息如城市环境，精细细密局特征等，主要能力至少包括有三 维实体的可视化渲染能力，数据可视化渲染能力，业务逻辑 可视化渲染能力，应用逻辑可视化渲染能力等。 2.仿真技术 工程仿真传统上一直被用于新产品设计和虚拟测试。 虚拟仿真技术（CAE）是实现工业产品及制造过程模拟仿真 与优化的核心技术，是支持工程师进行产品创新设计最重要 的工具和手段，在保证产品质量的同时能大幅度缩短产品研 5 发周期，节省产品研发成本。在数字化设计技术和虚拟仿真 景进行员工培训，提升品牌形象，还可以分析供应链上下游 生产经营情况，评估跨区域业务需求并提供定制化服务。在 12 风控上，数字孪生能帮助机构进行可视化分析及信贷评估， 监控虚拟服务流程是否合规。而在安全领域，数字孪生可以 为测试环境提供仿真业务数据，防止数据脱敏不彻底、生产 取数丢失导致发生大规模数据泄露。 （二）金融业数字孪生需求方向 在金融行业数字化转型的过程中，数字孪生技术在风险 管理、客户体验改善和业务流程优化等方面显示出了巨大的 随着金融机构数字化转型的不断深入，金融行业面临数 据安全、隐私保护等诸多挑战，在开发上线支撑业务发展的 关键信息系统过程中，传统的测试数据通过抽取客户业务生 产数据并脱敏获得，无法完全避免数据泄露风险，通过数字 孪生技术中的仿真数据模拟，可以基于业务数据自动生成高 质量的孪生数据，保障数据安全的同时，提升金融信息系统 开发及测试人员效率。 2.解决业务问题 （1） 提升数据安全性 金融机构存在大量敏感、高度保密的隐私数据，该部分

灵巧型机器人手，具备触觉感知和 11 个自由度，展现出强大的稳健性， 可以在无需持续维护的情况下长时间执行物体交互任务。目前，特斯 拉已在其工厂部署了 Optimus 机器人，进行日常工作和任务测试，进 一步加速其智能化发展。 1.2.3 总结与趋势分析 14 随着国家、地区相关政策出台，全球资本大量涌入，龙头企业及 科研院校研发投入等掀起的人形机器人热潮，人形机器人正朝着更高 性 总体情况 人形机器人上游产业链涵盖零部件和基础软件供应，包括电机、 减速器、传感器、控制器、芯片，以及基础软件等核心技术支持；中 游主要由整机系统制造商构成，负责机器人本体的研发设计、组装、 测试和系统集成；下游聚焦于终端应用场景，覆盖工业制造、家庭服 务、医疗康养、高危作业、教育培训等多个领域。 图 6 人形机器人产业链图 21 2.1.3.2 上游 1)核心零部件（硬件） 人 育等教学场景， 丰富教学内容，为教育注入更多创新元素，激发学生的创造力和想象 力。 7）物流运输场景 人形机器人可以在仓储、装卸、分拣、包装、配送等环节提升工 作效率和管理水平。亚马逊正在测试 Agility Robotics 开发的双足机 器人 Digit，提升仓库作业效率，包括卸货、搬运和管理货架等任务。 人形机器人在物流运输行业的运用将助力物流产线的智能化升级，实 现低成本、高效且智能化的物流运输体系。

准化动作能力强，能够保持操作精确 程度，但暂时无法适应精细操作或复杂长链条任务。未来将逐渐通过泛化学习能力补齐短板。 搬运类 质检类 工站衔接 基础组装类 工 序 工 作 步 骤 已实现 测试中 无规划 工种 人形机器人功能规划: *Logo:已规划落地在该工种的人形机器人公司 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 M2 2025 Proprietary Confidential All Rights Reserved. 新能源车制造工序 VS 人形机器人适配工种（2/2） …在各工艺段人形机器人可适配的工种中，质检、搬运类优先落地，部分基础组装测试中（车门安装螺丝预拧紧、高压线束装配等） 14 基本实现功能 任务单一 任务复杂 2025~2030年目标 冲压-来料检验 冲压-质量检查 冲压-搬运存储 焊接-预处理 焊接-工装夹具定位 压线束安装（无需考虑收放线且Pin针较少） 较大模块安装（BMS等）等任务逐步拓展。 工站衔接（柔性物流，最后10-20m） • 物料搬运，部分狭小空间AGV体 积大难以进入，人形机器人完成 物料搬运，测试中 M2 2025 Proprietary and Confidential All Rights Reserved. ✓ 灵巧手灵活度DOF ✓ 力控位控精度 要求安装精准度与速度 新能源车场景适配工种

施建设项目。针对人形机 器人研发中面临的算力缺口、仿真失真及协议不统一等核心痛点，项目规划了 清晰的建设周期与资源投入规模。建设周期设定为 36 个月，覆盖底座搭建、平 台开发、系统集成及实景测试全流程。项目总投资额度经过严密测算，重点分 配于智算硬件采购、仿真引擎研发及 Agent 协同算法优化等关键环节。项目依 托的法人单位具备深厚的行业背景与技术储备，拥有完善的研发体系与质量管 理标准。 S3/POSIX 协议及多副本容灾机制，为非结构化 视觉数据、激光雷达点云及系统运行日志提供高速访问保障。此外，单位配套 有完善的软硬件适配实验室，可开展算法在不同硬件架构下的性能调优与压力 测试。 承建单位现有的基础设施储备为项目实施提供了确定的物理边界，关键配 套条件如下表所示： 基础设施类别 关键技术参数与配置 指标 支撑业务场景 网络与计算资源 万兆光纤主干，高 性能 GPU 最后，多智能体协同测试面临不可控的安全隐患与逻辑冲突风险。当研发 进入多机协同、人机共存等复杂调度阶段时，物理训练的风险指数呈几何级数 上升。在缺乏成熟算法保护的前提下，多台数百公斤重的金属实体在同一空间 内高速运动，一旦发生通讯延迟或逻辑死锁，极易引发严重的碰撞事故，不仅 造成不可逆的硬件损毁，更威胁现场工程人员的安全。这种对安全边界的顾忌， 迫使研发人员在物理测试中采取保守策略，限制了对极端工况和复杂协同策略

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。 请务必阅读正文之后的免责条款部分 真实数据中，长尾场景覆盖率低。长尾场景（暴雨、积雪或施工复杂环境中事故高发区域）中，车辆的行为决策需要 高度鲁棒的模型支持，然而，这些场景在真实数据中占比极低，难以通过传统的路测覆盖全面。现有的仿真测试技术 只能生成部分场景，而针对动态交互场景（如复杂的多车协同避让）的模拟能力有限，导致验证结果难以完全反映真 实情况。因此，调整长尾场景在训练数据中的分布比例有很大的探索价值。目前的普遍解决方案是采用合成数据来模 表2：主要车企辅助驾驶里程累计情况 特斯拉 鸿蒙智行 理想 蔚来 小鹏 超16亿英里（2024年中报） 4.6亿公里（2024.08） 29.3亿公里（2024.12） 14.8亿公里（2024.11） 756万公里（实车测试里程， 2024.07） 资料来源：汽车之心，中工汽车网，中国财经报，AI新能源低碳出行，国元证券研究所 请务必阅读正文之后的免责条款部分 道路交通的复杂程度与训练数据的体量使端到端的落地对

企业对系统的信心 他们思考信任的方式。 我们之前见过这种情况。1997年，加里·卡斯帕罗夫在 与IBM的深蓝（Deep Blue）的六盘棋比赛中失利。 1 这 是第一次计算机击败国际象棋大师，经过数十年的测试 ，人类与机器在此游戏中对抗。这场胜利引发了一场关 于人工智能和未来的兴奋和疑问的风暴。现在，一场新 的竞赛正在进行。许多公司正在构建今天的尖端AI模型 ，他们的目标是 为了理解这种关于人工智能的概括，人们只需环顾四周 为了理解这种关于人工智能的概括，人们只需环顾四周 就能看到人工智能在我们的生活中越来越根深蒂固。自 从卡斯帕罗夫的比赛以来，几乎已经过去了30年，而现 在能够使Deep Blue看起来像是一个普通玩家的模型都 坐在每个人的口袋里。图灵测试，曾经被认为是机器智 能的最高标准，现在每天都被人们与大型语言模型（LL M）支持的客户服务机器人和销售人员交流中所打破。 今天的AI模型已经摆脱了过去深度但具体且线性的方法 ，并展示了前所未有的自主性—在他们如何学习、如何 受影响。首先——企业需要意识到，随着 他们在技术系统中的自主性日益增长，他们需要以不同 的方式思考他们对这些系统的信任程度，以及他们可能 需要施加哪些约束。Sakana AI，一家AI研究公司，通过 测试他们名为“AI科学家”的新系统，完美地展示了这一点 。 14 该系统自主使用大型语言模型进行科学研究，在实 验设定的时限内，它遇到了一个问题无法完成，于是调 整了自己的代码，为自己争取更多时间。Sakana

销售，营销 售后服务 移动性和 金融服务 连接和 自动化服务 数据 资产 产品360° 植物/供应链 360° 客户360° 生态系统360° 车辆360° 使用 病例 自动驾驶汽车软件 生成和测试 自动化视觉工厂 控制和资产配置 自动化营销内容 生成和宣传活动 电池健康状态和 残值估测 电动汽车能源/ 充电优化 机器人/协作机器人应用 生成式车辆 零件设计 虚拟客户服务 中心/助理 内部非结构化数据基础 多领域和多所有者数据基础 虚拟客户服务 中心/助理 车载个人 助手 生成式车辆 零件设计 协作机器人制造 应用 实现规模化的自动化 驱动 自动驾驶车辆 软件生成 并且测试 本报告来源于三个皮匠报告站（www.sgpjbg.com），由用户Id:349461下载，文档Id:614001，下载日期:2025-02 人工智能在汽车领域的机遇 Strategy& 注意：1）我们的图书馆包含一份超过100个AI在不同成熟阶段的汽车价值链上的应用案例列表（从想法到真实世界案例）。 合伙人， 汽车实践引领汽 车行业转型 评估您的AI成熟度并提供初步 建议 在一场免费的在线测试中 乔纳斯·赛弗特 主任 AI/技术驱动 移动性创新 2 受我们行业特定人工智能用例 库的启发 1) 在初次对话中 联系方式 jonas.seyfferth@pwc.co m 3 获取您的AI价值潜力指

结构光：苹果抢占全球成熟资源，安卓加速跟进 非苹果结构光产业链 部件 其他业内供应商 进入壁垒 IR发射模组 VCSEL 设计：II-VI、Finisar、ams（Princeton）光迅科技、长春光机所；代工/测试：Win Semi、宏捷科、光环、联钧、HLJ 高 衍射/发散 DOE（散斑） Ams（Heptagon）、Himax、TSMC/Xintec 高 MASK（编码） 高 准直/聚焦 WLO（散斑） CIS对感测速度要求高，供应商存在较大不同。 ToF产业链情况 部件 供应商 进入壁垒 IR发射模组 VCSEL 设计：II-VI、Finisar、ams（Princeton）光迅科 技、长春光机所；代工/测试：Win Semi、宏捷科、 光环、联钧； 高 DIFFUSER 高 模组 LGI、Sharp、欧菲光 中 IR接收模组 IR CIS STM、Infineon/pmd、ama AG、Sony、Intel 后段Module环节，主要是贴合、绑定、检测等工序，从设备角度而言后段设备约占设备总投资的5%~10%。模组组装制程段 OLED与LCD共性较大且OLED复杂程度更低，背光板、双面偏光片，FPC（柔性印刷线路板）绑定、光电性能测试等工艺所需的 设备基本可以沿袭；国内模组厂商在LCD已有大量积累，在后段模组组装已具备进口替代能力。 前段阵列(Array)工序及设备 中段成盒(Cell)工序及设备 资料来源：《OLED显示基础及产业化》

DeepSeek 天然适合医疗 ⾏业 ⼤模型发展的⼏⼤“基⽯” 04 06 03 05 医疗⾏业独特优势 02 01 10 来保障⼤模型应⽤企业级端到端效果 • DS 幻觉率更⾼，另外实际测试应⽤中有指令遵循较弱、 拒答率⾼等问题 • 医疗领域幻觉⽐例甚⾄⾼达 20-30%2 幻觉情况 1 DeepSeek 虽好，但也不是“六边形战 ⼠” 幻觉⾼ =“ 创造⼒税“ 底层⼤模型各有所长 在落地过程中，仍需结合⼀定的应⽤框架（ RAG 、⼯作流、 Agent 等）和⼯程优 化 数据来源： 1. Vectara HHEM ⼈⼯智能幻觉测试； 2. 腾讯健康内部测试数据，通过⾼质量医学病历数 据 11 ⼤模型及 DeepSeek 潜在应⽤场景探 索 DeepSeek 有哪些应⽤场景？能产⽣哪些价值？ DeepSeek 会给医药企业带来哪些变化？

）和⼯程优化 来保障⼤模型应⽤企业级端到端效果 • DS幻觉率更⾼，另外实际测试应⽤中有指令遵循较弱、 拒答率⾼等问题 • 医疗领域幻觉⽐例甚⾄⾼达20-30%2 幻觉⾼=“创造⼒税“ 底层⼤模型各有所长 幻觉情况1 11 数据来源：1.(Vectara(HHEM⼈⼯智能幻觉测试； 2.(腾讯健康内部测试数据，通过⾼质量医学病历数据 ⼤模型及DeepSeek潜在应⽤场景探索 De