出海启示：人形机器人产业链出海现状与启示 2. 回顾更新：2025全球人形机器人量产现状 & 2030展望 3. 聚焦思考：2025全球人形机器人企业能力评估模型 4. 假设展望：未来3-5年各类画像企业成长曲线、商业模式 5. M2具身智能研究院 - 赋能具身智能全产业链企业持续增长 M2 2025 Proprietary and Confidential All Rights Reserved. 出海启示：人形机器人产业链出海现状与启示 2. 回顾更新：2025全球人形机器人量产现状 & 2030展望 3. 聚焦思考：2025全球人形机器人企业能力评估模型 4. 假设展望：未来3-5年各类画像企业成长曲线、商业模式 5. M2具身智能研究院 - 赋能具身智能全产业链企业持续增长 M2 2025 Proprietary and Confidential All Rights Reserved. 出海启示：人形机器人产业链出海现状与启示 2. 回顾更新：2025全球人形机器人量产现状 & 2030展望 3. 聚焦思考：2025全球人形机器人企业能力评估模型 4. 假设展望：未来3-5年各类画像企业成长曲线、商业模式 5. M2具身智能研究院 - 赋能具身智能全产业链企业持续增长 M2 2025 Proprietary and Confidential All Rights Reserved.

移动机器人和无人机技术的成熟度曲线（Gartner hype cycle for mobile robots and drones technologies）（见图 12）和 2024 年供应链执行技术的成熟度曲线（见图 13）。 19 图 12：2024 年 Gartner 移动机器人和无人机技术的成熟度曲线（来源：Gartner【17】） 图 13：2024 年 Gartner 供应链执行技术的成熟度曲线（来源：Gartner【18】） 年的供应链执行技术的成熟度曲线，接着它又 将“仓库中的数字孪生”增加到 2020 年的供应链执行技术的成熟度曲线，从此开启了物流 利用数字孪生技术的高级仿真。经过多年的实践和研究（这两项技术都保持在 2021 ~ 2024 年 Gartner 的供应链执行技术的成熟度曲线上，并逐渐成熟），隨着人工智能技术的发展， 物流逐渐向智能仿真的方向发展。在 2024 年 SCE 技术成熟度曲线【18】中，五项新技术

类全新的调节资源形态 [11]。 此外，在能源互联网和多能融合背景下，还需构建统一的算力负 荷模型与运行行为描述机制，使电力系统能够识别并预判算力运行对 供能系统的影响。例如，通过建立动态计算功耗曲线与任务类型映射 关系，可实现算力负载在不同工况下对电网功率变化的预测响应，从 而纳入系统级调控模型中。 标准体系建设是推动算力设施参与电力市场交易和辅助服务的 前提。应制定涵盖算力设备状态感知、任务调度接口、电量与功率反 扩展性与可调控性 数据与服务层 提供任务预测、电力动态分析、碳排监测等数据 支撑，赋能智能化平台运行 平台核心功能模块主要包括四个方面：一是算电资源映射模块， 通过构建算力任务特征与用电曲线之间的对应关系，实现资源配置的 精准化；二是多方协同调度模块，支撑网络运营商、算力服务商、电 力能源企业的信息互通与策略联动，提升整体系统响应能力；三是碳 排放监测与控制模块，借助传感与数据采集技术，实时掌握不同计算 柔性空间。通过接入虚拟电厂聚合平台，用户侧算力设备可根据市场 第九届未来网络发展大会白皮书 算电协同技术白皮书 45 电价信号提交可调负荷能力，并在电力现货市场中申报参与出清。系 统可根据节点的历史运行曲线、服务等级、能耗特性等参数，对其调 度能力进行动态评估与量化，形成可交易的负荷资源。 图 4-4 算力能源交易模式图 在调度过程中，虚拟电厂平台作为中介聚合方，承担起算力资源 的预

尚未完全整合，但行业已具备执行预测性智能 维护、高效能源调度、自动设备优化以及提供 个性化用户服务的能力。 » 新型电力系统（FPS）：这是理想的阶段。在这 一阶段，电力基础设施面向未来，领先于电力 需求曲线，并与国民经济的宏伟目标保持同步。 在这一阶段，电力行业已实现上下游电力部门 的无缝整合，即发电、输电、配电以及电网储 备能够根据实时电力需求和供电自动适应负荷 波动 ；实现可再生能源的容量最大化与优先调 而转化为行动。例如，处于新型电力系统阶段的国 家使用边缘智能终端，并利用 LTE/ 光纤等现代连 接技术实时收集更多关于电网健康和发电的数据， 然后运用云、大数据分析和人工智能来分析用电功 率曲线。此外，他们还会利用现代通信技术 fgOTN 和 IPv6，根据数据分析的结果对电网进行调整。 然而，对于电力行业而言，数智技术的投资类型 非常重要。以仍处于传统电网阶段的国家为例， 哈萨克斯坦的电力企业将人工智能应用于场景分 ICT 支出中数字化支出占比低于 3%。 84 全球数智化指数（GDII）2025 为进入自主金融阶段，国家需要对银行业人工智能 应用进行大量投资。在这一领域，人工智能投资力 度直接影响数智化发展曲线 ；人工智能应用率越高 意味着市场发展水平越高。 发展水平较高的国家在人工智能方面的投资比例超 过 20%（人工智能应用场景渗透率），较其他国家 高出约 3 到 5 个百分点。具体而言 ：

年，相关基础设施投资将接近 7 万亿美元（Noffsinger et al., 2025） 。计算范式正从通用数据中 心转向专为 AI 设计的“超节点”，这正在彻底改变数字基础设施的经济模型与设计理念：资本开支、 能耗曲线、网络与内存比重、运维与可靠性能力，都会被重新定价与重构。 本报告提出并论证：“超节点”将成为 AI 时代的核心计算单元。它通过近乎无阻塞的高带宽互联， 把数十到数百乃至数千个 AI 处理器（本文中提及的 体系，把能效与可用度拉回可持续区间。相较“服务器集群”，超节点代表的是弹性、池化、 开放的系统能力：既能以极致吞吐支撑万亿参数训练，也能以低时延满足企业级大规模推理的刚性 需求。 我们相信，计算将再次成为增长曲线的起点。当超节点把“算力、带宽、内存、能效与可靠性” 整合为一体并可编排时，AI 不只是更强的内容生成器，而是可被工业化复制的认知基础设施。这既 是技术路线的抉择，也是产业组织与国家竞争力的选择题。答案取决于我们今天如何设计并投资下

02 大模型 技术探索 大模型 实践应用 目 录 03 4 人工智能发展历程 5 规模到达临界点之后才会迅速增长 GPT-4 模型参数： 1.8 万亿参数 典型的新技能学习曲线 摘自北京大学 AI 肖睿团队团队作品 大模型参数变化三个阶段 摘自复旦大学大数据教学团队作品 智慧涌现的关键 6 通用模型（ System 1 快思考模型） 推理模型（ System 2

的推理支持了智能问答、个性化推荐等高级功能。Linked Data 项目证明，语义 网方法可使跨机构数据查询效率提升 40%以上。 4．问题与挑战 语义网的规模化应用面临三重障碍：技术层面，RDF/OWL 等标准学习曲线 陡峭，且逻辑推理存在性能瓶颈，难以满足实时需求。生态建设方面，数据标注 与应用开发陷入"先有鸡还是先有蛋"的困境，加之现有 Web 内容缺乏平滑迁移 路径，导致采用率低迷。架构设计上，过度集中的标准体系难以适应领域需求，

025年开始⽣产⼏百 个⼈形机器⼈。中国的⽣产⽐世界其他地⽅更先进，但预计2026年只有1万台机 器⼈。需要时间扩⼤产量。 2. 根据第1点，⼈形机器⼈的能⼒尚未经过验证，技术发展的历史表明，S型曲线初期的发展往往需要时间，尤其是对于硬件。例如，UBTech已在汽⻋⽣产线上部署了⼈形机器⼈，CEO指出它们的效率仅达到⼈类效率的20%49。预计在接下来的1-2年内将达到100%，然后超过⼈类⽔平， 2024年12⽉ 结论 那么，在这份报告的旅程中，我们学到了什么？ 1. 快速技术进步，特别是⼈⼯智能⽅⾯，正在发⽣并⾛到⼀起 。 2. ⼀些市场正迅速崛起（例如清洁领域），⽽另⼀些可能正处于S曲线的低⾕（例如⾃动驾 驶汽⻋）。 3. 消费者可能会欢迎为他们节省时间的AI机器⼈ 从清洁⼯、司机、男仆、看护⼈员到个⼈助理。 4 企业很可能会欢迎可以减少⼈员短缺的AI机器⼈，特别是随着移⺠限制加剧和

etson平台为不同行业客户提供定制化边缘计算解决方案。参考德赛西威和英伟达在 智能驾驶和智能座舱领域展开合作后，二者成为主要业务，智微智能也有望通过Jetson系列芯片在机器人控制领域找到新的增长曲线。 • 智微智能还提供端到端的智算中心全流程综合服务和服务器产品。随着大模型参数规模的不断扩大，计算卡集群的规模也在快速增 加。例如Meta官方披露其使用2个由24000块GPU组成、基于RoCE的AI集群训练Llama3

级的增长需求，同时成本上也很难满足要求。 计算技术的演进与革命 从 2025 年 迈 向 2035 年 的 十 年 间， 计 算 领域将迎来历史性变革——技术演进路径将从 摩尔定律的延伸曲线，逐步脱离传统冯 • 诺依 曼架构的框架束缚，最终催生新型计算范式的 全面兴起。这一变革并非单点突破，而是将在 材料器件、工程工艺、计算架构、计算范式四 大核心层面，协同实现颠覆性技术创新，重塑 数据-模型规模扩展定理双循环， 从单模态到全模态， 训练数据规模超100PB级 自主完成任务时长每7个月翻一倍， 2035年可以完成8年的长时间任务 （如：发现广义相对论） Now S型曲线范式转移 S型曲线范式转移 AGI 与环境数据实时交互，模型实时自演进， 2035年AI进入物理世界创造价值 ， 千倍训练数据量 终身记忆、无限上下文 数字世界映射物理世界 大模型的发展正在经历从“参数竞争”到