（LSTM）等结构的出现，使得CNN与RNN能够 相互融合，形成了更加复杂的模型结构。 CNN 适用于处理空间结构的数据，如图像识别、目标检测、图像分割等。在 这些场景中，CNN能够有效地提取图像的特征，从而实现更好的性能。而 RNN 适用于处理时序关系的数据，广泛应用在自然语言处理、语音识别、机 器翻译等领域。在某些任务中，这两者也可以结合使用，形成更复杂的神经网 络结构，目前 CNN 、RNN 不断演进成熟， 2014年，GAN（对抗式生 成网络）诞生，深度学习进 入了生成模型研究的新阶段。 里程碑事件：2006年深度神 经 网 络 引 入 ； 2012 年 AlexNet ImageNet图像识别 大赛让图像领域飞跃式发展 CNN与RNN架构 GAN架构 Transformer架构 GAN由两个神经网络，判别器与生成器组 成，在生成图像、声音和文本等数据方面表 现优异，应用于样本数据生成、图像生成、 AI认知与应用度 时间轴 • 2012年，深度学习AlexNet 在ImageNet竞赛中夺冠，标 志AI进一步深度学习新阶段 • 2016~2017年，侧重感知智 能的图像技术广泛应用，以人 脸识别代表，诞生商汤、云从 等CV厂商 • 2017年，谷歌团队提出Transformer 架构，以Bert模型为代表，推动NLP技 术发展，也为Decoder-only的生成式 技术打下基础

（LSTM）等结构的出现，使得CNN与RNN能够 相互融合，形成了更加复杂的模型结构。 CNN 适用于处理空间结构的数据，如图像识别、目标检测、图像分割等。在 这些场景中，CNN能够有效地提取图像的特征，从而实现更好的性能。而 RNN 适用于处理时序关系的数据，广泛应用在自然语言处理、语音识别、机 器翻译等领域。在某些任务中，这两者也可以结合使用，形成更复杂的神经网 络结构，目前 CNN 、RNN 不断演进成熟， 2014年，GAN（对抗式生 成网络）诞生，深度学习进 入了生成模型研究的新阶段。 里程碑事件：2006年深度神 经 网 络 引 入 ； 2012 年 AlexNet ImageNet图像识别 大赛让图像领域飞跃式发展 CNN与RNN架构 GAN架构 Transformer架构 GAN由两个神经网络，判别器与生成器组 成，在生成图像、声音和文本等数据方面表 现优异，应用于样本数据生成、图像生成、 AI认知与应用度 时间轴 • 2012年，深度学习AlexNet 在ImageNet竞赛中夺冠，标 志AI进一步深度学习新阶段 • 2016~2017年，侧重感知智 能的图像技术广泛应用，以人 脸识别代表，诞生商汤、云从 等CV厂商 • 2017年，谷歌团队提出Transformer 架构，以Bert模型为代表，推动NLP技 术发展，也为Decoder-only的生成式 技术打下基础

11万像素摄像头。此后，手机摄像功 能的发展速度惊人，从 11 万像素到千万像素，只经历了短短5年时间。  2.0时代：引入算法感知世界，摄像头成为解密信息的钥匙 除了记录和分享生活这一常规应用外，图像识别技术的运用，使摄像头成为解密信息的钥匙。把摄像头对准某一未知事物，就 能得到预想的答案。  3.0时代：3D成像获取三维信息，引领智能交互 3D摄像头具备感知现实世界三维信息的能力。从人机交互模 电子行业2019年春季投资策略 3D带领手机成像进入3.0时代 1.3  苹果引领，安卓快速跟进 2017年苹果发布iPhone X首次引入前置3D成像功能， 实现了高精度的人脸识别解锁、人脸支付和表情包应用， 全面替代了指纹识别，并实现了全面屏。iPhone X的3D 成像功能引起了广泛的好评，2018年苹果新机全面导入 前置3D成像。安卓阵营在经过1年的追赶后，也纷纷发 布搭载3D成像功能的产品，包括小米8探索版，OPPO 电子行业2019年春季投资策略 3D行业趋势：确定性创新，近百亿美元市场打开 1.3  近百亿美元市场开启，4年CAGR高达134% 3D成像对人机交互提升，对消费者的吸引力是和指纹识别同一级别的，且其未来可取代指纹识别，我们判断3D成像的渗透率曲 线将与指纹识别类似。苹果在2017年的OLED版iPhone中率先导入前置3D成像模组，这是整个3D成像行业爆发的起点。2018 年苹果在发布的3款新机中全面导入前置3D成像

目前主流的数字人才定义：岗位胜任能力 数字化技术的飞速发展，相关岗位的技能需求持续演变，仅凭学历或专业背景已难以充分 满足企业的数字人才需求。因此，企业更倾向于依据数字人才在实际岗位上的应用表现和贡献 价值来识别和培养人才，以此评估他们是否能够有效推动数字化创新和转型。 2024 年 7 月，中国电子技术标准化研究院牵头起草的《数字化转型 数字人才技术能力 和培养要求》国家标准正式获批立项，该标准聚焦数字化转型数字人才的技术能力和培养要求， 、数字化公社及北京大学出版社联 合发布了《变数：中国数字企业模型及实践》，提出数字人才能力模型。 数字人才能力模型(Digital Talent Competency Model，DTCM)旨在识别、诊断和 提高企业数字人才相关知识和技能水平，开展数字化大规模培训和发展的易于使用的通用 参考模型。它提供了企业数字化相关角色所需要的 6 大专业能力域、67 个能力项及对应 的水平等级组成的 基 础设施及资源规划、网络规划、解决方案架构、数据架构与管理(16 个能力项) 管理 变革 预测能力、投资组合管理、业务变革实施规划与管理、项目和项目组 合管理、大数据与高级分析、需求识别和管理、业务建模、敏捷创新、 流程改善、组织设计和实施、效益管理、可持续性评估(12 个能力项) 开发 实施 咨询、应用程序设计、应用程序开发、测试、解决方案开发和部署、 数字化内容创作、

现场路线智能调度 • 智能化能源调度 • 料场智能调度 • 燃料水分视觉分析 • 多角度废钢图像 采集 • 废钢智能定级 • 杂质识别 & 扣杂 • 废钢槽编号识别 • 多角度废钢图像采集 • 废钢智能定级 • 杂质识别 & 扣杂 • 废钢槽编号识别 • 皮带胶结头异常检测 • 皮带跑偏检测 • 烧结皮带跑偏检测 • 皮带托辊异常检测 • 分析监测烧结工序物料 成分 • 烧结皮带智能监测 • 烧结烟气 S02 排放在 线预测与控制 • 构建能源消耗预测 • 智能故障诊断 • 挡板位移检测 • 皮带划痕、 撕裂、 跑偏检测预警 • 1球团皮带智能监测 • 生球粒度分布在线 识别 • 球团1颗粒粒度检测 • 球团1现场生产安全 态势感知与预警 • 皮带机预测性维护 • 建立设备健康模型 • 焦化皮带智能监测 • 生产现场动作远程控制 • 焦化现场生产安全态势 感知与预警 炼焦煤分级调湿工艺稳 定协调控制 • 焦化皮带智能监测 • 生产现场动作远程控制 • 焦化现场生产安全态势 感知与预警 • 部署打滑预测分析 • 能源计划 • 炼焦煤分级调湿工艺稳 定协调控制 • 危险物识别 • 人员安全监测 • 高炉料面温度检测 • 高炉料面可视化监控 • 炉顶布料效果评定 • 远程换钎 • 中间产品无人天车吊装 控制 • 废品无人天车吊装控制 • 铁水质量预报 • 高炉温度分布

........... 10 （一）应用场景：从生产操作向其他高附加值场景拓展 ..... 10 1、生产操作：从操作精度提升到自适应学习 .............. 11 2、物流配送：“识别+导航”模型组合适用于封闭生产场景 . 12 3、质量管理：机器视觉检测大量取代人工检测 ............ 12 4、安全管理：在部分重化工业存在一定需求 .............. 13 能阶段，机器人只能执行简单的预设任务，缺乏自主性和适应性；第 二阶段是基础智能阶段，机器人开始具备基本的感知能力，能够对外 界环境做出简单的反应；第三阶段是中等智能阶段，机器人能够进行 更复杂的感知和处理任务，如图像识别和语音识别；第四阶段是高度 智能阶段，机器人展现出较高的自主性和适应性，能够进行自我学习 和优化，执行复杂的任务；第五阶段是超级智能阶段，机器人理论上 将具备超越人类的智能水平，能够进行创新和自我意识的决策。 识的决策。 在工业领域，机器人的规模化应用正在从中度智能向高度智能过 渡。随着深度学习算法的优化以及多模态感知技术的融合，工业机器 人将具备更强大的感知、认知和决策能力，能够更加精准地识别复杂 环境中的物体、声音和图像，理解人类的语言和意图。同时，工业机 器人将具备更强的自主学习能力，能够根据环境变化和任务需求进行 自我调整和优化。从模型架构来看，结构相对简单、参数较少的机器 学习模

目录 2 1. 背景 2. 洞察：人形机器人落地场景顺序与评估模型 3. 聚焦：工业场景落地（新能源汽车制造） 4. 纵览：国内外人形机器人落地场景顺序 5. 展望：人形机器人产业关键节点识别（工业、家庭） M2 2025 Proprietary and Confidential All Rights Reserved. 背景与结论 3 ◆ M2觅途咨询聚焦人形机器人产业、持续 部企业的实战经验，以及对机器人产业逻辑>10年 的洞见，识别落地场景顺序——工业、家庭、商业服务 • 聚焦工业：洞见新能源汽车制造——5大工序 VS 人形机器人适配4大工种（搬运、质检、工站衔接、基础组装） • 真实案例：采集某全球头部企业场景规划——验证人形机器人落地场景、适配工种逻辑 • 产业展望：工业、家庭场景供需端交叉验证，识别关键节点——2027小批量产，2030商业化起点 敬请期待 目录 4 1. 背景 2. 洞察：人形机器人落地场景顺序与评估模型 3. 聚焦：工业场景落地（新能源汽车制造） 4. 纵览：国内外人形机器人落地场景顺序 5. 展望：人形机器人产业关键节点识别 M2 2025 Proprietary and Confidential All Rights Reserved. 人形机器人应用场景演进逻辑 未来人形机器人落地场景将由工业->家庭->商

个随机噪声信号作为输入，并将其映射到数据空间中。 判别器：判别器的任务是识别输入数据是来自真实数据 集还是生成器。通过这种方式，判别器指导生成器产生越来 越逼真的数据。 GAN 的训练过程涉及到不断调整生成器和判别器的参 数，使得生成器能够产生越来越难以被判别器区分的数据， 而判别器则变得越来越擅长识别真伪。这个过程最终导致生 成器能够产生高质量的假数据。 （2） 变分自编码（Variational 并发事件和资源分配问题的 Petri 网建模等。建模技术为数 字孪生提供了坚实的理论和技术支撑，正向着更加自动化、 智能化的方向不断发展。 5.感知类技术 感知类技术包括常见的物联网 IoT、射频识别 RFID、计 算机视觉和声波雷达等。IoT（Internet of things，物联 网）本质上是互联网从人向物的延伸，物联网是将“物”和 互联网相互连接的技术，涉及对于“物”的感知、信息采集、 体而讲，就是通过温度、湿度、压力、振动等传感器实时收 集 环 境 和 设 备 的 数 据 。 RFID （ Radio-Frequency Identification，射频识别）是一种利用无线电波进行自动 8 识别和跟踪标签附着物体的技术，对物品更主动、更精准地 感知和管理。计算机视觉，以摄像机为常见载体，能感知物 理世界并能获取丰富的信息，在日常生活中已得到普遍地使 用，即使恶劣环境，已有基于太阳能发电、无线网络回传、

析和处理， 为热线整合提供有力支持，从而引领推进政府组织结构的调整和权责重组，促进 资源配置的最优化。另一方面，强调部门联动。在热线整合基础上，大模型能够 打破传统政府部门结构限制和冗杂热线的识别困扰，助力各级平台及其成员单位 之间横向和纵向上的协同联动，以及不同数据网络和管理系统之间的互联衔接， 有效缓解因“数据孤岛”引发的沟通成本高昂和治理流程阻塞等问题。同时，大 模型通过对数据的 热线发展面临的挑战。 （一）接诉 政务热线承担着城市政务服务“总客服”的角色。很大程度上，政务热线的 诉求承载水平、诉求接听效率和诉求识别能力，决定了公众对政务热线的初步印 象。然而，许多城市的政务热线建设，在诉求承载能力的科学分配、诉求接听的 科学管理和诉求识别的精细规范等多个方面仍然存在一系列挑战与不足。 1.诉求承载 诉求量的快速增加对政务热线诉求承载能力提出了挑战。尤其是在一些城市， 是在传染性疾病流行状况下，可能因为防疫需要隔离、居家办公等出现“非战斗 减员”情况，热线的接诉能力维持和保障压力大。 3.诉求识别 18 诉求识别是诉求办理的起点。诉求识别的精准程度对接线员的政策与业务知 识储备有着天然要求，但是许多城市热线的政策知识库建设水平不高，导致诉求 识别问题频繁发生。 第一，政策知识库精细程度和更新效率不足。政策知识库为接线员应答提供 了答案模板，便于接线员提高接诉

析和处理， 为热线整合提供有力支持，从而引领推进政府组织结构的调整和权责重组，促进 资源配置的最优化。另一方面，强调部门联动。在热线整合基础上，大模型能够 打破传统政府部门结构限制和冗杂热线的识别困扰，助力各级平台及其成员单位 之间横向和纵向上的协同联动，以及不同数据网络和管理系统之间的互联衔接， 有效缓解因“数据孤岛”引发的沟通成本高昂和治理流程阻塞等问题。同时，大 模型通过对数据的 热线发展面临的挑战。 （一）接诉 政务热线承担着城市政务服务“总客服”的角色。很大程度上，政务热线的 诉求承载水平、诉求接听效率和诉求识别能力，决定了公众对政务热线的初步印 象。然而，许多城市的政务热线建设，在诉求承载能力的科学分配、诉求接听的 科学管理和诉求识别的精细规范等多个方面仍然存在一系列挑战与不足。 1.诉求承载 诉求量的快速增加对政务热线诉求承载能力提出了挑战。尤其是在一些城市， 是在传染性疾病流行状况下，可能因为防疫需要隔离、居家办公等出现“非战斗 减员”情况，热线的接诉能力维持和保障压力大。 3.诉求识别 18 诉求识别是诉求办理的起点。诉求识别的精准程度对接线员的政策与业务知 识储备有着天然要求，但是许多城市热线的政策知识库建设水平不高，导致诉求 识别问题频繁发生。 第一，政策知识库精细程度和更新效率不足。政策知识库为接线员应答提供 了答案模板，便于接线员提高接诉