化学习等技术正驱动⼈形机器⼈的智能化⽔平快速提升。 特征之五，具⾝智能体之间的关系开始从单体智能向智能协作、群体智能演进。 从单个机器⼈的遥控，向多台机器⼈乃⾄异构机器⼈之间的⽆⼲预协作⽅向突破，但 机器⼈的⾃主⾏动和多任务能⼒还⽐较有限。 特征之六，制造与研发能⼒推动成本下探，为产业化和市场导⼊进程加速。随着 硬件技术路线收敛、供应链成熟、中国制造优势及产业市场规模效应初步显现，⼈形 机器⼈成本和价格呈现双下 XHAND1，实现全域操作、极速响应及⾼效 拣选；在模型层⾯，搭载端到端 VLA 具⾝模型 ERA-42，具备双向交互机制和标准化 IO 接⼝，提⾼作业成功率和通⽤性；在软件层，融合开源与真机多任务数据预训练， 实现快速适配，结合多摄像头补盲设计与⾼频推理技术，实现及时纠偏与瞬时动作决 策，并集成数字孪⽣监控，实现⼯位设备运⾏、物料流转状态的实时监测；在数据 层，构建⾃动化数据管线与仓储 ⾼度范围内的⼯作空 间，可驾驭多种复杂环境满⾜不同⼯作需求。G1 拥有具备空间智能的“⼤脑"⼤模型， 能理解三维场景、与⼈⾃然语⾔交互并将⻓程任务进⾏多步分解，⾃主决策所需的操 作。G1 具备多任务、多技能能⼒的"⼩脑"⼤模型，通过数⼗亿级仿真合成数据的训 练，已展示出多种较⾼成功率的泛化具⾝技能。G1 ⽀持 IsaacSim/Mujoco 等多个仿真 平台，经过测试和示范应⽤阶段，在⼯业⽣产辅助、零售服务等场景进⾏了初步验

秀的逻 辑推理及规划能力，然而，其与应用需求侧之间仍存在一定 “Gap”。Agent 作为“桥梁” 角色，可支撑大模型落地到各类具体应用之 中，补足其精准对接业务需求、上下文记忆、主动规划执行以及多任务协作等多方面能力。 当前，Agent市场呈现出厂商生态分化的态势。互联网科技巨头与垂直领域科技厂商常借助Agent能力赋能原有产品，提升其使用体验与 智能化水平。同时，各类厂商依据自身优势，针对特定 况下融入多模态能力 沿用DeepSeek V2模型结 构，具备全球顶尖的代码能 力和数学能力 在后训练阶段大规模使用强化学习 技术，在极少标注数据的情况下极 大提升模型推理能力 MoE架构的大语言模型，具 备多任务泛化能力，在知识 问答、长文本处理、代码生 成、数学问题求解等方面性 能领先 数学推理模型 DeepSeek Math 针对数学相关数据进行预训练强化， 提升模型在复杂数学问题求解上的 可靠性与精准度 AI Agent进阶：向着通用场景升级 感知力 高阶智能体雏形示例： 主动感知实 时响应 记忆联系 上下文 context 复杂逻辑思 考与多任务 执行规划 需求数据集成 + GUI图形理解 + 图像语义解析 + 多任务协同执行 + 工具调用… Agent技术应用拐点出现 部分Agent应用突破性实现 “需求理解 - 任务规划 - 工具调用 - 结果交付” 全流程自动化，通过多智

秀的逻 辑推理及规划能力，然而，其与应用需求侧之间仍存在一定 “Gap”。Agent 作为“桥梁” 角色，可支撑大模型落地到各类具体应用之 中，补足其精准对接业务需求、上下文记忆、主动规划执行以及多任务协作等多方面能力。 当前，Agent市场呈现出厂商生态分化的态势。互联网科技巨头与垂直领域科技厂商常借助Agent能力赋能原有产品，提升其使用体验与 智能化水平。同时，各类厂商依据自身优势，针对特定 况下融入多模态能力 沿用DeepSeek V2模型结 构，具备全球顶尖的代码能 力和数学能力 在后训练阶段大规模使用强化学习 技术，在极少标注数据的情况下极 大提升模型推理能力 MoE架构的大语言模型，具 备多任务泛化能力，在知识 问答、长文本处理、代码生 成、数学问题求解等方面性 能领先 数学推理模型 DeepSeek Math 针对数学相关数据进行预训练强化， 提升模型在复杂数学问题求解上的 可靠性与精准度 AI Agent进阶：向着通用场景升级 感知力 高阶智能体雏形示例： 主动感知实 时响应 记忆联系 上下文 context 复杂逻辑思 考与多任务 执行规划 需求数据集成 + GUI图形理解 + 图像语义解析 + 多任务协同执行 + 工具调用… Agent技术应用拐点出现 部分Agent应用突破性实现 “需求理解 - 任务规划 - 工具调用 - 结果交付” 全流程自动化，通过多智

可整合来自摄像头、传感器等 设备采集的图像、声音、物理 信号等数据，将原始数据转化 为适合模型训练的高质量数据 集，极大提升数据准备效率与 质量。 1 大模型 模型训练环节 大模型可实现多任务学习，让 智能机器人同时学习多种技能 与行为模式。借助迁移学习， 在一个任务上训练好的模型参 数可迁移到其他相似任务，加 速新任务学习，减少训练时间 与数据需求。 2 算法优化 大模型能为智能机器人找到最 数字孪生 大模型 群体智能是实现人形机器人在工业、商业服务等重要场景规模化应用的关键。目前, 软件架构的优化是推动群体智能发展的核心动力。例如，优必选在极氪5G智慧工厂 开展的全球首例多台、多场景、多任务人形机器人协同实训中，创新性地提出了人 形机器人群脑网络架构和人形智能网联中枢，为群体智能的实现提供了技术支撑。 群体智能 数字孪生 群体智能 22 发展趋势 应用趋势：核电站巡检、太空作业等新场景层出不穷，积极

例如鸟瞰图（BEV）中的成本体积、联合能量，以及概率语 义占用层和自由空间层。 成本学习方法中，为了生成更现实的成本，通常需 要结合高清地图（HD maps）、辅助感知任务和多 传感器数据，这增加了为多模态多任务框架学习和 构建数据集的难度。 资料来源：Chen L, Wu P, Chitta K，et al，End-to-end Autonomous Driving： Challenges and F 年第一季度进入中国和欧洲市场，并计划推出无监督版FSD，加速高阶自动驾驶商业化。 特斯拉：纯视觉方案+一体化端到端先驱 20 特斯拉组建了基于计算机视 觉感知的软件算法小组 Vision 算法结构由骨干网络架构升级为多任务学 习神经网络架构HydraNet，并使用了特征 提取网络BiFPN。HydraNet能够减少重复 的卷积计算，减少主干网络计算数量 算法层面实现三大变革： 1、BEV+Transformer，自动驾驶进入大模型时代： 知理解。 图56：Momenta智能驾驶算法演进 资料来源：芝能科技，国元证券研究所 Momenta：提供基于端到端技术架构的自动驾驶解决方案 57 • Gen 2（2022年），感知为多任务且各任务数据驱动，规划大 多基于规则，包括检测、高精地图、融合&跟踪等模块。 • Gen 3（2023年H1），感知将时序任务整合到同一模型，规划 逐渐从规则转型数据驱动，有FTP融合&跟踪&预测等模块。

… 工业服务 单一工序、单一动作执行 ✓ 质检 ✓ 分拣 ✓ … 单一工序、多动作组合执行 ✓ 搬运 ✓ 螺栓预拧紧 ✓ … 单一工序、长链条任务衔接 ✓ 组装 ✓ 接线 ✓ … 多工序、多任务衔接 ✓ 配合产线节拍 ✓ 与工业机器人/AGV协同 ✓ 与人协同 ✓ … 家庭服务 单一动作执行 ✓ 语音交互 ✓ 社区娱乐 ✓ … 多动作组合+单形式交互 ✓ 递送物品 ✓ 搬运物品 ✓ …

吸尘器已经在美国的20 %家庭和中国的9%家庭中活动。我们的分析显⽰到2050年将有12亿台家庭和2500 万台商业清洁机器⼈。 最新的机器⼈类别是⼈形机器⼈。这些机器⼈旨在适应⼈造环境，并在许多任务中提供多样性。在评估⼈形机器⼈的机会时， 我们⾸先在⼯业领域（即制造和仓储）看到最⼤潜⼒，然后是在家庭中。我们在家庭中看到的主要功能是清洁和照料。虽然这 个新领域需要时间建设，但我们预计到2050年将有6

整力度以防止零件损伤。自适应力控制算法和传感器融合确保机器人 在执行任务时保持稳定性和准确性。 动态适应能力：通过高精度运动控制系统、实时传感与反馈机制、 自适应控制算法、视觉与环境感知系统以及多任务处理能力，实现了 动态适应能力。它能够根据生产线的变化快速调整作业速度、路径和 工作策略，确保在动态环境中保持高效、稳定的作业表现。 （三）应用价值 该案例的应用价值与影响从更实际、落地的效果来看，如下：

信任是最重要的差异化因素和决定组织内AI扩散的关键 因素。毕竟，我们只能让系统拥有我们所信任的自主权 。 我们今天拥有的，是无限增长和创新的火花——以及颠 覆的力量。随着组织内外的自主性不断增长，摩擦减少 ，我们可以更快地完成更多任务，先行者将能确保持续 数十年的优势。未能及时行动或等待过久，将让竞争对 手，无论是新的还是旧的，都有机会颠覆行业规范，正 如我们在数字化时代所看到的那样。再考虑一下这一点 ：今天全球互联网市值不到1%是在Netscape