AI落地機器人，如何在慢賽道里快起來？ | 甲子光年

越是在慢賽道，快，越重要。

做者 | 火柴Q、楊逍
編輯 | 火柴Q

火了3年，AI看起來在全面降溫。

在2018年的Gartner技術成熟度曲線中，刺激此輪AI熱潮的表明性技術——深度學習（Deep Learning）已到了泡沫頂峯，可能須要2至5年才能進入最後的穩定發展平臺期（Plateau of Productivity）。

前幾年大熱的一輪輪AI熱門落地方向各自面臨困境：

金融、醫療市場，數據難拿；以視覺技術爲主的安防看似紅海，但收入中，基礎設施佔比大，技術服務佔比小；語音和語義的to C音箱等賽道須要更大銷量自證，to B客服等賽道亟待擺脫外包處境；此前被樂觀期待的自動駕駛面臨技術、倫理雙挑戰。

從消費互聯網的3年上市到行業AI落地的細水長流，但願押出下一個偉大公司的一級市場也陷入迷惑：風口再也不，價值難尋。

而在市場氣氛低迷的2019年，一個以往並不最在風口浪尖的領域——面向製造業、物流等生產環節的智能工業機器人賽道卻逆勢而上，紅杉、高瓴、高榕、晨興、啓明、順爲等頭部機構紛紛加碼：

2月，AI工業視覺公司阿丘科技獲君聯領投的A+輪融資；

4月，協做機器人公司節卡機器人獲賽富領投的B輪融資；

7月，智能機械臂公司Agile獲來自高瓴、紅杉、天智航、線性的Pre-A輪融資；

上週五，以實現「pick anything, place anywhere anyway」爲目標的初創公司XYZ Robotics獲高榕、晨興領投的A輪融資。

本週一，工業機器人智能化公司梅卡曼德宣佈獲英特爾投資。

本週二，機器人本體廠商艾利特獲國中創投領投的B輪融資。

連續三個工做日，都有機器人公司發佈融資消息，賽道熱度可見一斑。

據IT桔子數據，2018年智能工業機器人賽道的投資案例爲66起；而截至7月，今年上半年的投資事件已達43起。

創業公司以外，ABB、發那科、西門子等機械臂、工業自動化傳統強者，阿里、京東等科技巨頭，海康、商湯、曠視等其餘賽道AI頭部公司也紛紛佈局這一領域。

然而，細分賽道回暖之下，各玩家仍面臨工業領域的一個嚴峻規律：

這個行業重資質、高門檻，圍繞類似新方案競爭的全部人，都面臨相同的時間窗——誰能率先落地，積累案例，就會逐漸把慢一拍的人越甩越遠。

本文，「甲子光年」要介紹的案例是在昨日宣佈獲英特爾投資的梅卡曼德。這已經是繼4月獲啓明創投A+輪融資後，梅卡曼德在今年的第二輪融資。

在目前的工業機器人智能化賽道中，梅卡曼德已率先進入規模化落地階段：

創立近3年來，梅卡曼德已得到了包括華爲和數家知名整車廠在內的衆多汽車、家電、鋼鐵、物流等行業的頭部客戶；並進一步擴展至醫院、銀行金庫等商業場景。

英特爾投資中國區總經理王天琳告訴「甲子光年」：「梅卡曼德真的是花了時間、精力趟坑，取得了比較理想的階段性成果。工業行業很難作，能獲得這些級別客戶的承認，很不容易。」

機械臂傳統巨頭川崎機器人中國技術部部長鈴木敏幸也告訴「甲子光年」：「梅卡曼德是他見過的智能視覺技術作得最好的公司。」

本文，「甲子光年」實地走訪了梅卡曼德部分客戶的生產線現場，採訪了其終端客戶，集成商、機械臂廠家等合做夥伴，梅卡曼德創始人、一線技術和銷售人員，以及多位關注該賽道的投資人，探尋深刻物理生產場景的「Physcial AI」如何落地。

機器人智能化的商業進展，能爲AI與傳統場景的結合帶來新可能嗎？

1.熱潮來臨

在這次深刻工廠的採訪中，「甲子光年」在梅卡曼德服務的某中國著名家電廠商車間裏看到了這樣一幕：

長達4小時的現場溝通中，身穿灰藍廠服的車間負責人話頭一直沒停，他拉着梅卡曼德創始人邵天蘭在各個產線上來回穿梭，一個點、一個點地過需求，除了雙方已在合做的某空調部件裝卸項目以外，這位負責人接連提到，產線上還有搬運上料、折彎、塗膠等大量須要機器替代的環節。

實際上，這家家電廠商從7年前就開始探索產線的自動化、智能化改造，並在2015年設立智能裝備子公司，生產機械臂、數控機牀等產品。

如此功夫背後，是目前中國製造業痛點的一個縮影：人力成本攀升已成爲遏住製造業發展的關鍵瓶頸，機器換人需求強烈。

據國家統計局數據，2007年到2018年，製造業的平均工資已翻了近3倍。

明顯的拐點發生在2012年，中國勞動年齡人口規模較上年減小345萬人，是新中國有統計數據以來的首次降低，此後7年，這一數字又連續降低，到2018年已跌破9億。

同時，嚴苛的環境加之枯燥的重複性勞做，讓90後、00後對工廠望而卻步。

在走訪汽車主機廠和其零部件工廠時，「甲子光年」也親身體驗了沒有空調的車間裏難耐的悶熱，和即便戴着專業口罩、耳塞也沒法徹底阻絕的綿延噪音與化學加工劑氣味。

工廠常常有錢也招不到人。上述家電廠商就曾嘗試直接把大巴開到山區「抓壯丁」，但效果不佳；生產旺季，有些工廠還會打出「高薪兼職」的廣告，但應者寥寥。

而也是在2012年先後，供給側也迎來了拐點：

柔順控制和以深度學習爲表明的AI等技術，在學界醞釀數十年後，到了商業落地的臨界點，這爲改造自上世紀60年代誕生以來，少有革命性變革的工業機器人領域帶來了全新可能。

具體變化表如今，深度學習、3D視覺、自主規劃、柔順控制等技術的發展，讓本來主要經過編程實現設定動做的機械臂有了更好的「眼睛和大腦」，增長了環境感知和複雜規劃能力，可處理更靈活的任務。

這些智能化技術的出現，讓「爲自由而生」的機器人進一步靠近了靈活性和適應性更強的人類。

這一改過去，工業機器人的最主流應用場景被限制在製造業中環境相對固定的衝壓、焊接、噴塗、物料搬運、碼垛等環節的狀況，爲機器人進入更多製造業細分領域，和向製造業以外的物流、商業場景滲透帶來了廣闊空間。

好比，近年來就已出現了一批聲稱要將機器人用來作披薩、作漢堡、疊衣服的創業公司。

3D相機以及AI視覺算法的進步使機器人有望處理物體種類極爲多樣的快遞分揀等複雜場景。（梅卡曼德供圖）

需求強勁加上技術突破，全球在2012年迎來了一波「智能化機器人熱潮」：

Amazon於當年收購機器人公司Kiva Systems；
Google在2012到2013年間，一口氣收購了包括波士頓動力在內的9家機器人公司；
貝佐斯從2008年起連續8輪投資了機器人公司Rethink Robotics；
郭臺銘也在2012年宣佈，富士康要在3年內打造「百萬機器人」；
軟銀孫正義曾在多個場合說：30年後，會有100億機器人與100億人類共同生活。

這股熱潮在2016年先後刮到了國內一級市場：

據IT桔子對2017年上半年AI領域投資狀況的統計，智能機器人的融資事件最多，約佔投資總數的28%。

一批智能機器人新公司紛紛成立，如庫柏特（2016）、梅卡曼德（2016）、非夕（2016)、阿丘科技（2017）、Agile（2018）、XYZ（2018）等。

新創公司以外，各路巨頭也涌入賽道。

其中既有ABB（瑞士）、發那科（日本）、安川（日本）、庫卡（德國，已被美的於2017年以40億歐元收購）、西門子（德國）等機械臂或工廠自動化領域的傳統老牌企業。

也有阿里、京東等互聯網科技公司。如達摩院、菜鳥人工智能事業部、京東AI研究院都在進行與機械臂或AGV（搬運機器人，可用於物流自動化場景）直接相關的研發。

甚至海康、曠視等其餘AI領域頭部公司也已進入該賽道：海康在2016年成立海康機器人，主打機器視覺和物流機器人（主要是AGV）的結合；曠視在2018年收購AGV公司艾瑞思，成立曠視機器人，並於今年1月推出機器人網絡協做大腦「河圖」，還在發佈會上宣佈要投入20億，加速智能機器人落地。

2.等一聲水花

資本加持，各路新老公司入局，一時熱鬧非凡。

但2016年至今，從賽道總體狀況看，工業機器人智能化的發展仍落後預期，大部分公司還處於從demo到落地，打磨種子客戶的階段。

曾在2017到2018年，接連投資慧靈、珞石、非夕等工業機器人本體公司（即本身生產機械臂的公司），對機器人智能化亦有深刻觀察的前順爲資本執行董事孟醒告訴「甲子光年」，落地慢，主要是當初的兩個設想並未實現：

設想1：工業機器人的滲透率能快速上升，並從製造業進入別的場景

現實：雖然2018年以前，從採購量看，中國已連續5年成爲全球最大的工業機器人市場，但在2018年後的經濟下行中，各企業對機器人的採購意願有所回落。

設想2：機器人智能化公司可經過抽取共同需求，開發出通用的抓取等軟件包，以高複用的標準化產品服務大量客戶。

現實：落地時，因爲製造業場景很是碎和多元，實現高複用很難，許多公司在真正下水賺錢時，又把本身搞成了集成商。

落差背後，是新技術在工業、生產領域落地的3重難點。

難點1：對前沿AI技術和行業經驗的雙重需求VS市場上缺少擁有綜合能力的團隊

在機器人智能化領域，真要打磨出可用的產品，須要團隊既掌握AI視覺算法等前沿技術，又瞭解製造業、物流等場景的真實需求。

老牌玩家有行業認知優點，但較難補足基因和技術短板。

懷有技術的創業公司則必須克服經驗不足、對行業瞭解不透的問題。

投資了梅卡曼德、優必選機器人、曠視科技的啓明創投投資人周志峯告訴「甲子光年」，他從2013年開始關注這一賽道，還沒有看到行業老兵在工業機器人的智能視覺引導技術領域作得好的案例。

「新一代年輕人更敢探索基於深度學習的智能技術，而懂這些技術的人又大多優先選擇了金融、互聯網等高薪行業，致使工業領域尤爲缺少創新人才。」周志峯說。

難點2：工業場景對穩定性的高要求VS先進新技術落地時須要磨合期

若是說AI在智能音箱、新零售等商業、消費領域落地已然不易，那麼工業、生產場景就面臨更大挑戰。

這次「甲子光年」在多家工廠車間裏看到了大量質量控制看板，和諸如「不收不良品、不作不良品、不出不良品」的質量標語——工業化生產，是一個容錯率低、對穩定性要求高的場景。

當互聯網行業大談敏捷開發和快速試錯時，工業領域談論的是精益生產[1]和六西格瑪[2]。

當互聯網行業追求高MAU(月活用戶）時，工業領域追求的是高MTBF（平均故障間隔時間）。

這就不難理解，製造業的許多客戶很是保守：它們看重技術供應商以往的服務經驗、已有案例和存續時間。

而新技術的落地，必然會在初期經歷與實際場景的磨合期；車間惡劣的物理環境：如粉塵、溫度溼度、電壓不穩定、電磁干擾等又進一步提高了達到穩定性的難度。

邁過這道坎的助力是目前各行業客戶在人力成本壓力下的強需求，但也考驗着團隊能不能抓住機會。

尤爲是對創業公司來講，客戶給的機會每每只有一次。

難點3：客戶需求多樣VS技術公司對邊際成本遞減的追求

工業場景還有一個特色是需求很是碎片化，這是致使孟醒所說的高複用性設想落空的緣由之一。

而做爲在研發上高投入、高成本的技術公司，爲長遠發展，必定要追求邊際成本遞減的模式，實現「Make Once，Sell Many」。

如何在多元的需求中抽取核心功能併產品化，如何進一步沉澱服務能力和經驗是突破這一難點的關鍵。

重重困難之下，在今年上半年的「新聞不斷」以前，市場對工業機器人智能化賽道經歷了較長的觀望階段。

英特爾投資王天琳告訴「甲子光年」，他們從2017年就開始關注這一領域，當年夏天接觸了剛剛成立不久的梅卡曼德，但直到2019年初才以爲時機成熟：

「AI要在中國工業領域落地，太不容易。咱們目前出手的只有梅卡曼德，這也和英特爾的投資風格有關，一個細分賽道里，咱們通常只會投一家公司。」王天琳說。

市場都在等，等那一聲水花：

看行業裏誰先用本身的石子，真正敲開了工廠的大門。

3.撥動飛輪

之因此在第一聲水花響起前慎於出手，是由於行業長期觀察者都明白一個道理：越是在慢賽道，快，越是重要。

由於「慢」背後對應着一系列客戶行爲方式：謹慎、保守、對已有方案粘性高、替換成本高。

英特爾投資王天琳就提到了一種微妙心態：

「大型工業企業的採購部門，在面對年輕公司時會觀望，觀望時間可能比咱們作投資都久。由於仍用原有方案，不換不是錯；但換了作很差，就是你的問題。」

機器人四你們族（ABB、庫卡、安川、發那科）平均歷史長達106年，172年的西門子更是比全聚德還老17年。

若是不是新技術帶來新機會，新玩家很難無緣無故地切入工業、生產場景。

而反過來，這種市場特質也意味着，一旦有人率先突破客戶，就會把後來者越甩越遠；並且在製造業、物流等生產場景，「先行者」席位向來很是有限，全球範圍內，將來可能只會容納3到5個大型公司。

因而，賽道全部玩家頭上，都懸着一個緊迫的時間窗，對本身不掌握場景的創業公司來講尤爲如此。

跳不過去，就會困於惡性循環：

初創，服務案例不足→算法能力、穩定性、服務經驗得不到真實場景打磨→很難打動客戶→繼續沒有案例。

因此，整個賽道「看過了太多demo，看過了太多video，卻迷失在落地中每一次無果的測試」。

而一旦抓住願意嘗試的種子客戶，並在服務中創建口碑，突破了時間窗，就能撥動正向飛輪：

逐漸積累案例→在真實場景中沉澱算法、提高穩定性和服務經驗→打動更多客戶→得到更多案例。

這就是爲何，行業裏的第一聲水花尤其重要。

7月中旬，「甲子光年」就捕捉到了水花的一點側影：

在某中國知名汽車廠商的零部件車間裏，兩臺重載機器人正經過梅卡曼德的3D相機和算法，對各類零部件自動進行打膠做業。現場工人可經過梅卡曼德的圖形化操做軟件Mech-Viz自行添加新種類的零部件，過程當中無需編寫任何代碼。

而就在5米以外，一羣穿着罩衣的工人正在進行人工打膠——這是該廠處理這道工序的傳統方式，但近年來，因爲熟練工人減小，操做不規範、效率低等問題日益嚴重，該廠終於啓動了自動化改造。

這只是今年以來，梅卡曼德進行的50多個應用項目之一。

邵天蘭向「甲子光年」展現了他們從2018年至今的客戶pipeline，從2019年開始，訂單量增速明顯加快，基本每週都會有新客戶落單。

這些客戶主要分佈在3大領域：
製造業——汽車主機廠、汽車零部件生產、家電、鋼鐵、食品、高鐵軌道部件生產等
物流——自動倉、快遞中轉中心等
其餘商業領域——醫院、銀行金庫等

核心場景包括拆碼垛、上下料、定位引導/裝配、分揀等。

梅卡曼德應用的部分場景舉例

目前，梅卡曼德也已開始出海——他們已在德國開設分公司，並在日本本土經過了前期驗證，得到了海外市場訂單。

今年6月，梅卡曼德自主研發的Mech-Eye智能相機經過了CE(歐洲)、FCC（美國）、VCCI（日本）三項重要認證，這將爲切入十分重資質的海外市場打下基礎。

成立不到3年的梅卡曼德在機器人智能化賽道率先砸出水花，跳過期間窗，拿到了下一階段的比賽入場券。

其投資人周志峯認爲，梅卡曼德已開始進入從1到10的規模化發展階段。

最新一輪的投資人英特爾也是在看到批量客戶落地後，終於在今年初結束了長達18個月的觀察：

「別的公司大多處於更早期階段，落地案例不夠多，梅卡曼德已開始思考規模化發展，落地經驗豐富。」王天琳說。

邵天蘭本身如今最在乎的問題，已再也不是從0到1的打標杆客戶，而是從1到10的批量交付。

2019年上半年，梅卡曼德團隊擴大了近一倍，大量的交付任務，對年輕團隊的考驗很是大。

好在，梅卡曼德從成立第一天起，就在打造一個核心武器，這也是他們能撥動正向飛輪的關鍵。

4.核心武器

在「甲子光年」此前發佈的《從華爲的冬天到AI的冬天》一文中曾提到，AI to B項目落地的一大困境是，對高級算法人才長期駐場的需求和此類人才數量少，駐場成本高、意願低之間的鴻溝。

因此看似高大上的AI公司，在落地時，很容易變成實質上的外包公司。

這一方面致使成本高昂，公司沒法規模化發展，甚至難以實現收支平衡；另外一方面致使服務、產品的經驗沉澱不到產品上，而是跟着我的走，難以共享。

讓梅卡曼德能較好解決這一問題的，是在3D相機、視覺算法、規劃算法這些顯而易見的「剛需」部分以外，功能上彷佛沒那麼「剛需」的圖形化機器人編程軟件Mech-Viz。

以往，工業機器人領域處於「各說各話」的巴別塔狀態。在爲機械臂設定任務時，工程師須要用示教器或離線編程方式進行專業操做，還得掌握多門語言。

對相對簡單的傳統機器人任務，這種編程方式尚可接受；但當機器人更加智能後，衆多子系統要與算法進行復雜配合，傳統編程方式愈來愈不可行。

而徹底圖形化操做的Mech-Viz兼容了十幾種品牌的機械臂編程語言，可以讓最終使用者在不寫代碼的狀況下，經過拖拽模塊快速設定和更改任務，大大下降了使用難度和學習成本。

Mech-Viz界面

這也是爲何，在前述汽車廠商的現場，只有兩位梅卡曼德工程師。

邵天蘭告訴「甲子光年」，這是如今梅卡曼德服務客戶時的標配狀況：在絕大多數客戶現場，他們只有一到兩位調試人員。平均調試時間也從成立之初的數個月降到了目前的一至兩週（典型複製性項目）。

造訪工廠的第二週，「甲子光年」又在梅卡曼德北京總部，體驗了Mech-Viz對前方做業狀態的遠程可視化復現。當時，一位工程師正在協助處理華南某大客戶的現場需求。

「若是使用傳統的機器人編程方式，來作這種包含深度學習、3D視覺、抓取規劃、路徑規劃的項目，工程師極可能得去客戶那兒幫着寫代碼。」邵天蘭說。

因此，看起來不是剛需的Mech-Viz實際上採是規模化交付的利器：

它既減小了梅卡曼德本身的駐場和後期維護成本，也能提高客戶一線人員的使用體驗，減小客戶的工程師成本。如梅卡曼德的合做夥伴，某機器人拆碼垛領域最大的集成商之一就提到，使用梅卡曼德的產品後，他們的調試速度比過去壓縮了一半。

更重要的是，Mech-Viz爲公司提供了積累、沉澱經驗的通用軟件平臺。

若沒有這個平臺，服務客戶的各類細碎經驗——如不一樣場景的物體碼垛、抓取規劃方式等——會散落在寫了幾千行代碼的示教器或某個現場老師傅的腦海中，雁過無痕，沒法成爲產品持續進化的營養。

「這個積累是公司能往前走的基礎。」邵天蘭說。

但一個問題是，既然新一代機器人編程軟件好處良多，爲何賽道里其它玩家不作？

邵天蘭的回答是：要麼沒認識到，要麼沒作好。

從公司成立第一天起，梅卡曼德就在作Mech-Viz，對其的優化、迭代一直持續到如今。

這首先源於邵天蘭對機器人智能化落地的認知，在他看來，機器人的智能化能夠被劃分爲3個維度：

更高的感知——源自傳感器和算法技術的進步
更高的規劃能力——源自運動規劃技術的提高
更優的人機交互方式——須要新一代工業機器人軟件系統帶來全新編程方式

從最終的客戶價值出發，是更復雜的自動化需求，要求機器人具有更高的感知能力；而更高的感知能力又會帶來更復雜的規劃要求，即靈活根據環境調整運動方式；兩者疊加，又會使工業機器人的複雜度大大提高，這就須要更簡化的人機交互方式。

梅卡曼德的產品恰好對應着這3個維度：3D相機、視覺和規劃算法，以及Mech-Viz。

而第二步，意識到重要性後能不能作到，則須要攻破兩個關鍵點：

一是產品定義——就像智能手機未出現前，不多有人能想象它的最終形態，更不要說在工程上實現。雖然不少公司都能作一個圖形化的界面，如Rethink的Intera 5，但每每只能作demo，很難設計出真正能應對多變實際需求的產品。

二是湊齊軟件、算法和行業認知三重能力——沒有軟件和算法能力，可能連demo都作不出；但要真正可用，還須要能洞察共通需求的領域知識，不然沒法把多元的工藝要求拆解、抽象成軟件核心模塊。

前後從清華軟件學院和慕尼黑工大信息學院畢業，並在德國機器人公司工做過的邵天蘭有技術和工程上的積累，他惡補領域知識的方式是大量跑現場。

在正式創業前，邵天蘭用近3個月時間集中拜訪了一批工廠和集成商；直到如今，這還是他工做中的重要內容，實地走訪過的各地客戶現場已達上百個。

把本身定位爲公司最大產品經理的邵天蘭要在現場確認兩件事：

一是看場景是否具備技術可行性；二是看需求是否具備商業價值，是否可泛化；

除了創始人本身跑前線，梅卡曼德整個公司對需求把握亦有一套方法。

市場夠大、技術可達、投入產出比可計算是主要的判斷標準。

梅卡曼德的高級大客戶經理康晨輝告訴「甲子光年」，在決定進入家電、汽車、物流等場景前，團隊曾作過細緻分析；整體而言，正在進行自動化改造或已完成半自動化改造的行業是最佳選擇。

意識到位、技術實力和對現場需求的敬畏，支撐了梅卡曼德對Mech-Viz的研發和持續優化；並能在同時服務數個客戶時，仍較好規避沒法交付、案例失敗的狀況。

相比更有可能陷入同質化競爭的硬件和算法，機器人軟件上的持續積累和迅速增長的實際案例經驗已成爲梅卡曼德的重要優點之一。

習慣掃描賽道各公司的英特爾投資王天琳告訴「甲子光年」，在他們實際考察過的這類工業機器人智能化玩家中，除了梅卡曼德，還沒有看到有人作出真正可用的相似工業軟件。

Mech-Viz以外，邵天蘭認爲梅卡曼德的另外兩個優點是綜合技術能力和工程能力。

綜合技術能力表如今產品上，是方案的完整性。

與梅卡曼德合做，服務國內某頭部通訊設備廠商的某集成商在採訪中說：「梅卡曼德整個系統包含校訂、機器人接口、碰撞檢測等流程，而不少廠商只作一部分，好比3D定位，還須要額外作不少工做。」

邵天蘭認爲，梅卡曼德不是相機公司，也不是視覺算法公司，而是一個像自動駕駛公司同樣有綜合能力的公司，有本身的3D相機，視覺、規劃算法，軟件，具有比較完整的機器人智能能力。

而工程能力，是一種構建包含多種硬件、軟件、算法的複雜系統，並使其能在不一樣場景中魯棒、靈活、易用、可拓展、易排錯的能力。

這是創業公司在服務種子客戶時，抓住「惟一一次機會」的關鍵，表如今產品上就是穩定、安全、耐用。

中國汽車零部件機器人自動化領域最大的集成商之一金沙數控副總經理趙愛國告訴「甲子光年」，在金沙與梅卡曼德合做的一個機牀裝料項目中，梅卡曼德的產品確實知足了客戶「不出錯、不停機」的要求：

「從今年春節後到如今，咱們在料倉上用得很穩定，包括料的換型、平常抓取、相機的識別精度、對不一樣光線的適應性等都比較強，目前爲止沒出過問題。」

中國郵政技術人員也在採訪中表示，在包裹分揀場景的自動化改造中，他們曾前後與5家公司接觸，其中不乏業內資深公司，但只有梅卡曼德一家走到了最終測試層面，並給出了很好的結果。

有了過硬的產品基礎，在具體商業打法上，梅卡曼德的原則是「被集成」——儘可能少作集成項目，以供應方角色與集成商合做，更快落地更多場景。

這是由於工業、生產領域的需求很是碎片化，若是想成長爲某環節的重要玩家，必定要以大量場景量餵養本身的技術能力、行業認知和化需求爲產品的抽象能力。

而本身作集成商，容易讓眼前收入分散公司精力，拖慢落地速度，顧此失彼。

近3年來，整體來看，梅卡曼德發展得較有節奏感；但在工業巨頭、互聯網科技巨頭和其餘視覺領域跨界玩家扎堆入局的狀況下，邵天蘭的危機感一直很強：

「你看咱們作得比較好，那是由於咱們一直在拼命向前跑。必定會出現強勁的對手，只是我還不知道在決賽圈會遇到誰。」

5.刺激戰場

「不知道在決賽圈會遇到誰」，源於機器人智能化也像諸多AI賽道同樣，正面臨複雜競合。

對賽道總體狀況比較保守的孟醒提到，在這個領域創業，很是頭疼的一點是「上下游都在作你作的東西」。

直接夾擊機器人智能化廠家的上游玩家是機器人本體廠商，其中既包括百年巨頭如四你們族等，也包括中國本土的一批挑戰者，如新鬆、埃斯頓等；他們內部都有視覺算法研發團隊。

下游則包括各自佔據細分場景的大量集成商，和在工業自動化領域深耕多年的工業巨頭如西門子、GE等；並且在一些地區，如日本本土，四你們族本身也是集成商。

這些上下游玩家的優點是客戶經驗強；但在算法、軟件上的研發能力有限。

以開發新型機器人編程軟件爲例，「甲子光年」從歐洲某著名工業機器人廠商前員工處瞭解到，該公司曾在一項劍指下一代機器人操做系統的大計劃中，嘗試研發新一代編程軟件，但近十年的投入後，仍未推出可規模應用的產品。

並且現在，在多年波瀾不驚的工業自動化領域以外，又集結了一羣牆外的窺伺者。

第一類是手持黑科技利器的互聯網巨頭。

如Google在2013年連收9家機器人公司，一度掀起全球機器人熱潮。

2018年起，Facebook AI團隊也在機器人技術上動做頻頻，其研究涉及六足機器人、Replica真實感訓練數據集和Habitat模擬引擎，並在今年6月開源了與卡耐基梅隆大學合做的機器人編程新框架PyRobot。

騰訊在2018年3月成立機器人實驗室「RoboticsX」，探索人工智能、機器人本體、自動控制等7大技術，但目前仍未公開產品。

能夠看到，這些科技巨頭的取向更靠近前沿研究，有吸引頂級算法、軟件甚至硬件人才的優點；但目前來看，彷佛尚無推動商業落地的明確時間表；將來若是要真刀真槍加入競爭，則短板是對工業製造業缺少行業認知和客戶積累。

第二類在牆外探頭的人就認真多了——是一樣掌握AI視覺技術的其餘公司。

典型表明是海康、曠視、商湯。

在商湯官網上，可看到他們在覈心技術中已列出了工業機器人智能化技術。

商湯官網信息

雖然目前商湯在這一領域沒有公開的落地案例信息，但不排除將來這家獨角獸的新動做。

而海康機器人和曠視機器人，都已有在物流場景實際使用的AGV解決方案，和極智嘉、快倉等公司造成了直接競爭關係。

最後一類「牆外漢」很值得注意——他們同時擁有技術和場景。

2018年末，亞馬遜曝光了本身的自動化倉庫方案。

在這先後，國內掌握了物流場景的科技巨頭——阿里、京東也都有類似動做。

在這些科技公司設想的將來自動化倉儲系統中，包含了很是綜合的技術：

一是硬件層的機械臂、3D相機、交叉分揀帶、AGV等設備；二是使硬件智能化的各種軟件、算法系統，如視覺檢驗、混合碼垛、無序分揀及聯動數臺AGV的中控系統——在菜鳥無錫倉，已能實現對700臺AGV的同時調度；三是涵蓋從倉儲到揀貨、打包、分揀再到出倉全流程的智能化決策、管理系統。

2017年，阿里曾宣佈要在將來5年持續投入1000億，實施「新零售和物流全球化」計劃，而包括倉儲、轉運、分撥中心等在內的物流自動化、智能化改造會是其中重要一部分。

大幕拉開，好戲就要上演。

四十多年來波瀾不興的工業機器人領域，在短短5年間，倏忽從承平日久進入戰國時代。

將來的競爭，關鍵仍是看誰能率先落地，撥動正向飛輪。

回到源頭，撬動此次大變革的是以AI爲主的新技術。

AI的三駕馬車是算力、算法、數據。

到今天，算力層，基礎設施日臻完善，除少數自研芯片的玩家，算力不足以成壁壘；算法層，頭部企業之間很難造成差別化，算法也不足以護城池。

惟可一戰的就是數據。

誰家的數據都不是大風颳來的。數據來自場景：對沒有數據積累的初創公司來講，產品落地，數據量才能起來。業務和場景裏的真實數據，才能養出一個健康發展的AI公司。

圍繞場景方，將來以上各玩家和最終客戶之間，會造成競爭、合做兼有的縱橫關係。

如在阿里、京東乃至三通一達宏大的物流自動化設想中，徹底本身包圓全部技術和方案可能很是不經濟，這就有外部供應商發展的機會——好比天貓超市的倉庫與曠視機器人有合做；菜鳥無錫倉則與AGV創業公司快倉有合做。

同時，機器人智能化公司也與研發能力受機制和主營業務限制的機械臂老牌廠商、集成商有普遍合做，這也是目前行業的主流現狀。

但無論是與話語權強的大客戶合做，仍是與技術實力不俗的互聯網巨頭聯手，都多少有些「笑裏藏刀」的意味；說不定哪天，阿里就搞出本身的AGV硬件了呢？

6.終局

不過，在可能發生的刺刀見紅的競爭以前，全行業面臨一個共同瓶頸——機器人自己的滲透率。

自2013年取代日本成爲全球工業機器人銷量最大的市場後，中國工業機器人銷量增速持續處於高位。

但自2018年下半年開始，經濟下行、製造業不景氣，中國工業機器人銷量首次萎縮，整年總銷量爲13.5萬臺。

寒潮之下，危中有機。

首先，當機器人硬件銷量下滑，各廠商會進入價格戰，這時，提高產品溢價的智能化技術能反而能與機器人廠商之間有更多合做。

其次，不景氣時，最早被淘汰的是落後產能，它們本就不是智能化等先進產品的主要目標客戶。

在整個行業瘦身、下蹲後，機器人銷量可能像2008年金融危機後同樣，出現報復性反彈。

第三，智能化技術有潛力解決一些以往不能解決的問題，帶着機器人進入更多場景：這既包括更多工業場景，也包括上文說起的物流，甚至餐飲服務、銀行等商業領域。

最後，從目前已經是全球最大製造業中心的中國宏觀狀況看，中國工業機器人的滲透率還很是低。

據IFR的最新數據，2017年，中國工業機器人的密度是68臺/萬人，排名23，比韓國（631臺）、新加坡（438臺）、德國（309臺）、日本（303臺）差了一個數量級。

決心要在2025年，實現製造業上臺階的中國，將來必定會努力抹平差距。

且中國製造業雖粗獷有餘、精細不足，但體量大、膽子也大，對新技術更有包容度，是全球範圍內智能工業機器人落地的最佳實驗田，沒有之一。

據「甲子光年」瞭解，在百年老廠滿地，各類資質成堆的歐、日、美市場，類似的工業機器人智能化公司多已成立4到6年，起步更早，但大部分仍處於嘗試少許種子客戶的階段；有更多機會被實際場景淬鍊的中國企業，有望後來居上。

再考慮到智能化技術加持下，工業機器人對工業以外領域的適應性，今天的低滲透，就是明天的大機會。

隨着機器人在不一樣區域、場景的滲透程度進一步提高，前奏剛演了一半的這場大秀，將迎來更精彩的劇情。

以技術、產品立足的工業機器人領域向來是全球競爭市場。這個行業裏值得尊敬的技術公司，歷來不是地頭蛇，天生具備海洋性。

新的智能機器人，無論作本體仍是作系統，亦如此。

市場終局很明瞭：新一輪技術紅利事後，硬件層、系統層在全球市場分別剩下3、五個大玩家，足矣。

過程當中的小懸念是：賈史王薛，可否延續家族榮耀？後起之秀又姓甚名誰？

大懸念則是：新技術變革後，全球實體經濟如何洗牌？

自大航海和工業革命以來：西班牙、尼德蘭、英格蘭、法蘭西、普魯士、德意志、美利堅……大國輪番上桌，有人驟起驟落，有人基業長青。

究其緣由，有制度、文化、民族性格；而歸根結底，回到原點——歷史不過是地理在時間上的延續。

面對愈來愈複雜的工業體系，人口、資源受限的小國已被逐漸邊緣化，無力也無心參與全球競爭。

而供給和需求體量都很是大的中國，有潛力在正展開的新技術商業競爭中，得到更大機會。

重新一代AI、IoT芯片到智能機器人、到各層面的AI算法、再到自動駕駛和它背後的激光雷達等硬件，各硬科技細分賽道，如今仍覆揹着一層殘雪，但下一代的全球化科技種子公司，正悄然等着在不久的春天后冒頭。

END.