WAIC看了一圈,這家公司的機器人在認真打工

2026年7月18日 21:34
WAIC看了一圈,這家公司的機器人在認真打工

重點摘要

梅卡曼德機器人在WAIC 2026展示其「眼腦手」系統,讓不同形態機器人能在工業與零售場景中精準執行工件上下料、線束裝配及商品分揀等實際任務,而非僅止於表演。該公司強調「智能大於形態」,已於全球累計部署逾兩萬七千臺產品,在具身智能領域實現大規模商業落地。

站內 AI 整理稿

WAIC 2026 現場,人形機器人無疑是目光焦點。跳舞、格鬥、跑步、打乒乓球,各種過去只在實驗室出現的動作,如今成為展臺固定節目。然而有一個展臺畫風截然不同——一臺人形機器人站在狹小貨架前,聽完觀眾下單,從一排商品中精準挑出目標,穩穩遞到取貨臺;另一支機械臂則裝配大小不同、形狀各異的超薄鈑金件,速度快、效率高,足以應付真實複雜的工況。這些畫面不算酷炫,卻展現機器人最重要也最實用的能力:真正落地幹活。 這套能力來自梅卡曼德機器人開發的同一套「眼腦手」組件。無論是工業生產還是零售服務,機器人不僅能應對複雜場景與複雜任務,具備出色的泛化性,還能通用於不同形態的機器人本體。看完這些 Demo,讓人感覺工廠、商超由機器人主導的日子可能不遠了。 機器人真正進廠打工,複雜度遠超表演。錯綜的流水線佈局、強烈且持續變化的環境光、各種料筐形態,加上不同規格與材質的原料工件,每一項都考驗感知系統。任務也時刻在變:上一分鐘抓取零件,下一分鐘調整工件姿態、完成裝配,再搬走空料筐。傳統自動化設備在固定位置重複固定動作沒問題,但只要物體、位置或工序一變,整套系統往往得重新調試。梅卡曼德在 WAIC 展示的 Demo,專啃這些硬骨頭。 其中一個場景是兩臺人形機器人協同進行工件上下料與料筐搬運。組裝、抓取零件、搬運料筐,多種任務連續完成。抓零件考驗指尖精細操作,搬料筐考驗移動中穩定作業,而把這些任務串成一條流水線跑通,考驗的是「眼腦手」協同配合。另一個場景是線束插頭柔性抓取與精密裝配,一支機械臂精準插接柔軟線束,精度達亞毫米級。還有機器人快速抓取五角螺母工件,在堆疊雜亂的螺母中,每件抓取用時不到 2.4 秒,速度與效率完全對上產線節拍。這些能力已不僅在展臺上,更在汽車等典型製造業大規模落地。 零售與家庭服務同樣是具身智能落地的重要場景,更考驗泛化性。真實生活物件成千上萬,食品、飲料、文具、家具、玩具、工具,認全是及格線;機器人還得理解並執行開關、拿取、放置、堆疊等多種任務。梅卡曼德展示的 Demo 中,人形機器人面對大量日常物品,不僅辨識出來,還能按類別即時分好,物體層面泛化能力一目瞭然。另一個場景則是分揀多樣透明物體,透明材質光學屬性複雜,傳統視覺難以處理,但該 Demo 中各種透明瓶、透明盒被逐一識別、精準分揀。四個 Demo、四種場景,指向同一目標:在真實世界中工作。 這些不同形態的機器人能在不同場景下流暢作業,背後都靠同一套「眼腦手」。先說「眼」:梅卡曼德自主研發的工業級 3D 視覺系統,能識別薄壁工件,也能看清透明物體,高速成像跟得上產線節奏。接著是「腦」:自研的 Mech-GPT 多模態大模型,可接受自然語言、圖像等多模態指令,讓機器人具備類人的理解、推理與規劃能力,聽得懂人話、理解常識,遇到沒見過的物體、環境和新指令也能舉一反三。展臺上觀眾用一句大白話下指令,機器人當場理解、準確執行。梅卡曼德對「腦」的判斷是「一腦多形」——未來機器人形態不會統一,但具身智能「大腦」將會通用。 光看得清、想得明白還不夠,機器人必須「下得去手」。梅卡曼德發佈自研的 Mech-Hand 靈巧手,以世界動作模型為核心。世界模型最近大熱,從預測「下一幀畫面」走到預測「下一步動作」,世界動作模型承擔從理解環境到執行動作的後半程。得益於海量真實數據餵出的精細操作能力,這隻靈巧手能完成抓、捻、拿、握、敲等多種動作,抓取大量常見物體。眼看清、腦想明白、手落地執行,三件套湊齊,機器人真正具備了幹活的完整能力。 回顧公司本身,梅卡曼德 2016 年創立,在具身智能行業中已算「老兵」。成立至今不斷迭代機器人的眼睛和大腦,基於操作能力的積累,產品線再增加靈巧手。為什麼十年只打磨「眼腦手」?背後體現的是「智能大於形態」的判斷。展臺上機器人形態各異——單臂、雙臂、雙足、輪式,不同任務需要不同身體,強求統一未必高效;但所有機器人都需要看得清、想明白、做準確,因此「眼腦手」是能跨本體使用的標準組件。 做好這些關鍵組件並不容易。創始人邵天蘭曾說,機器人屬於「易做難精」的行業,沒有黑科技或銀子彈,只能耐心解決一個個超級複雜、不斷迭代、充滿技術細節的工程問題。正是這些細緻工作決定產品好壞,決定機器人能否走出實驗室、進入物理世界工作。邵天蘭還有一個判斷:製造業遠看是萬億市場,近看是一萬個一億的市場;服務製造業最大的挑戰,不在滿足特定客戶的特定需求,而在如何高效滿足成千上萬用戶的各種需求。 按這把尺子衡量,梅卡曼德成績亮眼:「眼腦手」產品已在工業場景大規模落地,全球累計部署超過 27,000 臺,服務 100 餘家《財富》500 強客戶,在國內細分領域連續六年(2020-2025)保持市佔率第一。全球化腳步也不斷加快,在美國、日本、韓國、德國多地設有子公司和團隊,歐美日韓等主流市場市佔率領先。大規模實際應用還帶來寶貴的數據飛輪——隨著產品在多行業、多場景高效部署,海量真實數據反哺模型,產品能力持續增強。具備前沿技術、產品開發量產、全球大規模落地三者兼具的公司,在當今具身智能市場上,絕對是不容忽視的力量。 WAIC 展館裡,會空翻的機器人贏得掌聲;但展會散場後,訂單只會流向能幹活的機器人。

Related

相關文章

滴滴在WAIC分享:AI升級出行體驗 好服務連接消費煙火氣

2026 世界人工智能大會(WAIC)7 月 17 日在上海開幕,滴滴集團 AI 應用負責人劉佳奇出席「智融萬象,煥新消費——質啟『人工智能+消費』新生態」論壇,並以《AI 重構出行新體驗,驅動服務消費提質增量》為題發表演講,分享滴滴如何運用人工智慧升級打車體驗,同時帶動線下消費活力。 這場論壇由中國互聯網協會主辦、中國信息通信研究院承辦,聚焦人工智能與消費領域的融合發展。劉佳奇在會中指出,出行不僅是單純的位移,更是串聯消費者與線下消費場景的關鍵環節。

剛剛
MarkTechPost AI研究與前沿

Sakana AI 提出錯誤擴散法,無需反向傳播即可訓練符合戴爾原則的雙流網絡,MNIST 達 96.7%、CIFAR-10 達 61.7%

反向傳播主導深度學習,但其機制可能並非大腦所用——尤其是反向傳播需使用前向權重矩陣的精確轉置,這便是權重傳輸問題。Sakana AI 的新論文《Diffusing Blame》直接挑戰此限制,研究團隊訓練出既遵守戴爾原則、又完全避免權重傳輸的網絡。什麼是錯誤擴散?錯誤擴散(ED)是一種局部學習規則,最早由 Kaneko(2000)提出。每個權重更新僅依賴三個訊號:突觸前活動、突觸後激活導數,以及單一全局錯誤符號。因此,ED 從不傳輸轉置的前向權重,也無需使用隨機反饋矩陣。這種局部性使 ED 自然相容於戴爾原則。

11 小時前
何夕2077研究與前沿

世界模型轉向遊戲狀態

這篇論文重新審視互動世界模型,將生成模型視為潛在的次世代遊戲引擎,並從玩家動作控制、遊戲狀態動態、狀態觀測持續性與即時互動生成四個維度進行分析。研究團隊還為《黑神話:悟空》打造了一個超過90小時的遊戲數據引擎,內含對齊的玩家動作、真實遊戲狀態與視覺觀測,以支援具狀態感知的遊戲世界建模。

18 小時前

AI到底是「想錯了」還是「判錯了」?OpenDriveLab 陳立的組合式世界模型讓策略自我糾偏 | RSS 2026

OpenDriveLab 陳立在 RSS 2026 提出組合式世界模型,將預測與價值評估功能徹底拆開,解決具身智能中「想錯」與「判錯」難以區分的黑盒幻覺問題。該方法透過四項系統性工作,從自動駕駛安全模擬到機器人策略自我改進,讓 AI 能在虛擬空間中犯錯並安全修正,同時保留決策過程的可檢查性。

1 天前