从高层 次来看）一直是将功能和数据与易于使用的图形用户界 面（GUI）打包在一起的方式。用户单次点击就可以在 幕后执行成百上千行代码。最终，软件是为了人类而构 建的。一些最早的程序取代了“计算机”，当时的“计算机” 是指那些通过手工进行数学计算的人。 44 其他早期系统集中于简化并加速繁琐的商业操作，如会 计和库存管理，这导致了高度孤立的解决方案的开发。 当个人电脑出现时，应用被设计为执行特定任务，如文 车队数据价值的机器人即服务初创公司。在2017年，该 公司着手构建第一个通用机器人拣选系统的基础模型— —这是一个极其困难的任务，因为拣选的物体可能具有 非常不同的形状和大小。 106 它需要一个庞大的训练集，而这个训练集当时还不存在 ，因此公司构建了联网机器人，现在这些机器人已部署 到全球的仓库中，以共享实时数据和经验，从而提高整 个机队的性能。 随着公司规划其机器人转型，探索更智能的能源策略从 未像现在这样美好。而且有很多选择。负荷转移允许用 如果你只是准备开始？ 如何保持信任？ 如果您想采取更慢的方法？ 机器人生态系统今天的变化速度比以往几十年都要快。不 要因为通用型机器人尚未商业化就放松警惕。监测这个领 域和行业竞争对手至关重要。当时机成熟时，您需要了解 这些机器的能力、局限性、供应商和成功的测试案例，以 便迅速行动。 目前最好的做法之一是弄清楚通用型机器人将为您的 企业带来什么。这并不容易。对于许多组织来说，机 器人解决方案之前并非是一个选择。这是一代新机器

⾼度灵巧的机械⼿，能够轻松重新定位2,000个不同形状的物体。这代表着在操纵各 种形状和⼤⼩的物体⽅⾯迈出的重⼤进步。 近年来最具代表性的机器⼈灵巧⽰例之⼀是达芬奇⼿术机器⼈。这个系统在2019年 获得了⼴泛认可，当时展⽰它在缝合葡萄时表现出的精准控制和细致触感。 随后，达芬奇机器⼈获得了美国⻝品和药物管理局（FDA）的批准，可⽤于各种⼴泛的⼿ 术程序。 到2023年，全球已有超过700万次⼿术使⽤机器⼈辅助进⾏，显著缩短了患者康 据。这些数据不仅可以包括视觉和听觉信息，还可以包括⽤⼾的习惯、偏好，甚 ⾄⽣物特征数据。虽然这些信息可以⽤来提升⽤⼾体验和改善机器⼈的功能，但 如果不得到适当管理和保护，也会带来重⼤⻛险。 ⼀个鲜明的例⼦发⽣在2015年，当时由电⼦学习玩具制造商Vtech⽣产的超过六百 万件玩具在⼀次重⼤的安全漏洞中受到了损害。这次漏洞使⿊客能够访问使⽤这些 玩具的⼉童的照⽚和其他个⼈信息，突显了收集和存储敏感数据的AI设备的脆弱性 。

建设。这些政策中的部分标准必 须在 AI 的支持下完成，成为医院采购 AI 相关产品的直接动力。 对于医院以外的场景，同样有部分赛道需要沿着政策的方向提前布局。以生物制药为例， “722”事件后，NMPA（当时为 CFDA）相继发布了《关于开展药物临床试验数据自查核 查工作的公告》《关于调整药物临床试验审评审批的公告》等文件，引发了国内 EDC、 RTSM 市场的繁荣，太美医疗等企业在系统中植入 AI，使其顺势成为药企数字化的关键

environments，该分标委会以覆盖除制造业外更广泛的工业应用。2006 年，再次更名为 Robots and robotic devices，不仅纳入了工业和医 疗机器人，还包括了非工业机器人（当时称为“个人护理机器人”， 即“服务机器人”）。2016 年，ISO/TC 184/SC2 升级为 ISO/TC 299 50 Robotics，全面负责除军用和玩具之外的机器人领域国际标准化工作。

al，End-to-end Autonomous Driving： Challenges and Frontiers，国元证券研究所 端到端的发展历程（续） 7 端到端自动驾驶的起源可以追溯至1988年，当时ALVINN系统利用相机和激光测距仪的输入，通过简单神经网络生成转向指令。 2016年，英伟达开发了端到端CNN原型系统，推动了这一概念在GPU计算时代的发展。随着深度神经网络的进步，端到端自动驾