兰：我们公司成立到现在大概九年时间。前四年，我们一共卖了大概一千台。后面四年，我们一共卖了大概一万台；而现在，我们已经进入了单年部署过万台的阶段。

　　我们认为，有几个点非常关键。

　　第一，我们对自己的边界定义得非常清楚，什么能做，什么不能做。第二，我们做的是标准化产品，而不是定制化解决方案。第三，我们通过大量真实数据的积累，包括真实世界的数据、仿真数据，以及互联网数据，让模型具备非常强的能力。

　　我认为，清晰的边界、标准化产品，以及大量现实数据反哺 AI 能力，是最重要的三件事。

　　6．新浪财经：所以你们的核心竞争力，其实就是“眼、脑、手”。

　　邵天兰：对。我们可以结合各种形态的机器人，不管是工业机器人、协作机器人，还是人形机器人。

　　我们让机器人通过高精度相机，快速、准确地感知三维环境。我们的算法不仅让机器人“看见”，还让它能够做出决策、完成动作。我们已经能让机器人完成非常多类型的任务，比如搬运、装配、切割、焊接、涂胶、打螺丝等等。通过标准化产品，结合各种设备，在大量应用场景中完成具体任务。

　　7．新浪财经：已经和很多大公司都有合作，比如车企？

　　邵天兰：我们现在在汽车、电池、锂电、光伏、3C 家电，以及物流领域，都有非常多的合作。我们也是一家全球化公司。除了中国，我们在欧美日韩、东南亚，都有非常成熟的业务。

　　8．新浪财经：怎么做到横跨这么多行业的？单一行业的数据和场景就很难啃。

　　邵天兰：因为我们解决的是共性问题。不管在哪个行业，机器人都需要通过高精度相机感知环境，识别物体，定位位置，并在不发生碰撞的情况下完成动作。

　　当然，每个行业、每个应用都有它的特殊性，但共性的部分其实更多。这就像人一样。我们修水管也好，组装家具也好，并不是从零开始学，而是在已有世界模型的基础上，用比较少的学习成本掌握新技能。我们在机器人眼睛和大脑上做的事情，本质也是如此。

　　9．新浪财经：现在很多中国厂商强调“全栈 AI”能力，你们为什么不这么做？

　　邵天兰：我们是完全不信“全栈”的。

　　我们只做我们擅长的事情。机器人涉及机械、电气、控制、算法和大量应用场景，没有任何一家公司能够真正做到全栈。如果一家公司试图全栈，我认为会出现三个问题：第一，资源被稀释，每个部分都很难做到最好。第二，通用性会被严重限制。第三，很难长期持续。历史上，不管是科技巨头还是制造巨头，其实都不是全栈。

　　10．新浪财经：你对“灵巧手”的阶段判断也很不一样。

　　邵天兰：如果目标是做一个和人手一样复杂的灵巧手，那我认为太早了，也不现实。但如果目标是完成制造、物流，甚至一部分家用场景，其实不需要那么复杂。

　　我自己做过实验，只用三个手指，只做简单动作，除了用筷子，生活几乎不受影响。机器人不是为了模仿人，而是为了完成任务。

　　11．新浪财经：那么，如果你去评估人形机器人公司的护城河，最重要看什么？

　　邵天兰：有没有一技之长。可以是算法、材料、电机、减速机、结构设计，任何关键点都可以，但一定要有不可替代性。但如果只是把东西攒起来，市场早期可能有价值，但成熟之后很难生存。

　　12：新浪财经：最后一个问题，你们怎么布局未来？短期和中长期的目标是什么？

　　邵天兰：短期，从制造、物流以及结合现有已经成熟的机器人形态，我认为已经会有一个相当可观的市场。此时此刻已经在高速增长了。不远将来，我们在一部分的服务业里面也可以结合更多形态来进行很多的探索。当然更远的未来，就是人形机器人要进入家用。

　　我们自己的说法很简单：就是销售一代，改进一代，研发一代。