從實驗室到全球產線，梅卡曼德讓產品級物理AI走進千行百業

出品 | 創業最前線

作者 | 元君

編輯 | 閃電

美編 | 邢靜

審核 | 頌文

2026世界人工智能大會（WAIC）在上海世博展覽館舉辦。這場AI盛會，將具身智能推至聚光燈下。

而在現場，有一家成立將滿十年的公司，聚焦物理AI中最關鍵的“眼腦手”前沿技術進展，現場展示了多種機器人完成多樣、真實、復雜的任務。這家公司就是梅卡曼德。

當許多同行還在用demo演示“后空翻時，梅卡曼德直接把具身智能機器人單元搬上了展臺：

從雙機器人協同完成上下料與料筐搬運作業，到人形機器人在復雜貨架場景中精準取放多品類貨品，實現海量多形態物體的快速分揀，再到Mech-GPT 將自然語言指令實時轉化為任務理解與動作執行，相關應用已全面覆蓋先進制造、商業零售與物流等核心場景。

梅卡曼德的物理AI解決方案，還逐一攻克透明反光物體、異形小零件等工業場景中“難抓取、難識別”的行業難題，充分展現了物理 AI在復雜環境下的泛化能力與落地交付實力。可以說，這里沒有炫技，只有“干活”。

實際上，這場從實驗室走向產線的行業大考中，梅卡曼德確實是一個繞不開的樣本。

它不造機械臂，不追求人形炫技，而是圍繞“一腦多形”來構建通用具身智能眼腦手技術體系。通過這套標準化的物理AI基礎設施，其服務超100家《財富》500強客戶，產品出口近50個國家和地區，連續多年保持國內市占率第一，并牽頭制定了全國首部工業機器人三維視覺引導系統國家標準。

一系列數字和成果背后，是這家中國科技公司在嘗試回答一個根本問題：當AI真正進入物理世界時，其發展的邏輯和路徑究竟應該是怎樣的？

1、市場熱潮下，萬億賽道呼喚真正落地

2026年被普遍視為具身智能行業商業落地的分水嶺。

據《中國具身智能產業發展報告（2026）》統計，中國已成為全球增長最快的具身智能市場之一，市場規模從2018年的約2133億元增長到2026年預計的1.09萬億元，年均復合增長率達22%—23%。其中，工業機器人占據最大份額約45%，人形機器人增速最快。

資本端亦呈現高活躍度。IT桔子數據顯示，2026年上半年，國內具身智能賽道融資金額達935億元，同比增長5倍；融資事件322筆，同比增長137%。具身智能百億估值俱樂部已擴容至近20家。

然而，產業鏈層面存在顯著的商業化成熟度落差。機器人執行看似基礎的“抓取”動作，實際涉及視覺感知、路徑規劃、碰撞預測、力控執行等一系列復雜環節的耦合。況且，工業現場的環境光變化、工件形變、油污遮擋、來料堆疊等變量，遠超實驗室可控范圍，這一現實對技術棧的深度和場景數據的廣度提出了極高要求。

在此背景下，行業圍繞人形是否終極形態的討論之外，更為冷靜的研判指向一個基礎性問題：無論機器人形態如何演變，本質上都可以拆解為移動、手部操作、視覺感知、復雜任務理解和規劃等通用模塊，這些模塊能否由獨立的技術供應商以標準化方式提供？

梅卡曼德基于過去九年多的積累，給出的回應是：不造本體，只專注“眼腦手”。它把感知、規劃、執行這三層最難啃的骨頭標準化，讓不同形態、不同品牌的機器人裝上同一套智能系統后，就能在真實產線上“干活”。

而這條路恰好切中了行業商業落地必須跨越的那道門檻。

2、把物理AI做成“標準件”

梅卡曼德由清華海歸團隊創立于2016年，核心產品是“眼腦手”一體化的物理AI解決方案。

仿生分層機器人大腦是該體系的核心。它將任務處理拆解為三個層級：高層“低速大腦”接收自然語言指令和環境感知輸入，進行意圖理解、空間推理、步驟拆解；中層“高速大腦”持續構建環境狀態表征，實時進行抓取點選擇、路徑規劃、碰撞預測；底層“小腦”驅動機器人本體、末端執行器、靈巧手完成物理動作，并實時監測執行結果。

視覺層面，梅卡曼德自研的工業級3D視覺系統融合高精度三維感知與AI算法，可在透明、反光、暗光等極端條件下穩定識別目標物體，將物理世界信息轉化為機器人可計算的空間數據。

本次WAIC首次亮相的新一代Mech-Hand多指靈巧手，動作壽命超百萬次，兼顧靈巧性與速度，支持多樣物體操作，并能與機器人大腦深度協同，實現從能抓取到會操作的跨越。

在規劃與執行之間，世界動作模型則承擔著“橋梁”作用：大腦做出規劃后，預判不同執行方式的結果，從中選擇更穩、更準、更安全的方案，讓機器人具備“事前判斷”的能力。

通過“眼腦手”協同，機器人從會識別走向會規劃、會糾錯、能交付。

梅卡曼德創始人邵天蘭在WAIC現場對「創業最前線」說到：“傳統機器人和人工智能機器人，主要差別不在于機器人形態，而在于它能否做到‘減少定制、快速部署、簡單應用’。傳統的工業自動化，往往需要機械、電氣、編程等很多工程師去進行幾個月的定制化開發，所以更像是一個定制化的方案；而今天的機器人，它更像是一個標準化的產品，它要處理各種各樣的事情。”

當然，不同任務場景需要不同形態的機器人，但感知、理解、規劃和執行等核心能力具有復用性。邵天蘭強調：“我們講叫‘智能大于形態’。人工智能機器人不一定是人形，只要能夠有很好的感知、推理、任務理解、異常應對能力，它就是智能機器人。我們關注的是智能，而不是一個形態。”

梅卡曼德已將“眼腦手”能力沉淀為標準化的物理AI產品體系，并在四個維度上驗證了其產品級通用性：

物體泛化：面對不同形狀、材質乃至透明反光屬性的物體，系統即便從未見過也能穩定識別和抓取；

執行器泛化：面對平行爪、三指爪、吸盤甚至臨時工具等不同執行末端，系統都能直接適配；

任務通用性：面對拆垛、裝配、質檢等跨度極大的任務指令，系統能自主理解并執行；

本體泛化：同一套智能系統能夠驅動不同構型、自由度、品牌的機器人本體，實現即插即用。

邵天蘭透露：“我們今年增長很快，背后主要有兩方面原因，一是技術成熟度的提升，二是需求側客戶的認可。曾經我們要調試幾個月的事情，現在可能幾個小時就能完成，我們的傳感器、算法在應對各種復雜的場景時，技術成熟度都達到了客戶所需。加之經過幾年了解，許多客戶對機器人產品已經產生認知，我們的技術和產品在很多頭部客戶里都有應用。”

基于可復用的標準化能力，梅卡曼德已服務全球超過100家《財富》500強企業，客戶涵蓋豐田、大眾、上汽等頭部車企，寧德時代、比亞迪等新能源龍頭，五糧液、伊利等消費企業，富士康、聯想等3C巨頭，以及三一重工、徐工等重工企業。

盡管各行業工藝要求不盡相同，但底層架構保持統一。此類客戶還有一個共同特點，即評估周期極長、標準極為苛刻。通常來說，ToB行業的決策邏輯是理性的、分析性的，一旦標準化后就不易再變。

因此，這種高門檻、高黏性的客戶結構，也在一定程度上構成了梅卡曼德的護城河。

3、基座模型與數據飛輪，構成物理AI的“雙引擎”

如果說“眼腦手”一體化構成梅卡曼德硬件和系統層面的基礎，那支撐這套體系在千行百業跑通的，則是其底層技術路徑：面向物理世界的具身原生通用基座模型，以及由真實場景持續驅動的數據飛輪。

先看基座模型。行業里普遍做法是，將VLM或視頻生成模型進行嫁接和后訓練，再移植到機器人上。但梅卡曼德從一開始就選擇了一條更底層、更艱難的道路，它要做面向物理世界原生設計的具身模型。

所謂“原生”，是指模型結構、數據格式、訓練目標、工具棧，全部為機器人在物理世界的交互而設計，而非從其他模態的模型改造而來。梅卡曼德推出的Mech-GPT機器人多模態大模型，基于數百萬真機數據訓練而成，具備空間推理、物理常識和任務拆解能力。它不僅能“看懂”眼前是什么物體，還能判斷這個物體有多重、表面光滑還是粗糙、從哪里抓最穩、抓起來之后往哪放。

再看數據飛輪。基座模型決定了技術的天花板，數據飛輪則決定了企業能在這條路上走多遠。隨著技術路線逐步收斂，算法層面的差異正快速縮小，產業長期競爭的核心壁壘必然轉向基礎設施和數據。這正是梅卡曼德最大的隱性優勢。

截至目前，梅卡曼德在全球工業現場擁有超過27000臺系統運行。這意味著每天都有大量搭載其“眼腦手”系統的機器人在真實工廠里工作。這些場景持續產生真實、多樣的長尾問題，經過脫敏處理后全部回流到算法訓練和模型迭代中，形成“場景反饋-AI模型迭代－產品優化”的完整閉環。

這種飛輪效應一旦啟動，將形成不可逆的先發優勢，即部署量增加暴露更多實際問題，促進迭代加速與產品增強，進而帶動更大規模落地。

所以，基座模型和數據飛輪共同構成了梅卡曼德物理AI體系的“雙引擎”，也是其在萬億賽道中保持長期競爭力的底層邏輯。

4、出海不只是賣產品，更是建能力

在國內市場加速推進的同時，梅卡曼德也在積極拓展全球化業務。

截至目前，其業務已覆蓋近50個國家和地區，海外業務占比超過一半。其物理AI解決方案正在不同語言、標準和工況的產線上穩定運行。

公司還在慕尼黑、首爾、芝加哥、東京等地設立子公司，構建覆蓋產品、銷售、交付、培訓及售后服務的全球網絡。這一布局也正是基于其對工程交付與本地化服務壁壘高于產品本身的預判。

與此同時，梅卡曼德的全球化進程也反映了中國制造業智能化升級的溢出效應。依托國內完整的制造業產業鏈和豐富的工業場景，公司積累了大量的工業現場數據與工程經驗。通過高質量產品與服務，它正在打破“中國制造=低端”的刻板印象，在高端工業自動化領域樹立起新的形象。

而梅卡曼德的目標，遠不止于此。

邵天蘭表示：“我們現在講叫銷售一代、改進一代、研發一代，它是一個管道，是一個不斷迭代的過程。梅卡曼德把商業化落地分為三階段梯度滲透，不跨越階段推進。”

第一階段是當前至2028年，聚焦制造業與物流，覆蓋裝配、上下料、分揀、碼垛、包裝等場景，環境相對結構化、ROI可量化，梅卡曼德已在此實現規模化部署；

第二階段是2029至2032年，進入大型商業服務場景；

第三階段是2032年以后，家用場景逐步打開。梅卡曼德的策略是先夯實工業現場的可靠性，再沿成熟度階梯逐段延伸、不冒進。

從汽車產線的工件抓取，到貨架前的商品揀選，再到未來家庭中的日常服務，場景與形態雖持續變化，但“眼腦手”協同的底層邏輯貫穿始終。梅卡曼德要做的，正是為物理世界的每一次看懂、想清、做成，提供通用的技術底座。

WAIC的展館里，會空翻的機器人固然能贏得不少掌聲。但散場之后，訂單或許只會流向能干活的機器人。