机等感知技术的进步，使具身物理本体能够实现毫米 级环境感知 ［2］；强化学习、模仿学习、自适应控制等人 工智能算法的发展，让具身智能在虚拟仿真环境中通 过大量试错优化策略，并将经验无缝迁移至真实场 景 ［3］；Vision-Language-Action 大模型的出现，进一步增 强了具身智能的泛化能力，使其能够适应不同的应用 场景 ［4］；分布式协同技术则构建了多智能体协作网络， 提升了群体智能的规模效应 强化学习与自适应控制技术 强化学习是一种通过具身智能物理本体与环境 进行交互，根据环境反馈的奖励信号来学习最优策略 的机器学习方法。在具身智能中，强化学习被广泛应 用于决策和控制，使机器人能够在不断试错的过程中 学习如何在不同环境下做出最优决策，以实现目标任 务。自适应控制技术则使机器人能够根据环境的变 化实时调整自身的控制策略，以保持良好的性能和稳 定性。通过强化学习与自适应控制技术的结合，具身 智能机器人能够在复杂多变的环境中进行自主学习 和适应，实现更加灵活、智能的行为。 2.3 具身大模型 具身大模型是具身智能的核心技术之一，它通过 对大规模数据的学习和训练，使具身智能 agent具备强 大的语言理解、视觉感知和决策能力。具身大模型能 够将语言、视觉、行动等多种模态的信息进行融合和 处理，实现对复杂任务的理解和执行。同时，具身大 模型还具有良好的泛化能力，能够在不同的应用场景 中进行快速适应和学习，为具身智能的发展提供了有

人能够实现高精 度的焊接，保证了焊接质量的一致性和可靠性。 智能化决策：具备自我优化路径的功能，能够根据焊接材料的特性、厚度等因素自动调 整焊接参数，实现最佳的焊接效果。 适应性强：智能焊接机器人能够适应不同的焊接需求，通过更换不同的焊接头或调整参 数，可以完成多种焊接任务。 高安全性：通过精确的控制和监测，智能焊接机器人能够减少操作过程中的安全隐患， 保障工作人员的安全。 和更复杂的焊接任务，如点焊、缝焊、弧焊等，通过精确控制焊接参数和路径，提高焊接质 量和生产效率。 协作机器人是工业机器人领域新的分支，与传统的工业机器人相比，协作机器人更强调 安全性、易用性和灵活性，它们能够适应各种工作场景，通常价格更低，体积更小，对人类 来说更安全。随着制造业对产品多样性和生产灵活性的要求不断提高，以及对工作场所安全 性的日益重视，协作机器人在焊接领域的应用正在逐渐增多，特别是在小批量、定制化和需 智能焊接机器人 vs 传统示教焊接机器人 焊接机器人的发展路径正从传统示教型逐渐发展成“免示教”型，这一过程伴随着智能 化水平的不断提高。因此，智能焊接机器人与传统示教型焊接机器人在技术特性、操作方式、 适应能力和智能化水平上存在显著的区别。 传统示教焊接机器人需要通过示教器进行引导操作，操作者手动引导焊枪沿预定的焊缝 路径移动，同时调整焊枪的姿态和速度，机器人记录下这一系列的动作和位置信息。示教完

Keeping Assistance System 车道保持辅助系统 LCC Lane Centering Control 车道居中控制 ACC Adaptive Cruise Control 自适应巡航控制系统 TJA Traffic Jam Assist 交通拥堵辅助 RCA Reversing Condition Assist 倒车辅助 IPA Intelligent Parking 可以在特定情况下短暂介入车辆控制，以辅助驾驶员 避险。 （2）1 级驾驶自动化（部分驾驶辅助，partial driver assistance）系统能够在特定条件下持续控制车辆的横 向或纵向运动中的一项，具备与控制相适应的目标和事 件探测与响应功能，但驾驶员仍需持续监管系统运行， 并在需要时介入。 （3）2 级 驾 驶 自 动 化（ 组 合 驾 驶 辅 助，combined driver assistance）系统可以在特定条件下持续控制车 案的核心决策仍依赖视觉数据，辅助传感器仅用于补充 特定场景，如近距离盲区、低速泊车等典型场景，更加 适应城区等复杂路况，是在纯视觉方案基础上的补盲， 未来可以达到老司机驾驶水平。三是多传感器融合方 案。多传感器融合方案整合多种异构传感器，如摄像头、 毫米波雷达、超声波雷达、激光雷达等传感器实现环境 感知，各传感器优势互补，对于环境、天气适应性更强， 拥有更高的安全性能，未来可以实现超人的驾驶水平。 图 2-2 传感器场景优劣势对比

368 828 1589 人形机器人拓展应用至商场导购、展览讲解等商业服务场 景，适应具有一定灵活性的服务工作 5290 5845 2026E 4502 5229 2025E 3832 4802 2024 3301 4186 2023 2894 3647 关键零部件产能不足，依赖进口 行星滚柱丝杠，无框力矩电机 制造维护成本高 主流人形机器人售价均超过 40 万元 B 端客户接受度有限 u 受限于产品形态的合理性和内部硬件系统结构， 目前具身智能无法适应多复杂场景的不同需求，人形机器人的市场渗透较低，只能从环境相对封闭， 工序相对简单且标准的场景开始，替代部分的人工。 u 高昂的量产成本与漫长的商业化回报周期使其短期内难以实现规模效益。 2 为此而生，致力于攻克这一难题，推动机器人技术走向更广阔的应 用天地。 如： 四足机器人、双足人形机器人 适应复杂地形 地形探测、救援、部分服务场景 如： 软体机器人、特种形态机器人 模仿自然生物的运动方式，在特定的环 境中执行特定任务 生产排单 灵活性提升 适应更广 快速响应生产线切换和参数调整 适 应当下多品类、小批次的生产 增强执行能力与精度 具备更精准的感知、更强的认知与规划能力

境等全要素的精准管理和智能分析。同时，基于先进的人工智能技 术和大数据分析能力，底座将提供从数据采集、处理到应用的完整 链条，从而为园区管理部门提供科学决策的依据。此外，底座的设 计还充分考虑了可扩展性和兼容性，确保其能够适应未来技术的迭 代和业务模式的创新。 在具体实施过程中，工业园区数字政府领域大模型底座将围绕 以下几个核心目标展开：  构建统一的数据平台，实现多源数据的无缝接入和高效管理；  提供智能 模型层是核心部分，主要包含预训练大模型、领域微调模型和 任务专用模型。预训练大模型基于海量通用数据构建，具备强大的 泛化能力；领域微调模型通过对工业园区特定领域数据的再训练， 提升模型的场景适应性；任务专用模型则针对具体应用场景（如能 耗预测、故障诊断等）进行优化。模型层采用分布式训练框架，支 持多机多卡的并行计算，显著提升模型训练效率。 服务层提供模型的部署、推理和调用能力。该层通过容器化技 接下来，采用分布式训练框架如 TensorFlow 或 PyTorch，结 合 GPU 集群进行并行计算，以加速模型训练。训练过程中，通过梯 度累积和动态学习率调整策略，提升模型收敛速度和训练稳定性。 具体来说，采用自适应优化算法如 AdamW，结合混合精度训练技 术，进一步优化计算资源利用率和训练效率。 为了确保模型的泛化能力，采用交叉验证和早停技术进行训练 监控。通过设置验证集，实时评估模型性能，并在验证损失不再下

PDM 系统 二维设计工艺 有限数字化 有限的仿真 部分自动化设备 部分监控 部分数字化车间系统 现状（ 2.X ） 闭环产品需求 制造智能化 产品智能化 服务智能化 大规模定制 制造自优化 产线自适应 基于网络的过程优化 愿景（ 4.X ） 中国中车股份有限公司 版权所有 2015 智能化制造 6 数字化建设需要分步推进 集成共享基础上的应用 系统建设阶段 基于全生命周期的分 以变量驱 动 的参数化 BOM 智能设计 自定义公式 标准 BOM 模板 客户化需求参数 零件修正 自定义变量 参数化零件 单 C R R C 智能设计实践 2 － 自适应订单 BOM 以特征驱 动 的订单 BOM 自适应设计 销 售 部 门 开 始 产 成 品 满 足 需 求 ？ 否 产 品 展 示 ( 1 ) 技 术 研 发 部 / 工 艺 部 技 术 支 持 标 准 TiBomCenter 产品和解决方案 贯穿产品销售、设计、工艺、档案、生产、车间应用的总体解决方案 建立与 PDM 管理系统相适应的管理规范和机制 原有产品数据的整理、规范化与导入 定制化培训课程，培养重点用户，建立成熟的系统运维团队 建立协同研发管理平台，管控中心业务过程和数据，持续积累设计资产、提升创新能 力 TiEECM

替代和全球布局，营收规模和百强企业上榜数量持续提升，全球竞争力不断增强。 但与此同时，产业规模与利润增速放缓，头部集聚效应加剧，中国企业在全球化能 力、品牌建设、技术突破等方面仍存在不足，企业出海过程中的本土适应、合规管 理、风险应对等挑战日益凸显，未来发展仍需稳中求进，系统提升企业的全球化经 营能力与价值创造水平。 在此背景下，2025年罗兰贝格与《中国汽车报》社再度携手，基于最新百强零部件 企业 计，中国上榜企业2024年营收规模同比增速为9%， 且新增上榜企业数为4家，新增企业数分区域位列第 一，显著优于全球各地区整体表现。增长来源于刺激 内需、出口驱动以及电动智能化趋势下的核心部件国 产替代加速，中国企业快速适应新趋势，积极布局。 美国上榜企业2024年营收规模同比增速为5%，主要 得益于北美汽车供应链回流、本土车企订单稳定等带 动效应。 日韩及欧洲零部件企业普遍业绩受到冲击，主要源于 市场疲软、主要客户新能源转型不及预期、投入无法 传统⻋ 企 主机厂整车开发模式演进 11 资料来源：案头研究，专家访谈；罗兰贝格 外，零部件企业需有效整合单独零部件产品技术，实 现功能域级别的开发配套能力，并具备灵活的跨域 技术融合能力，从而适应不同主机厂的零部件配套 范围差异。 11 2.2 整车自研趋势：自研加深，但回归效率为先的供应 商模式是长期趋势，零部件供应商需同时具备系统技 术能力与灵活合作模式 从智能驾驶到底盘与动力，主机厂与零部件企业正积

2015—2020 年, 制造企业的平均用工人数由 8 711 万人下滑至 6 550 万人,制造业面临着技术工人短缺的问题。 在生产技 术方面,我国许多传统制造企业的生产技术落后,难以 适应现代制造业高效、灵活和智能化的要求。 此外,制 造业作为高耗能和高污染行业,面临着越来越严格的 环保法规和社会责任压力 [1]。 在制造 业 面 临 诸 多 挑 战 的 背 景 下, 人 工 策。 制造业与 AI 的融合还体现在智能化的硬件设备, 如将工业机器人与新兴的 AI 大模型技术融合,形成智 能工业机器人。 与传统的工业机器人相比,智能工业 机器人通常更加灵活、自主,能够适应更复杂的环境, 同时具备一定的运动规划、运动控制和人机交互的能 力。 在国内大模型厂商中,创新奇智的 ChatRobot 生 成式工业机器人,借助工业大模型能力,构建了多模 态、端到端的视觉 企业的职能部门之间协作不畅,难以形成合 力。 研发、生产、供应链管理和市场营销等之间的协作 往往存在障碍。 各部门可能有不同的目标和诉求,导 致技术应用效果大打折扣。 其次,制造业企业的绩效考核机制不适应 AI 技 术,难以激发员工的创新动力。 许多制造业企业的绩 效考核机制仍停留在传统的生产指标和财务指标上, ·47· ���E�����0 难以评估 AI 技术带来的无形价值,如提升效率、改善

借助自然语言处理与语音识别技术的进步，车载交互界 面得以实现更加智能化的人机对话，从而提升用户体验并确保驾驶安全。 通过集成先进的机器学习模型与海量数据集进行训练，智能网联汽车如今已具备了高度自适应的能力，可 以在多变的道路条件下执行复杂的决策任务。例如，在智能辅助驾驶系统中，车辆可基于实时收集的数据流， 运用预测性建模和情境理解来优化路径规划，进而提高行驶效率与安全性。 此外，大数据分 在当今科技飞速发展的时代，汽车行业正经历着前所未有的变革。传统的汽车已经逐渐演变为集成了多 种先进技术的超级智能体，不仅能够实现智能驾驶，还能通过人工智能技术进行自我学习和优化。这种具身智 能特征使得汽车能够更好地理解和适应用户的需求，提供更加个性化、智能化的产品。智能驾驶是汽车具身智 能的核心体现之一，通过集成先进的传感器（如激光雷达、摄像头等）和高性能计算平台，汽车可以实时感知 周围环境，并作出相应的辅助决策， 汽车行业 AI 应用白皮书 总体篇 场景篇 趋势篇 5 图 1 ：汽车行业 AI 应用价值 面对行业变革带来的机遇和挑战，汽车企业需要不断创新其生产经营模式，以适应新的市场需求和技术 发展。传统汽车行业的价值链主要集中在研发、生产、供应链、销售等环节，而未来的汽车企业将通过数字化 和智能化技术，重构这一价值链，实现全生命周期的价值创造。例如，在研发阶段，通过引入虚拟仿真技术和

追溯 视觉成像 传感器 1.3 数字化工厂智能化及产线应用 离散产品生产的特点要求 MES 软件系统能够适应由产品快速变批量、混线生产 和快速响应制造等带来的生产线和业务流程重构的需求：  满足不同型号制造快速变批量生产要求，能够快速调整业务过程；  具有可重构性，能够适应型号研制与批生产结合的混线生产模式；  实现底层信息实时反馈，将车间形成具有信息反馈的闭环控制执行系统； 线边仓库报表 人员产量报表 工时统计报表 任务单欠产报表 缺陷率报表 CPPM 统计报表 生产计划报表 任务单产量报表 报废品统计报表 一套系统，多种语言，适应企 业多国用户同时操作同一业务。 2.29 智能多语言– 适应跨国业务范 围 通过人机对话聊天，即可驱动系统自动学习 分析企业业务数据，找出企业经营难点。 2.30 人工智能 AI– 助力企业数字 化 人