具备智能性。虽然自主性和智能性在某些方面有重叠，但它们仍然是 两个不同的概念。自主性是指物体或系统具有独立决策和行动的能力， 能够在没有外部干预的情况下执行任务，这种能力通常基于预设的规 则和指令，虽然可以在一定程度上应对环境变化，但并不一定具备真 正的理解和适应能力。智能性是指物体或系统具有类似人类的智慧、 学习和适应能力，智能体能够感知环境、进行决策并采取行动，同时 不断学习和 机构的研发训练阶段 2 应用 领域 个人 /家 用服 务领 域 目前常用于个人陪伴。 公共 服务 领域 目前主要应用于零售 商超、酒店、餐厅、银 行大厅等场所，为用户 提供问询、递送、导览、 商品分拣、娱乐表演等 服务。 11 工业 领域 目前通常被用于汽车、 电子等生产线上的装 配、操作、维护和检测 等 1.2 人形机器人发展历程 人形机器人的探索始于 20 世纪 《先进制造业合作伙伴计划 （AMPP）机器人技术发展（2023 年）》 2023 年 为人形机器人发展提供资金援助、技术创新、 标准化工作和国际合作等资源 欧洲 《欧洲机器人技术民事法律规 则》 2022 年 通过制定有效的伦理指导框架、成立欧盟统一 的机器人技术和人工智能的监管机构、明确损 害赔偿的严格责任、建立适用于智能机器人的 强制保险制度、建立赔偿基金、为复杂自动化 机器人创设“电子人”的法律地位等内容

ijing Taibo Co.， Ltd. All Rights Reserved.  两者本质区别在服务对象（机器 vs. 人），区别于传统导航为人类驾驶员提供路径规划和导航提示， 智驾地图则面向自动驾驶系统，提供机器可读的多元结构化环境要素数据，支撑AI感知、路径计划与决 策。 6 资料来源：公开资料、泰伯智库 市场概述 智驾地图与传统导航地图的区别 特征 传统导航地图 智驾地图 friendly) ★ ★★ ★★★ ★★★ ★★★ 核心价值，持续提升： 提供更适合自动驾驶系统执行的路径（如车道级、 考虑曲率/坡度/可通行性），在高阶自动驾驶中始终是地图的核心能力。 决策支撑 (规 则/拓扑) ★ ★★ ★★★️ ★★★ ★★★️ 核心价值，高阶关键： 提供复杂的交通规则（如潮汐车道、特殊路口通 行）、道路拓扑关系，是实现安全、合规、高效智能驾驶决策的基础，重 要性随级别升高而凸显。 目标和成本考量，在智驾地图的技术路线选择和供应商合 作模式上呈现出明显的差异化。  车企智驾地图策略核心差异体现在自研程度、伙伴依赖度及数据闭环能力上，其中头部追求掌控，追赶 者重效率，外资则受合规强约束。 市场分析 细分市场-按车企类型 车企类型 地图技术路线 核心诉求 供应商合作模式 数据闭环 总体策略 头部自研型 (如: 华为ADS, 理想) 轻地图+自研核心 (主)

于两大核心逻辑：场景的标准化程度、任务的复杂程度由简至繁 5 工 作 环 境 复 杂 工 作 环 境 简 单 任务单一 任务复杂 商业服务 单一动作执行 ✓ 商业演出 ✓ 迎宾引导 ✓ 导览讲解 ✓ … 多动作组合 ✓ 餐盘收集 ✓ 递送物品 ✓ … 长链条复杂机械任务 ✓ 平面清洁 ✓ 零售结账 ✓ … 长链条复杂灵活任务 ✓ 零售导购 ✓ … 工业服务 单一工序、单一动作执行 娱乐类 高度自动化工序 依然以机械臂为主 (电芯分拣、模 组搬运…) (物品拿取、收取 快递…) (理货拿取、餐 饮递送…) (安装质检、来 料检验…） (血氧血压监测…） （迎宾、导览…） (商业演出…） (结账、导购…） (灌溉、叠衣…） (社区表演…） (“最后10m”柔性物流…） (螺丝紧固、组装…） Source: M2研究 & 分析；全球人形机器人企业专家访谈；转载引用内容请标明来源 特斯拉和优必选的商业化进度领先，预计最快于2025年实现小批量量产。小鹏、Apptronik和Figure已完成样机发布，并进入工 厂测试阶段。小米、智元机器人和波士顿动力已发布产品样机，展示技术实力。长安汽车则计划于2027年推出人形机器人产品 规划中 样机发布 进厂测试 特斯拉人形机器人Optimus在特斯 拉工厂处理电池单元，至2024年底 已有近千台，预计2025年实现小批 量量产5000台 优必选人形机器人Walker

简介 概要 引言 打造智慧银行 阶段一 调研 结论 缺乏优秀的人工智能实施模式 当前，银行正尝试各种人工智能实施方式。66%的 受访银行利用基于云的人工智能平台，46%使用开 源工具，83%则采用本地解决方案。此外，86%的 受访银行正在内部开发定制人工智能解决方案，他 们的实施方式因各自数字化程度的差异而有所不 同。 管理层对控制心存忧虑 对人工智能的控制仍然是银行管理层的主要担忧之 如，82%的受访银行正将人工智能融入机器人流程 自动化（RPA），以简化工作流程，而84%的受访 银行则正在探索人工智能代理解决方案。 人工智能正促成部分企业职能的转型 人工智能在信息技术（IT）和营销职能方面发挥着 最大的影响力。61%的受访银行表示人工智能对IT 运营产生了巨大或颠覆性的影响，55%则表示人工 智能已经在很大程度上推动了营销的发展。 的受访银行认为，最好等到不断发展的 人工智能技术前景更加明朗后，再进行 银行管理层采取了观望的态度 由于人工智能技术正快速演变，因此银行管理层对于是 否应用举棋不定。71%的受访银行认为，最好等到不断 发展的人工智能技术前景更加明朗后，再进行大规模投 资，而有57%则对与人工智能相关的巨量信息和炒作感 到不知所措。 缺乏人工智能专业知识 缺乏相关专业知识也拖慢了银行的人工智能应用步伐。 只有19%的受访银行具备高度专业的人工智能团队为推 动整体实施战略提供指导。此外，只有18%的受访银行

页面 09-21 目录 第34-46页 第4-8页 01 双星大爆炸 02 你的面孔，在未来 04 新的学习循环 在不同界面看似相同的情况下进行差异 化。 人们与人工智能如何定义一个学习、领 导和创造的正向循环。 03 当大型语言模型 出现时 他们的身体 当人工智能呈指数级扩展时，系统 将会被打乱。 如何基础模型重新定义机 器人学 信任是否是人工智能无 限可能性的极限？ 引言 人工智能：自主 特殊性而独树一帜，那么对你来说什么是好的？但不确 定性并不是停滞不前的原因。现有的能够提供这项强大 新技术的代理商、辅助飞行驾驶员和平台已远远超过需 求，而这其中的集成竞争已正式开启。这就是为什么领 导者仍然需要看到全局的关键所在。今天的技术并非终 极目标——它们是实现目标的手段。未来科技的未来将 是领导者需要筹划的丰盛、抽象和自主的科技前景。 定义明确的目标。自主性使我们摆脱了这种束缚，因为 能 建议如何节省交易成本，所有这些都在将克莱尔连接 到一名人类经纪人以讲解最终细节之前完成。 当然，”克莱尔回应道。她的经纪人将她分享了来自不 同国家的三则信息。但她眯着眼睛看着屏幕。“我觉得 你犯了一个错误，”她写道。“你说你要找到三则。前 两则信息完全一样。你看，它们都只是说 感谢您考 虑我们，我们提供优惠的利率，期待与您合作。请与 我们的代理人联系以继续下一步。 克莱尔打开电脑，既兴奋又紧张。她生成式人工智能代

过程，以确保答案的准确性。 反思是指模型会回溯检查自己之前的推理过程，并根据检查的结果进行修正，相当于一个 学 生在复习时，会反思自己之前的错误，以便下次不再犯同样的错误。 而长链推理能力则让模型能够处理更复杂、更需要多步骤思考的问题。这种能力对于解决 一 些需要跨越多个逻辑步骤才能找到答案的问题至关重要，例如复杂的数学题或逻辑谜题。 冷启动让 RL 训练更加稳定： 避免 RL ，首先利用一些带有推理过程的 Few-Shot Examples 来 Prompt 模型对于数据集中的问题生成对应的推理过程和答案。 过滤：如果生成的答案正确，则将推理过程加入到原有的数据集中；如果生成的答案错误，则尝试 在给出正确答案的前提下再次生成推理过程。将最终生成正确答案的推理收集，构建一个构建一个 微调数据集 [Question, Rationale, Answer ] 进行微调。 迭代：重复 型可能学会输出符合人类期望的思维链，但实际推理过程可能与其展示的 CoT 不同。 当模型具备长期目标意识（ Instrumental Reasoning ）时，它可能会构造看似合理但实际上误 导 性的 CoT ，以隐藏其真正的意图。此外， CoT 仅是文本输出的一部分，并不代表模型的 实际内 部推理过程，因此不能确保其真实透明。 为了防止 CoT 变成伪装工具，需要结合 AI-Driven

模块化端到端将感知模块和决策规划模块视为两个独立部分，分别使用神经网络，但模块之间仍存在人工设计的 数据接口。例如，华为乾崑ADS 3.0由GOD感知网络和PDP决策规划网络组成，GOD负责感知障碍物，PDP则根据感知 信息迅速做出决策。一体化端到端则将感知与规控模块全部打通，形成一个统一的大模型，使系统能够更直接、 高效地处理信息并作出反应。业内典型代表为特斯拉、Momenta、理想等。这种架构取消了模块划分，减少信息损 nsFuser及其变体。这些设计结合对仿真环境的深入理解， 使模型在CARLA基准测试中显著提升性能。 为提高自主系统的可解释性和安全性，一种解决方案是引入各种辅助模块以更好地监督学习过程，另一种则采取注意力可视化。 2023-2024年，研究重点聚焦生成安全关键数据、预训练策略学习的基础模型或骨干网络，推动感知与规划模块的端到端整合。 同时，更具挑战性的CARLAv2和nuPlan基准测试也被引入。 来，并且训练过程需要大量的“试错”。为了弥补强化学习的不足，许多研究选择将强化学习与监督学习（SL） 结合，例如隐式效用，通过使用监督学习对CNN编码器进行预训练。监督学习通过“标注数据”助力系统更好地理 解环境，强化学习则帮助系统在复杂环境中逐步优化自身策略。二者结合，让系统既能从已有的知识中学习，又 能在实践中持续改进。 图5：行为克隆（BC） 资料来源：Chen L, Wu P, Chitta K，et al，End-to-end

在2024年语音模态赛道的投融资中，超过70%为战略及股权投资。该赛道的产品形态主要分为两大类：AI语音解决方案和AI生成。其中， AI语音解决方案的应用范围极为广泛，涵盖了物联网、工业、政务、教育等多个领域；而AI生成类产品则相对集中于文娱消费领域，如AI 音乐生成。 9.1% 9.1% 9.1% 72.7% 种子轮/天使轮 pre A-B+轮 pre IPO及IPO 战略及股权投资 54.5% 27.3% ，能够结合文本和音频输入，生成多种类型的 音乐、声音及语音。 • 模型优势：高准确性与可控性 • 模型劣势：高延迟 • 模型优势：低延迟、泛化能力 • 模型劣势：可控性与准确性，若与RAG结合则对 低延迟优势有损耗 28 ©2025.3 iResearch Inc. 以DiT架构为代表的生成向”和“以MLLM架构为代表的理解向“两类。其中，DiT架 构的生成向多模态大模型同样为视觉模态中提到的生成路径模型，如Sora、通义万相、VIDU、可灵等模型产品。MLLM则广泛应用于AI搜 索问答对话产品，以支持多模态信息的输入输出，如ChatGPT、豆包、kimi等C端产品。然而目前，生成向产品通常无法提供多模态信息 的处理分析，理解类产品无法提供视频生成功能，两类产

在2024年语音模态赛道的投融资中，超过70%为战略及股权投资。该赛道的产品形态主要分为两大类：AI语音解决方案和AI生成。其中， AI语音解决方案的应用范围极为广泛，涵盖了物联网、工业、政务、教育等多个领域；而AI生成类产品则相对集中于文娱消费领域，如AI 音乐生成。 9.1% 9.1% 9.1% 72.7% 种子轮/天使轮 pre A-B+轮 pre IPO及IPO 战略及股权投资 54.5% 27.3% ，能够结合文本和音频输入，生成多种类型的 音乐、声音及语音。 • 模型优势：高准确性与可控性 • 模型劣势：高延迟 • 模型优势：低延迟、泛化能力 • 模型劣势：可控性与准确性，若与RAG结合则对 低延迟优势有损耗 28 ©2025.3 iResearch Inc. 以DiT架构为代表的生成向”和“以MLLM架构为代表的理解向“两类。其中，DiT架 构的生成向多模态大模型同样为视觉模态中提到的生成路径模型，如Sora、通义万相、VIDU、可灵等模型产品。MLLM则广泛应用于AI搜 索问答对话产品，以支持多模态信息的输入输出，如ChatGPT、豆包、kimi等C端产品。然而目前，生成向产品通常无法提供多模态信息 的处理分析，理解类产品无法提供视频生成功能，两类产

镜头：玻塑混合与7P齐头并进，厂商路线选择各异 大立光坚定7P路线，舜宇与AAC布局玻塑混合：目前业内龙头厂商对玻塑混合前景态度不一，舜宇光学已经量 产玻塑混合镜头并成功向LG V30手机出货。瑞声科技则更为积极，将WLG技术作为发展重点，2018Q1月产能 已达500万套。相比之下，大立光对玻塑混合这一技术较为冷淡，正全力推进其7P镜头。 7P可能是手机镜头物理的极限 5P1G的混合镜头可实现7P的效果 1、产业升级：组装（毛利率10%）→零组件（毛利率 20%~30%）→材料（毛利率30%~50%）； 在组装、零组件环节，我国已占据全球主导地位；在壁垒 更高的材料环节，以3M、日东为代表的美日企业仍占主 导，随着技术工艺进步，近年来国产材料厂商开始涌现， 电子材料已进入加速替代期。 2、电子功能材料国产替代已经开始： 胶带：全球主要供应商是3M（美）、日东（日）、德莎 （德），国内厂商新纶科技（002341 热材料将与其他散热方式叠加来提高散热效率 手机散热方式的演进 散热片+导热介质＋手 机后盖/液冷散热 手机后盖散热 散热片+手机后盖 散热片为基础，叠加其 他多种散热方式 散 热 片 升 级 导 热 介 质 多 样 化 1.5 69 电子行业2019年春季投资策略 当前手机散热片以石墨片为主，石墨烯和液冷为未来新思路 石墨片以其高导热系数成为当前主流：随着电子产品的智能化、 轻薄化、