的概念和含义。 目前，国内主流科技咨询公司对人形机器人概念的观点主要如下： 1）人形机器人是具备人类外形特征和行动能力的智能机器人，以 双腿行走的方式，通过手臂和身体的协调完成功能，基于通用型算法 和生成式 AI，具备语义理解、人机交互、自主决策等能力，并利用人 机交互实现任务理解与反馈，需要强大的感知计算与运动控制能力 （《创业邦》）； 2）人形机器人是一种仿生机器人，指形状与尺寸与人体相似，能 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 性能、更强适应性的方向爆发式发展。电驱动、液压驱动以及人工肌 肉和气动技术在人形机器人上的应用将会保持较长时间探索，融合眼 －手－足，结合智能芯片、智能算法，构建形成类人“超级大脑”， 形成机器人元宇宙，未来人形机器人将广泛应用于工业生产、社会服 务、救援救灾等领域。伴随着人形机器人的多场景实地应用，为确保 机器人能够在多样化环境中安全、高效地运行，安全测评的需求愈发 动机器人完成精确、稳定的动作； 灵巧手——作为精细操作的关键部件，对结构设计、反馈系统和 尺寸规格要求极高； 芯片——主要涵盖 CPU、GPU、NPU 等计算芯片和各类控制芯片， 是机器人执行复杂算法和智能决策的“大脑”； 动力模块——包括电池、充电装置等，为整机提供可靠的能量支 持。 目前，人形机器人核心零部件的国产化程度整体处于中等水平。 部分关键零部件如无框力矩电机、T 型丝杠、滚珠丝杠和视觉传感器件

创下历史新高。随着市场竞争的加剧和人工智能技术的赋能，工业机 器人性能不断提升、成本持续降低，正在从高新技术制造业延伸到传 统制造业，为越来越多的企业带来可观的效益。 中国工业机器人市场和产量占据绝对优势，算法将成为新一轮市 场竞争的关键。中国具有门类齐全、规模庞大的工业体系，工业增加 值连续多年位居全球第一，2023 年工业增加值达到 5.97 万亿美元， 且是全世界唯一拥有联合国产业分类中全部工业门类的国家。根据国 庞大体量，稳稳占据全球工业机器人四成多的份额。其中，本土工业 机器人制造商强势崛起，市场份额飙升到 47%。然而，本土机器人产 品高端化水平不足，在汽车为代表的高技术制造业市场份额偏低，在 核心零部件和算法方面与机器人“四大家族”存在一定差距，产品的 稳定性、精确度、响应速度和易用性方面有待进一步提升。随着国产 替代进程加速，当前机器人核心零部件在多个关键领域已取得突破， 如减速器、伺服电机、传感器等，未来，机器人行业的差异化竞争将 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。 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

自动驾驶产业支持充足，标志性政策落地 1.3 车企抢滩DeepSeek，AI行业与智能驾驶共振 1.4 10万级别智驾落地推动行业进入智驾平权 1.5 汽车行业加速迈向智能驾驶全面普及时代 2.关注自研核心算法的整车企业 2.1 特斯拉：纯视觉方案+一体化端到端先驱 2.2 华为鸿蒙智行：模块化端到端，聚焦生态整合与全域协同 2.3 小鹏：云端蒸馏模型+纯视觉方案，大幅提升车端上限 2.4 理想：双系统并行，VLM规范端到端模型下限 感知层 3.2.1 传感器数量减配、性能提升 3.2.2 激光雷达市场快速增长，格局集中 3.2.3 高阶智驾需要激光雷达提供安全冗余 3.2.4 前视摄像头市场分散 3.2.5 从全量感知到按需感知的算法演进 3.3 决策层 3.3.1 域控制器构成 3.3.2 智驾域控市场逐渐走向合作定制化 3.3.3 德赛西威：高算力智驾域控行业的领军企业 3.3.4 Momenta：提供基于端到端技术架构的自动驾驶解决方案 传统智驾系统的感知层、决策规划层和控制执行层之间 相互独立，信息传递容易积累误差，且智驾方案依赖于 工程师通过代码制定的规则，难以处理所有复杂场景， 边际效应随着智驾能力的提升呈现几何式骤减。与基于 规则的传统自动驾驶算法结构相比，端到端算法基于数 据驱动，可以实现信息的无损传递。同时，端到端架构 将感知、预测和规划结合为一个可以共同训练的单一模 型，整个系统都针对最终任务进行优化，并且共享的骨 干网络大幅提高了计算效率，使智驾方案具备更高的迭

• 高速网络 • 边缘节点 • 液冷机柜 芯片器件层 ｜ • CPU/GPU/NPU/TPU • HBM • DPU • 供电/散热模组 算法理论层 ｜ • 深度学习框架 • 分布式训练 • 模型压缩 • 联邦学习 • 能效优化 来源：与非研究院 5 Supplyframe, Inc. Confidential Confidential & Proprietary. Do not reproduce or distribute. 1. 智算产业现状总览 我国智算产业主要驱动力 来源：与非研究院 AI算法和芯片是核心驱动力，大数据和云计算提供重要支撑，政府政策与企业需求发挥推动作用。 6 Supplyframe, Inc. Confidential & Proprietary. Do not reproduce Do not reproduce or distribute. 3. 生成式AI驱动的变革 发展生成式AI的关键技术 来源：与非研究院 算力芯片和大模型是生成式AI性能提升的关键。同时，AI算法、存储技术、网络技术等都非常重要。 22 Supplyframe, Inc. Confidential & Proprietary. Do not reproduce or distribute.

加持下强推理慢思考范式新边界 DeepSeek-R1 Zero 及 R1 技术剖析 Pipeline 总览 \ DeepSeek-V3 Base \ DeepSeek-R1 Zero 及 R1 细节分析 RL 算法的创新： GRPO 及其技术细节 DeepSeek-R1 背后的 Insights & Takeaways ： RL 加持下的长度泛化 \ 推理范式的涌现 DeepSeek-R1 社会及经济效益 多阶段训练下的冷启动让 RL 训练更加稳定，避免初期不稳定、加速收敛、提升思维链可读性 未来后训练的重心会逐步倾向于 RL ，但是少量训练用于 SFT 可能还是必须的 强化学习技术不只局限在基于规则的数学、算法代码等容易提供奖励的领域，它还可以创造 性 地把强化学习所带来的强推理能力 泛化到其他领域 DeepSeek-R1 Takeaways 技术亮点总结： Part I 了传统策略优化算法中需要使用与策略模型大小相同的评论模型。 大幅度降低 RL 训练的计算成本，同时还能保证模型能够有效地学习到策略。 具体来说，在传统的 RL 训练中，评论模型需要与策略模型具有相同的大小，增加计算资源的 消耗。而 GRPO 算法利用群组内的相对信息来估计基线，避免了使用 Critic Model 的需要。 此外， GRPO 算法还引入了一些额外的优化策略

无人化智能场站 • 数字化能力下沉场站，提升巡检智能化，降低生产运营风险，推动新能源减员增效 云边协同 领先的AI算法模型 边缘侧与总部一致的数字化能力，实现巡检 业务协同、算法协同、数据协同、管理协同 融合腾讯业界领先的视觉大模型、新能源 行业模型，同时支持第三方算法模型 形成智能场站标准适配 标准化云边运行环境、数据接入、应用接 入、API接口、身份认证、安全管理规范 Tencent Tencent AI 中心版 任务管理子系统 数据存储及计算 任 务 调 度 异 常 上 报 监视数据 推理结果 数 据 上 传 算 法 下 发 智能运检系统 AI创新中心 算法模型库 第三方算法 模型 模 型 训 练 Tencent AI 边缘版 ⋯ 标 准 化 场 站 2 标 准 化 场 站 N 数 据 采 集 公有云丰富的技术能力帮助企业建立分布式智能通用电池/充电桩运营系统 够支撑营销服领域的各类应用 也是是助力工业制造行业数智转型升级的核心引擎 在制造领域，云边端协同智能平台助力极限制造创新 私有云 • 场景：密封钉、极耳翻折、电池外观 • 方案：质检设备+算法模型+平台工具 • 效果：质检指标比人工提升10倍；联 合发布《工业AI质检标准白皮书》。 面：云边端协同智能云平台 体：联合创新、人才与生态合作 电池材料筛选研究 AI 电池寿命预测 AI联合实验室

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 优行为策略。在复杂环境中， 机器人通过与环境交互获得奖 励反馈，大模型利用这些反馈 不断调整自身决策。大模型参 与对抗训练，让生成器生成各 种复杂场景数据，判别器与生 如中航电测成功研发六维力传 感器。 集成边缘计算设备、第三方工 具和相关配件提升性能，3D机 器视觉与深度学习融合，使检 测、拣选更加智能化。 人机交互 算法 自主站立 算法 群体控制 算法 导航与定 位算法 自适应轨 迹规划算 法 8 驱动因素 产业环境驱动：中国智能机器人产业呈现稳健增长态势，从 产业企业发展情况和专利情况看强劲发展潜力 • 中国智能机器人产 费级、行业级高性能通用 足式/人形机器人及灵巧机械臂的自主研发、生产和销售。宇树高度重视自主研 发和科技创新，全自研电机、减速器、控制器、激光雷达等机器人关键核心零部 件和高性能感知及运动控制算法，整合机器人全产业链，在足式机器人领域达到 全球技术领先。 资料与数据来源：人民网研究院，IT桔子，优必选；数据周期：截至2023年5月 • 随着人工智能技术的持续突破，人形机器人作为具身智能

体的布局、探索、应用的水平,希望在 AI 2.0 时期的新要求、高要求,对企业利 用新 AI 技术实现跨越式发展提供一定面向未来的指引。 作为率先布局全栈 AI 的领军者, 企业聚焦数据、算力和算法, 积极投身 AI 带来的智能化变革的时代洪流。过去的近八年, 企业在 AI 领域砥砺深耕、前瞻 II 布局。作为科技领域的先锋企业, 企业凭借对 AI 技术的深度应用, 将其巧妙转 化为自身降本增效的强大生产力工具 技术的应用层出不穷。企业通过机器学习、深度学 习等技术,构建出更加精细化的管理体系和更高效的生产模式。 例如, 借助 自然语言处理技术,客服机器人在响应客户咨询时表现出了前所未有的效率 与准确率; 在制造业中,通过智能算法优化生产流程,减少资源浪费, 大幅 提升了生产效率。从垂直融合到泛化应用, 人工智能正凭借全面连接、信息 共享、上下联动和资源整合等优势, 正深度激活各行各业的 '脉络' , 推动 千行百业的智能化水平走向纵深。 化工具来提升业务效率和创新能力尤为重要。具体而言, 主要包括: (1) 智能产品创新: 通过产品研发创新体系的数字化, 提高研发效率。依 托统一的协同研发管理平台, 企业可实行敏捷开发模式,应用虚拟仿真、 AI 算法 等技术进行辅助决策,从而实现快速响应、 动态优化, 降低研发成本、提升研发 质量。例如, 企业可利用生成式 AI 进行产品的概念设计; 或者通过整合内外部 数据 (如销售数据、客户需求数据)

从投资轮次的分布情况着眼，战略及股权投资的数量及占比均呈现出显著的上升态势，其中股权投资事件占比高达77.9%。而在应用赛道 的投资分布方面，语言及多模态赛道目前已成为最受瞩目的投资领域。与此同时，以AI芯片、AI算力解决方案、算法架构等为代表的基础 层投融资数量显著上升，其中AI芯片产品的投资占比约为50%，这表明应用层的快速发展正有力地带动基础层的建设，我国人工智能产业 生态也因此得到进一步完善。 131 221 63 络结构，目前 CNN 、RNN 不断演进成熟， 以“小模型”架构被广泛应用。 • 2017年，Google颠覆性地提出了基于自注意力机制的神经网络结构Transformer架 构，奠定大模型预训练算法架构的基础； • 2018年，OpenAI发布了GPT-1大模型；Google发布BERT大模型； • 之后GPT模型持续演进，2022年11月，GPT3.5的ChatGPT面世，引爆互联网，大 各家积极发展结合强化学习、思维链的“后训练“，推出深度推理模型。在效率优 化方面，稀疏注意力、线性注意力等相关机制可大幅降低内存和计算成本。 正朝着处理更长序列、更大规模数据和实时应用场景的方向发展，新型高效注意力 算法和硬件协同优化可能成为重要突破口。 扩散模型在视觉效果和多样性上表现优异，但计算成本较 高；GAN可能存在训练不稳定和模式崩溃的问题，但在一 些任务中能实现较快的生成速度。已有研究在尝试融合两

从投资轮次的分布情况着眼，战略及股权投资的数量及占比均呈现出显著的上升态势，其中股权投资事件占比高达77.9%。而在应用赛道 的投资分布方面，语言及多模态赛道目前已成为最受瞩目的投资领域。与此同时，以AI芯片、AI算力解决方案、算法架构等为代表的基础 层投融资数量显著上升，其中AI芯片产品的投资占比约为50%，这表明应用层的快速发展正有力地带动基础层的建设，我国人工智能产业 生态也因此得到进一步完善。 131 221 63 络结构，目前 CNN 、RNN 不断演进成熟， 以“小模型”架构被广泛应用。 • 2017年，Google颠覆性地提出了基于自注意力机制的神经网络结构Transformer架 构，奠定大模型预训练算法架构的基础； • 2018年，OpenAI发布了GPT-1大模型；Google发布BERT大模型； • 之后GPT模型持续演进，2022年11月，GPT3.5的ChatGPT面世，引爆互联网，大 各家积极发展结合强化学习、思维链的“后训练“，推出深度推理模型。在效率优 化方面，稀疏注意力、线性注意力等相关机制可大幅降低内存和计算成本。 正朝着处理更长序列、更大规模数据和实时应用场景的方向发展，新型高效注意力 算法和硬件协同优化可能成为重要突破口。 扩散模型在视觉效果和多样性上表现优异，但计算成本较 高；GAN可能存在训练不稳定和模式崩溃的问题，但在一 些任务中能实现较快的生成速度。已有研究在尝试融合两