我和僵尸有个约会2

像素支架无线充电器：价格昂贵且不可靠_我的网站

A |     新智元报道          上海世博展览馆，WAIC 2026，H1-A530展位前围了三层人。1月13日：谷歌去年发布的Pixel3手机成为首款支持无线充电的Pixel3手机。因此，谷歌已经建立了一个新的无线充电器，像素支架。然而，充电器并不便宜。外国媒体GSM Arena今天发表了一篇第一手的文章，说79美元（约534元）的价格使其成为市场上最昂贵的（无线）充电器之一。然而，充电器确实带来了一些听起来很酷的功能。         最抓眼球的是入口处的「零售区」。像素支架带来定制的用户界面。当Pixel3手机放在PixelStand上时，手机屏幕会一直打开时钟，并显示Google助手智能助手、时间表、任何可以播放的歌曲，甚至实时专辑功能。一个观众随手在点餐台下了单。当醒来时，特殊提示功能也会逐渐点亮显示屏。谷歌还声称，像素支架支持快速充电，这已被测试非常接近插入式快速充电器。然而，外国媒体得出的结论是，这些听起来很不错，除了像素支架很少像承诺的那样工作。几秒钟后，机器人「听到」了指令，头顶的「眼睛」一扫，灵巧手伸进塞满饮料的货架层里，精准抽出目标瓶子，转身送到前台。         工业区更热闹：两台人形机器人在「搭班干活」——一台搬运料筐，另一台从筐里抓取工件精准放到指定位置。

B | 外国媒体说，充电器从11月开始销售，之后你可以看到关于充电器问题的投诉报告。         旁边展示直接挑战了机器视觉领域公认的「老大难」——透明物体识别。这些问题包括屏幕上缺少通知、实时照片模式无法正常工作以及充电器充电不快。

C | 去年11月，谷歌发表声明称正在努力解决这个问题。透明瓶子、塑料袋包装、反光饮料罐混在一起，对传统相机来说几乎是「隐形」的，但这台机器人看它们跟看积木似的，抓得又快又稳。但两个月后，用户问题仍然存在。

D |          这是2026年7月的上海，WAIC开到第九年。据国外媒体报道，像素支架的主要问题之一是快速充电功能“不可靠”。当手机放在充电器上时，应立即开始快速充电。但在某些情况下，快速充电永远不会启用。今年具身智能第一次与智算并列为两大核心赛道，超过200家具身智能企业到场，人形机器人几乎挤满了整个展馆。

E | 此外，有时手机会很快充电，但一段时间后充电会很慢。         但在这片热闹里，有一家公司做的事有点「反常」——它不造机器人。有时在每种模式下都需要几分钟的时间反复切换。相关问题涉及设备的硬件和软件，很难消除。         回过头看刚才的画面：货架取货的是人形机器人，高速抓取的是工业机械臂，线束装配的又是另一种形态。值得注意的是，Pixel3和Pixel3XL是唯一两款可以验证上述问题的手机，因为只有这两款手机才能在PixelStand上实现快速充电。

F | 像素支架可以为支持Qi标准的设备充电，但在非像素3或像素3 XL手机上使用时，它不会快速充电。         形态不同，任务不同，物体更是千差万别——布偶、螺母、透明瓶子、柔性线束。外国媒体认为，像素支架仍然是一个非常酷的配件，但谷歌真的不应该花这么长时间来处理这个问题，因为它涉及一部799美元的手机和一个79美元的充电器。         但它们表现出来的能力却是相似的：都看得清环境，都理解任务，都能规划动作、精准执行。         为什么？答案不是梅卡曼德造出了一台「万能机器人」，而是：它造机器人的「眼睛」「大脑」和「手」，然后把这一套装进不同的身体里。

G | 就像安卓不造手机，但可以让所有手机都能跑同一套系统。

H |          智能大于形态     机器人不会只有一种身体          全行业都在问：具身智能的终极形态是什么？很多人回答「人形机器人」。但这个逻辑有问题。         工厂要的是快准稳的机械臂，人形反而笨重；仓库要的是能满场跑的轮式机器人，两条腿不如轮子效率高；便利店要在货架间穿梭的服务机器人，全尺寸人形连转身都费劲；家庭场景更不用说——橱柜下面那点空间，你让一米七的机器人蹲下去够东西？          不同环境天然需要不同的身体，用一种形态解决所有问题，就像用一把螺丝刀拆所有电器——理论上也许行，实际上一定不行。         梅卡曼德创始人邵天兰在达沃斯世界经济论坛上说过：物理AI不指向某一种具体形态，而是一套通用能力。         真正决定机器人有没有产业价值的，不是它像不像人，而是能不能快速适应复杂环境、完成真实任务、用足够低的成本实现部署。

I |          所以梅卡曼德的策略是「一脑多形」：同一套「眼脑手」，装进人形机器人、双臂轮式机器人、半身人形机器人、工业机械臂都行。

J |          身体百花齐放没关系，脑子得是同一颗。         这颗「大脑」到底长什么样          Mech-GPT多模态大模型是整套系统的核心，不只是个听懂人话的聊天模型。         给它一句「把货架第二层左边那个蓝瓶子拿过来」，它得先弄清你要哪个瓶子，再用「眼睛」看清现场，然后把这句话拆成一串动作：移到架前、伸手、抓稳、退出、送到前台。         难的是现场随时在变。瓶子被碰歪、位置偏了、冒出新障碍，大脑就得当场改计划。         所以这颗「脑」至少干四件事：理解任务、感知环境、规划行动、监督完成——把「想做什么」「现场什么样」「下一步怎么走」「做完没有」串成一条闭环。         这就是物理智能和文本智能最大的不同：答题，打完字就结束；干活，只有瓶子真拿到、工件真放准、插头真插进，才算完成。         比如，现场Mech-GPT多模态大模型的人机交互单元演示。观众走到屏幕前，用自然语言跟机器人「聊天」——你可以随口说「把积木按顺序排好」，它听得懂、想得明白、做得到。

K | 不是固定的语音指令识别，而是真正理解你在说什么、你想干什么。         播放          下一个          打开循环播放          00:00     /     00:00          倍速          3.0X     2.0X     1.5X     1.25X     1.0X     0.75X     0.5X          多音轨          AirPlay          0          静音播放中，点击 恢复音量          画中画          网页全屏          全屏          你可以 刷新 试试          视频信息     1.33.6          播放信息 上传日志 调试信息 [X]          视频ID     VID     -          播放流水     Flowid     -          播放内核     Kernel     -          显示器信息     Res     -          帧数     -          缓冲健康度     -          网络活动     net     -          视频分辨率     -          编码     Codec     -          mystery     mystery     -          按住画面移动小窗          再说「手」。光知道该做什么还不够，还得做到。世界动作模型配合新一代Mech-Hand灵巧手，把高层指令翻译成抓、捻、拿、握、敲、插接等精细动作。WAIC现场亚毫米级线束装配，就是「手」的极致体现。         最后说「眼」。高精度3D视觉加上透明物体成像算法，让机器人在复杂光线、杂乱料框、狭窄货架中精准识别物体的位置、形状和材质。         传统算法面前一个玻璃杯和「什么都没有」差不多，但梅卡曼德的算法能把透明瓶子看得清清楚楚。         一句话：眼睛看清世界，大脑理解任务，手把想法变成动作。三者合在一起，不是某台机器人的专属技能包，而是一套通用智能底座。         通用性和泛化性不是口号，要靠难题来证明          「通用」和「泛化」在AI行业快被说烂了。梅卡曼德在WAIC上的回答是：你说「通用」和「泛化」，我用场景验证。         跨形态——同一套智能进入人形机器人、双臂轮式机器人、工业机械臂，形态不同，都能干活。         跨物体——不只认识规则工业零件，还认识几百种日化、食品、玩具、文具，连透明的、柔软的、反光的都能识别。         在WAIC现场的分拣单元，面前堆了几百种乱七八糟的物体——日化用品、文具、水果、蔬菜、玩具、零食——十几种类别，机器人一件件拿起来，扫一眼，准确丢进对应的分类框。         跨环境——深筐、货架、流水线、狭窄空间都能应对。         跨任务——搬运、分拣、装配、取货、协同作业，不需要每换任务就从头开发。         但更关键的是硬指标。

L | 工业客户不关心动作帅不帅，就看核心指标：速度、成功率、精度等。

M | 高速抓取单件小于2.4秒，线束装配亚毫米级，双机协同全程无人干预——这说明梅卡曼德展示的不是实验室Demo，而是接近真实生产要求的系统。         比如，现场中一只机械臂在杂乱料框里高速翻找，每抓一个五角螺母不到2.4秒。你还没看清怎么定位的，零件已经稳稳落在传送带上。         真正的护城河：从1套到27000套          具身智能有一个残酷真相：让机器人成功表演一次不难，难的是换工厂、换国家、换物体后，还能快速上线稳定运行。难的不是Demo，是部署。         邵天兰说过一句很实在的话：问题不在硬件。速度、精度、负载、成本，今天的机器人都够用了。真正限制规模化的，是部署难度。         真实工业环境里，一套系统要稳定跑起来，往往得机械、电气、方案、软件、AI一大帮工程师折腾几周甚至几个月。

N | 这种「手工作坊」式交付没法复制，成本摊不下来，最终「算不过账」。

o |          梅卡曼德的解法是用标准化「眼脑手」组件，打通「感知—决策—规划—执行—数据反馈」的完整闭环，尽量减少人工调试。         而部署量够大后，一个更强的机制开始启动——数据飞轮。机器人在汽车、物流、锂电、3C、家电的真实产线上，每天都在遇到新物体、新光线、新任务：          大规模应用产生真实数据→数据提升模型泛化性→模型降低部署难度→更快进入更多行业。         飞轮一旦转起来，后来者追赶的难度是几何级增长的——你追的是一个越跑越快的对手。

p |          而这套能力的规模，早已不只在国内。截至目前，梅卡曼德全球累计部署超过27000套产品。         能在完全不同的工厂标准、机器人品牌、集成商体系里都稳定落地，靠的不是把货卖出去，而是十年、27000套一个个磨出来的兼容性。         27000套，不是27000次演示——每一套都在真实产线上跑着。         全球化不是卖货     是一种综合能力          「全球化」不只是把产品卖到海外。真正难的是：能不能适应不同国家的工厂标准？兼容当地主流机器人品牌？跟当地集成商体系打通？提供及时的本地服务？这考验的是研发、标准化、交付和服务的综合能力。         梅卡曼德覆盖近50个国家和地区，服务100多家《财富》世界500强客户，国内细分领域连续6年市占率第一。它在美、日、韩、德都设有团队，能适配市面上几十个品牌、上千个型号的机器人，欧美日韩主流市场市占率领先。         这是用十年时间、27000套部署一个个磨出来的兼容性。         正如邵天兰所说——出海不仅仅是一项任务，更是一种能力。能在全球不同市场做到标准化交付和规模化部署，本身就是技术成熟度和产品化水平的证明。

q |          物理AI不是一场表演赛，而是一场部署能力、数据积累和产品标准化的马拉松。在这条跑道上，27000套已经跑完的路程，就是最好的简历。         编辑：大卫 所罗门。

Current article:http://d5dy8gl.zhenzongtingrangunhongqiusao.shop/hj1/20260826/2386694.html

Published on:03:27:06