WAIC現場，這家公司讓一群不同的機器人共用一個大腦

編輯｜+0

熱熱熱熱熱！今年 WAIC 現場，大家對 AI 的熱情，像上海的氣溫一樣持續攀升。

去年逛 WAIC，機器人就已經很忙了。它們在展館里寫書法、舞龍、擊鼓、打拳、踢球，也會調酒、按摩、拆快遞、疊衣服，或是從貨架上取下指定商品。

到了今年，機器人又解鎖了一批新節目：組樂隊、變魔術，在擂臺中上演雙機綜合格斗，在迷你球場上爭奪「WAIC 杯」。另外，一張張仿生面孔能夠眨眼、微笑、轉頭，還能與觀眾實時對話——走上一圈，甚至還能和「秦始皇」打個照面。

逛完整個會場，可以看到，不同的機器人產品也正在沿著各自的方向加速生長：有的繼續挑戰奔跑、跳躍、格斗等高難度動作，不斷抬高本體性能的上限；有的通過外形、情緒反饋和長期互動，尋找進入家庭的可能；還有更多機器人走向產線、倉庫和商店，接受速度、精度、穩定性與連續作業能力的真實檢驗。

這也讓今年的 WAIC 呈現出一個明顯的變化：大家更關注機器人究竟能解決什么問題。對消費級產品來說，可能是足夠有趣，讓人愿意把它帶回家；對產業機器人來說，則要足夠有用，能夠適應復雜環境，把任務穩定、高效、持續地完成。

梅卡曼德展臺上的機器人們也忙得熱火朝天，現場人氣拉滿。

展臺一側，人形機器人接到觀眾下達的訂單，轉身走向貨架，在一排飲料、零食和玩偶中找到目標，再把手伸進有限的空間里，穩穩取出商品。

https://mp.weixin.qq.com/s/SSPP3wiNm8VtvpGuemyAQA

另一邊，兩臺人形機器人正在協同作業，配合完成工件上下料、裝配和料筐搬運等任務。

https://mp.weixin.qq.com/s/SSPP3wiNm8VtvpGuemyAQA

再往里走，畫風切換到工業現場。機械臂從一筐無序堆疊的五角螺母中快速選中目標，單件時間小于 2.4 秒；塑料包裝、柔性線束插頭和透明瓶體，也在考驗機器人的感知與操作能力。另一張臺面上，數百種日常物品隨機散落，等著人形機器人識別和分類。

看起來，大家各有各的活。

圍著展臺看一圈，能發現它們背后都連著同一套能力——梅卡曼德具身智能「眼腦手」。

高精度 3D 視覺負責看清物體和環境；以Mech-GPT多模態大模型為核心的具身大腦負責理解指令、推理和規劃；世界動作模型用于預判不同動作方案的結果，運動規劃與靈巧操作能力再把方案轉化為抓取、搬運、分類和裝配等現實動作。

現場的一塊互動屏幕，直接展示了具身大腦怎樣工作。觀眾可以通過自然語言向 Mech-GPT 下達任務指令，系統理解指令和任務意圖，結合眼前的物體與環境進行推理和決策，再控制機器人拿取指定物體。

https://mp.weixin.qq.com/s/SSPP3wiNm8VtvpGuemyAQA

作為這套體系中負責執行操作的「手」，梅卡曼德新一代多指靈巧手也在此次 WAIC 首次公開亮相。官方資料顯示，其動作壽命超過百萬次，兼顧靈活性、響應速度和工業級耐用性，可完成復雜物體操作與精密裝配。

從理解任務到完成動作，系統還要根據執行結果持續調整，最終形成「感知—決策—規劃—執行—反饋」的閉環。

這些熱鬧的演示，也在回應具身智能行業眼下最關心的兩個問題：

• 機器人換一種身體、換一種物體、換一個現場后，原有能力還能留下多少？
• 當機器人真正走進工廠、倉庫和商店，它能不能做得足夠快、足夠準，并持續進入更多行業和地區？

先別只看機器人長什么樣

人形機器人依然是 WAIC 現場的人氣選手。

類人的身體結構，讓它更容易進入按照人類尺度設計的環境，接近現有貨架、工作臺和工具。觀眾也能迅速讀懂它伸手、轉身、搬運等動作。

但把視線從單臺機器人移開，具身智能面對的本體遠不止人形機器人，還包括工業機械臂、雙臂輪式機器人、半身人形機器人等多種形態。它們面向不同的工作空間、負載和效率要求，很難用一種身體包辦所有任務。

工業生產線通常關注速度、精度和長時間穩定運行；物流場景需要考慮移動范圍和負載；商超貨架空間有限，商品又軟硬不一，對環境感知和精細操作提出了另一套要求。

機器人進入哪個場景，往往就會長成更適合那個場景的樣子。

梅卡曼德提出「智能大于形態」，關注點隨之落到機器人真正干活時調用的底層能力上。

無論機器人采用怎樣的本體結構，真正開始工作后，它們都要完成幾件相似的事：看清環境，理解任務，判斷下一步做什么，規劃移動和操作方式，再驅動機械臂、夾具或靈巧手完成動作。

在展臺上，無論是雙人形機器人協同作業、貨架取貨，還是高速小零件上料，本體形態和目標物雖然不同，但都要調用環境感知、任務理解、動作規劃與執行控制等底層能力。

這就是梅卡曼德提出的「一腦多形」：身體根據場景變化，以通用具身大腦為核心的「眼腦手」體系，則通過標準化組件適配不同機器人本體。

沿著動線走一圈，就能看到同一組智能能力怎樣裝進不同的身體里。

換了身體還不夠，換個現場也不能從頭開始

適配不同機器人本體，只完成了第一步。真正進入物理世界后，機器人還要面對源源不斷的變化。物品可能換包裝、換材質，擺放姿態沒有固定規律；貨架深度和隔層結構各不相同；一句任務指令，也可能臨時增加新的條件和分類規則。

在海量物體分揀單元中，數百種食品、日用品、文具、玩具和工具被隨機擺放。人形機器人首先要從海量真實物體中識別出不同物品、理解它們所屬的類別，再按照自然語言指令完成分類；當盒子標簽被臨時更新后，還要理解新的分類規則并繼續分揀。

這里考驗的并不只是能否理解一條分類指令，還包括能否泛化識別海量真實物體，并把自然語言、物體類別和場景標簽轉化為可執行的分揀策略。

機器人面對的變化，還包括一些更難感知的物體。

透明物體泛化抓取單元里，目標換成了透明瓶體、透明或半透明包裝等物品。玻璃和透明塑料在商超、醫療、實驗室和日常生活中十分常見，但透明材質容易給視覺成像和目標定位帶來困難。

通過透明物體 AI 成像與泛化抓取算法，機器人要識別高度透明的物體，判斷位置和姿態，并生成抓取方案。適用對象還包括鹽水袋、透明試管、噴霧瓶和水瓶等形狀、包裝和透明程度各不相同的物品。

https://mp.weixin.qq.com/s/SSPP3wiNm8VtvpGuemyAQA

貨架取貨單元又加入了空間結構的變化。

觀眾完成下單后，人形機器人 Mech-Movix 自主移動至貨架前。現場模擬了真實商超環境，貨架和貨柜類型多樣，商品的擺放方式也并不固定，商品包括飲料、零食和玩偶等不同類型。

機器人首先需要理解訂單，確認需要拿取的商品；到達貨架后，通過 3D 視覺感知貨架結構、商品位置和周圍空間；具身大腦進一步規劃取貨路徑與操作方式，再由靈巧手伸入有限的貨架空間，完成精細操作和穩定拿取。

一袋柔軟的零食、一個玩偶和一瓶飲料，對手部姿態和抓取方式的要求并不相同。貨架隔層、商品朝向和周圍障礙發生變化，機器人的操作路徑也要跟著調整。

三個單元把任務、物體和環境的變化擺到機器人面前。海量物體分揀既考驗機器人對海量真實物體的泛化識別能力，也考驗其對新指令和分類規則的理解；透明物體抓取考驗復雜材質下的感知與操作；貨架取貨則要求系統在有限空間中完成環境理解、路徑規劃和精細動作。

這些變化共同指向具身智能中的泛化：換一個物體、換一種擺法、換一句指令，已有能力還能不能繼續工作。

機器人進入新現場時，需要重新開發的部分越少，通用能力才越有機會轉化為部署效率。

從會做到能用，還隔著工業硬指標

WAIC 展臺上，機器人的每次演示，都可能引來一圈觀眾舉起手機。進入工廠后，圍觀的人少了，節拍表卻會一直盯著它。

高速小零件無序上料單元中，一筐五角螺母尺寸小、姿態隨機，彼此堆疊和遮擋。機器人需要從雜亂料筐中識別每一個零件，判斷哪些目標當前適合抓取，再自主規劃抓取姿態和運動路徑。

選定目標之后，系統還要控制機械臂準確到達抓取位置，穩定取出零件，并放到指定位置。整個流程包括視覺感知、目標選擇、抓取規劃、運動執行和放置，單件時間小于 2.4 秒。

現場看到的是五角螺母，實際應用中還會涉及螺栓、螺釘、金屬圓環等不同工業零件。工件尺寸、形狀和堆疊狀態發生變化，機器人仍要在高節拍下持續工作。

梅卡曼德表示，這類應用已經在汽車零部件、工程機械、家電和新能源等行業批量部署。

另一處單元把目標換成了多規格超薄鈑金件。工件極薄、結構精密，系統既要完成精準定位和穩定抓取，還要針對不同規格調整操作方式，在滿足效率要求的同時，實現亞毫米級裝配精度。

線束插頭柔性抓取與精密裝配單元，考驗的是另一套功夫。線束屬于柔性物料。它在料框中的形態不固定，被機器人抓起后還會繼續下垂、彎曲和變形。插頭插接又要求機器人準確對位，并控制接觸過程中的力度。

https://mp.weixin.qq.com/s/SSPP3wiNm8VtvpGuemyAQA

位置出現偏差，插頭可能無法順利進入；施力過大，也可能損傷元器件。

演示過程中，機器人需要完成線束抓取、插頭對位和柔順插接。高精度視覺持續提供位置數據，自適應運動控制則處理線束形變、對位偏差和接觸力度等細微變化。

整套任務最終實現亞毫米級精準柔順插接。相比一次抓取，這是一段更長的自動化閉環。前一步的執行結果會直接影響后一步，機器人需要在任務進行過程中持續感知和調整，直到完成插接。

據梅卡曼德透露，這套高精度柔性裝配方案已在汽車電子、3C 電子、半導體和家電等精密制造行業實現批量復制與規模化應用。

開放場景和工業現場由此給出了兩張不同的考卷。商超等環境中，商品、貨架和指令持續變化，機器人需要處理物體泛化、空間適應和任務理解；工業現場則把這些能力放進明確的硬指標中，要求系統達到生產所需的速度、精度、穩定性和連續運行能力。兩類場景共同檢驗「眼腦手」能否形成完整、可用的能力閉環。

展臺上的演示，也因此多了兩種觀看方式。既可以看機器人會不會做，也可以看它能否在工業指標和環境變化中持續完成任務。

27000+ 套產品，標準化要經過多少種現場檢驗

展臺上的一次演示，大多在幾分鐘內完成。機器人進入真實工廠后，要面對的是以月和年計算的連續運行。工件批次、環境光、物料姿態、生產節奏和工藝流程都會變化，現場還會不斷出現實驗室中難以窮舉的長尾問題。

梅卡曼德披露，其具身智能「眼腦手」相關產品已經在全球累計落地超過 27000 套，服務超過 100 家《財富》500 強客戶，覆蓋汽車制造、物流快遞、新能源鋰電、3C、半導體、鋼鐵、工程機械和醫藥等行業。公司還在美國、日本、韓國和德國等地設有子公司和團隊，產品持續進入不同國家和地區的產業現場。

進入不同國家，系統接受的檢驗也不只來自算法。不同市場的產品認證、生產工藝、設備接口、交付流程和服務要求并不相同。梅卡曼德的產品已進入近 50 個國家和地區，并在慕尼黑、東京、芝加哥、首爾等地建設本地團隊，覆蓋銷售、交付、培訓和售后服務。對標準化產品而言，全球化意味著同一套底層技術架構要在更多產業體系中接受認證、交付、運行和服務能力的綜合檢驗：它既要能夠工作，也要能夠合規交付、快速部署并被長期維護。

規模一上來，現場問題也會迅速變多。

汽車零部件可能存在金屬反光、無序堆疊和規格變化；物流現場需要處理不同尺寸、材質和包裝的物品；精密裝配關注位置誤差、接觸力度和工藝節拍；重工業環境還可能伴隨粉塵、高溫等復雜條件。

一套標準產品要在這些條件下反復接受檢驗。哪些能力可以直接跨客戶、跨行業復用，哪些環節可以通過配置完成適配，哪些長尾問題還需要繼續優化，都會在部署過程中逐漸變清楚。

標準化也在一次次真實應用中逐漸形成：穩定、重復出現的能力被沉淀為產品組件，軟硬件接口和交付方式逐步統一，一個現場積累的經驗，也能被復用到下一次部署中。換一家客戶、進入另一個行業時，團隊可以從已有產品能力出發，處理新的工藝要求。這個過程既考驗前沿技術，也考驗產品量產、工程交付和全球服務能力。

規模化部署解決的是產品如何走進更多現場；要讓這些現場反過來提升通用能力，還需要統一的模型底座和迭代機制。

面向物理世界的具身原生通用基座模型，用于在統一底座上沉淀不同物體、任務、本體和行業之間的共性能力。在具體項目中，則可以從已有能力出發，通過配置和適配滿足差異化需求，減少進入新場景時重復開發的成本。

基座模型解決的是能力如何復用，真實場景的數據飛輪解決的則是能力如何持續變強。部署規模越大，系統遇到的反光、遮擋、形變、油污和隨機堆疊等長尾問題越豐富；這些現場反饋推動模型、算法和產品迭代，能力提升后又支撐產品進入更多場景。

梅卡曼德將這一過程概括為數據飛輪：場景反饋推動 AI 模型和產品優化，產品能力提升，再支撐更多落地。

支撐這 27000+ 套產品的，是統一的「眼腦手」底層技術架構和標準化產品體系；而它們在不同國家、行業和工藝環境中的長期運行，也持續為這套體系提供現場檢驗。它的通用邊界，正是在這些現場中被一遍遍測試和拓寬。

結語：身體各不相同，但智能正在走向通用

人形機器人、輪式機器人、工業機械臂和其他本體，還會繼續進入各自適合的場景。工廠、倉庫、商店和家庭提出的任務，也不會變得完全一致。

具身智能規模化面對的關鍵問題，由此逐漸清晰：當機器人換一副身體、換一種物體、換一個環境和任務時，感知、理解、決策、規劃和操作能力能夠保留多少。

一次演示可以呈現機器人學會了什么。大規模部署更關心的是，這些能力能否被沉淀為標準產品，進入新現場后繼續使用，并在真實效率和精度要求下穩定運行。需要重新開發、重新調試和重新積累的部分不斷縮小，機器人進入更多行業的速度才有機會不斷加快。

今年 WAIC，梅卡曼德展示的正是這樣一條路徑：以一套通用的「眼腦手」能力，賦能多種機器人形態進入不同場景。