：算力需求 ..................................................................... 21 表格目录 表 1 ：多款智能耳机产品密集推出 ...................................................... 11 表 2 ：Ray-Ban Stories 与 Ray-Ban Meta 对比 .. 13 表 3 ：闪极科技 AI 拍拍镜供应链 .......................................................16 表 4 ：多款 AI 陪伴产品密集推出 .......................................................19 表 5 ：重点公司盈利预测及投资评级（截至 2025/2/19） ..... Friend 智能耳机参数 图 20：Ola Friend 智能耳机 AI 功能 数据来源：Ola Friend公众号，东莞证券研究所 数据来源：Ola Friend公众号，东莞证券研究所 多款智能耳机产品密集发布。2024 年 4 月，国际智能声学品牌 Cleer 发布 ARC3 开放式 耳机，搭载高通 S5 Gen2 芯片，单次续航 10 小时，搭配充电盒续航时间达 50 小时，能 够通过语音控制实现切换歌曲、接听电话等操作，具备

CCID CCID CCID CCID C 5 加强制造业中试平台建设。加强战略急需中试平台建设，围 绕量子、生物、人工智能等前沿产业发展需求，布局一批中 试平台，促进新技术新产品密集验证与落地转化，提高产品 性能、功能和质量可靠性水平，促进自主产品迭代升级。三 是制定促进国货国用的相关政策。动态编制发布科技创新成 果产品手册，促进优质“国货”推广应用，鼓励政府、军工、 CCID C 8 政策和行动计划，推动构建产业、科技、金融、人才高水平 循环的集群产业生态。二是有序推动产业梯度转移。按照市 场导向、政府引导、自愿合作方式，引导劳动密集型产业重 点向中西部劳动力丰富地区转移，促进技术密集型产业向中 西部和东北地区中心城市转移。三是建设产业大后方。以备 战备灾谋复兴为方向，以事关国家经济稳定、产业安全、民 生保障的领域为重点，发挥国家动员能力，激发地方活力潜

在后期的阶段，装置成熟的 量产规模明显提升，多数化工产品已经实现了装置的规模化改造和升级。相比于其他行业， 化工的制造业属性非常明显，无论是前端的资源开采提炼，还是中端的能源加工，行业的 整体的资本密集属性相对明显，其中规模化、一体化、协同布局的企业表现更为明显，在 新的技术工具能够对行业形成影响和优化的过程中，化工企业需要同时兼顾现有经营稳定、 综合考虑产出投入比，同时还需要有技术对接落地的可能，在前期 行业的竞争力发生明显的改善。 从近几年的发展来看，我国的竞争优势从前期低人力成本、政策驱动的资本投入向产业链 配套和综合型市场进行升级。在 90 年代开始，我国化工行业从技术引进到规模放大，借 助前期化工制造的资本密集和劳动力密集性的特点，形成了初期的相对优势，挖掘需求市 场的潜力，奠定了初期的发展优势。而经过了 20 多年的时间，我国在大多数产品领域基 本实现了有效的产品供给，能够满足自身需求的基础上进一步海外供给，更为关键的是形 和成本，进一步扩展至丰富品类和提 升产品差异化属性，进一步缩小和海外龙头企业在终端产品体系、平台体系，以及基础研 究的数据体系的差距。 技术引进 国产替代 产品输出 20年 20年 资本密集+劳动力密集 低成本优势+政策带来 的资本优势 规模效应 充分挖掘市场潜力 产业链优势：上下游 互为赋能 工艺设计、生产设备、 安装建造、原材料配 套、催化辅材等 人力成本低、 政策驱动

向数据中心、游戏、移动设备、 汽车电子等市场发展。公司 GPU 产品能够并行计算的性能优势满足深度学习需求，通过对 GPU 架构升级不断推出新产 品，其运算性能得到显著提升，广泛 用于数据中心等计算密集领域。 请务必阅读正文之后的免责声明及其项下所有内容 复盘英伟达的 AI 发展之 路 英伟达业务模式拟打造成类似于计算堆栈或神经网络，包含硬件、系统软件、平台软件和应用四层，公司结合芯片、系统和软件的全栈创新能力构建加 l 英伟达（ NVIDIA ）成立于 1993 年，总部位于美国加利福尼亚州圣克拉 拉， 是一家人工智能计算公司。公司作为加速计算的先驱，由最初专注于 PC 图 形计算，扩展到了各类重要大型计算密集型领域。公司利用其 GPU 产品和架 构为科学计算、人工智能（ AI ）、数据科学、自动驾驶汽车 （ AV ）、机器 人、元宇宙和 3D 互联网应用创建平台。 l 截至 FY23 （各财年截止日为 能够进行并行计算，其架构本身较为适合深度学习算法。因此，通过对 GPU 的优化，能够进一步满足深度学 习大量计算的 需求。公司通过对 GPU 架构升级而推出的相关产品，其运算性能得到显著提升，广泛用于数据中心等计算密集领域。 数据中心 GPU 算力不断提升，生成式 AI 变革初期就与 OpenAI 、微 软合作 请务必阅读正文之后的免责声明及其项下所有内容 图：微软超级计算机 图：英伟达赠送 OpenAI 第一台

超节点可通过资源池化与软件定义架构的深度融合，将 CPU、NPU、内存、存储等物理资源 解耦为可独立调度的资源池，根据任务特征自动调整各类型资源的配比比例：在计算密集型任务中 提升 NPU 与内存占比，在访存密集型任务中提升带宽与显存资源占比，在存储密集型场景中增加 CPU 与存储资源配额。 例如，大模型训练场景中，需分配更多的 NPU 资源；推理场景中，则需要更高的带宽与显存资源； 互联网推荐场景中，样本解析、特征处理任务对 资源灵活配比 (Flexible Resource Allocation): 超节点通过资源池化和软件定义架构，将 CPU、NPU、内存等物理资源解耦，并根据任务特征自 动调整各类资源的配比。例如，为计算密集型任务增加 NPU 占比，为推理场景增加网络与显存资源。 RAS (Reliability, Availability, and Serviceability): 即可靠性、可用性与可服务性体系。在超节点中，RAS

采用 FP8 混合精度训练技术，不仅极大地加快了训练速度，还大幅降低了 GPU 内存的消耗。基于低精度训练领域的成熟经验，开发人员构建了一个适用于 FP8 训 练 的混合精度框架，其中大部分计算密集型任务以 FP8 精度执行，而关键操作则保持原有精度，以确保数值稳定性和训练效率之间的平衡。结合 FP8 训练框架， 能够将 缓存激活值和优化器状态压缩至低精度格式，进一步减少了内存占用和通信负载。 过少量高质量思维链 (CoT) 示范数据进行模型初始化，有效缓解基础模型在初始训练阶段的波动性。 2 ）面向推理的强化学习。和 DeepSeek-R1-Zero 方式相同，但引入了语 言一致性 奖励，对推理密集型任务进行特别优化。 3 ）拒绝采样与监督式微调。使用已训练的 RL 模型来生成新的训练数据，通过构建推理数据和非推理数据提升模型的通用能力。 4 ）全场景 强化学习。为了同时平衡推理能力和通用 NVIDIA TensorRT-LLM 和 NeMo 框架创新相结合， 加速大语言模型和专家混合模型的推理和训练；与上一代 H100 相比，使用 Blackwell 架构的 GB200 NVL72 将资源密集型应用程序（例如 1.8T 参数 GPT-MoE ） 的速度提高了 30 倍。 表：英伟达数据运算 GPU 主流产品性能 请务必阅读正文之后的免责声明及其项下所有内容 随着芯片架构不断演进，英伟达

年，韩国公布了《人工智 能国家战略（2024-2025）》，重点投资人工智能研发，推动人工智 能在医疗、交通、教育等领域的广泛应用。 机器人与人工智能的结合在国家政策层面被提出。自 2016 年起， 中国密集出台关于机器人和人工智能的政策，2023 年以来，国家层 面开始强调二者融合发展。2023 年 1 月，工信部等十七部门发布《“机 器人+”应用行动实施方案》，提出发展基于工业机器人的智能制造 4），各行业应用场景分布见下图（图 5）。 图 4 88 个“机器人+人工智能”案例行业分布图 15 图 5 各行业“机器人+人工智能”应用场景分布 1、汽车：关注精细生产、高效物流和外观检测 汽车产业是资本密集型和技术密集型产业，对机器人的算法先进 性和硬件稳定性要求较高，也是当前机器人使用最多的产业。从产业 链来看，汽车产业可分为汽车零部件和整车制造，整车制造又可分为 冲压、焊接、涂装、总装等环节。

-23 支持双端偶极子天线，全 向识别方向性能更佳 出厂写码 S-EPC，只读不 可写； 极简应用，减少标签写码 环节 性价比极高，成本超低 超低成本诉求的抛弃型应 用。 适应于复杂堆叠、密集群读 的场景，满足零售、包裹、 仓储货物等高难度识别与群 读应用。 KE2006 96 96-128 无 -19.5 支持单端偶极子天线，兼 容性极强，成本低 图书 / 档案、智能制造、资 产管理等 此外还有部分“智慧物流”、“降低物流成本”等间接的政策。 市场驱动力 中国头部的快递企业都在积极的拥抱 RFID，不断在探索与验证 RFID 方案的投资产出比。 行业需求度 经济需求 1、快递物流是一个劳动密集型的产业，需要大量的人力，如通过技术手段减少人力的投入对于经济价值体现明显。 2、提升仓库的周转效率，可以降低仓储成本。 3、降低损耗与赔付等。 管理需求 1、可以让用户与快递公司都可以了解快递包裹的实时位置与动态 16.3 市场小结 1、这个市场虽然不是耗材型市场（我们对这个市场的更新周期预计为 10 年），但因为总量大，整体来说也是一个很 不错的市场。 2、这个市场因为 RFID 标签的尺寸很小，且很密集，整体的项目实施难度比较大，在我们已知的方案中，还会结合其 他的数据源一起使用，达到项目的要求。 IOTE 2026 深圳展 2026 年 8 月份 参展联系：陈先生 18676385933 53

�� ( 重要系统db配置 ) ( PROXY硬件规格 ) �� MySQL的线上业务OLTP，处理高并发访问的业务，一般属于IO密集型的业务，所以选择E系列的 CPU更好一些。 MySQL非线上的业务OLAP，低并发数据处理数据分析，一般属于CPU密集型业务，所以选择I系 列的CPU。 主板选择性能模式 如DELL服务器的iDRAC（Integrated Dell Remote Access States（C状态），启用或禁用处理器在所有可用电源节能状态下运行，建议关闭（默认启用）。 �．硬件优化 �）CPU选型 �）BIOS 设置 IO密集型： 可以处理多并发的CPU类型，特点是核心 数量较多，主频中等Intel E系列。 CPU密集型： 可以处理高性能计算的cpu类型，主频非 常高，核心数量中等Intel I系列的。 �� 建议万兆及以上网卡。使用bond或者team技术的链路聚合模式或主备模式。

；就落 地速度而言，尚不成熟的教育大模型落地，仍需学生思考和辨别能力的加持、以及相对明确统一的 评估标准支撑，各领域、场景、学段落地情况各有差异。 同时需要警惕的是，AIGC技术具有显著的资源密集和依赖特点，而教育是一项社会公益事业，事关 人的发展权，教育福祉应尽可能地保证公平和均衡。如何防止强势资源的相互吸引和马太效应的加 剧，是教育界需要共同面对的问题。 mWiXpYcX9U 软件增值服务、硬件整体售卖、MaaS服务、AIGC技能培训是主要的商业模式，各厂商根据模型 及算力、教育业务理解、教育数据等竞争要素的差异，在行业中分据而立。展望未来竞争态势， AIGC技术具有显著的资源密集和依赖特点，大力出奇迹的暴力美学路径已被行业所验证，未来格 局仍会以有着多类型资源积累的大厂占据主要份额，创新企业可以依据特定场景深入理解而切入， 但若没有自主大模型仍然会受制于人。同时，通用大模型与教育垂类大模型的关系，正向着各司 上限，大模型的竞 争归根到底是数据的竞争，数据的好坏决定模型的好坏，进而决定用户的使用体验和学习效果，这需要企业在教育行业深耕多年才 能形成自己的数据护城河。展望未来格局，AIGC技术具有显著的资源密集和依赖特点，大力出奇迹的暴力美学路径已被行业所验证， 未来格局仍会以有着多类型资源积累的大厂占据主要份额，创新企业可以依据特定场景深入理解而切入，但若没有自主大模型仍然 会受制于人。 来源：公开资