联盟，并受法律保护。转载、摘编或利用其它方式使用本 报告文字或者观点的，应注明“来源：中国信息通信研究 院、脑机接口产业联盟”。违反上述声明者，编者将追究 其相关法律责任。 前 言 当前，脑机接口技术正以其创新性、交叉性与前沿性，成为未 来产业发展的关键力量。当前，美国和欧洲等科技强国与地区均将 脑科学研究列为重点项目，投入巨额资金大力扶持并积极推进相关 研究。这一举措有力地推动了脑科学领域多学科交叉融合的进程， (一) 脑机接口分为脑感知与脑调控技术..........................................................1 (二) 脑机接口技术具有创新、交叉、前沿三个特性......................................4 (三) 美欧脑计划研究布局与投入...................................... 化、实时影像引导、药物递送协同发展，目前处于前沿研发探索阶段。 光调控技术包括经颅光生物调节（tPBM）、光遗传学无创调控 等技术。通过近红外光穿透颅骨，调节线粒体功能、氧化应激或神 经元代谢，实现无创脑调控。创新朝向多波长联合刺激、实施反馈 调控发展，目前处于前沿探索阶段。 (二)脑机接口技术具有创新、交叉、前沿三个特性 脑机接口作为一项变革性技术，具备创新性、交叉性及前沿性 三个特征。其创新性体现在为人机交互领域带来突破性变革，是未来

金融行业数字化需求刚性，投入巨大，是大模型应用落地的大舞台 ：根据艾瑞咨询的数据， 2022 年，以银行、保险、证券为主的金融机 构 技术资金投入预计将超过 4000 亿元。 2022 年中国银行与保险机构前沿科技采购支出将达到 170 亿元。 相关行业已有大量应用案例： Bloomberg GPT 、 Morgan Stanley 、 Lemonade 、苏黎世保险、度小满、瑞穗金融集团等。 u 政治局会议提出“要活跃资本市场”，金融科技迎来强催化 证监会召开 2023 年系统年中工作座谈 会 资料来源：新华社、华西证券研究所 4 u AI+ 金融并非单纯的技术累加，而是针对不同业务场景需求，运用前沿技术成果推出的创新金融产品、经营模式、业务流程，以及推动金融业 务高质量发展的一系列配套解决方案。 u Al+ 金融更侧重于为传统行业的模式创新和流程再造提供新的思路和方法，促进新经济形态的演 AI 金融应用的底层设施建设。 u 与此同时，政策扶持增强，金融科技核心技术不断迭代且与金融业务场景进一步融合，金融机构间科技竞争愈发激烈，前沿技术采购不断 增长。以国内银行与保险机构为前沿科技采购代表， 2022 年中国银行与保险机构前沿科技采购支出将达到 170 亿元。 u 金融机构在科技领域投入的持续增长将为 AI 金融企业的长远发展带来源头活水，推动 AI+ 金融市场持续发展，促进金融业数字化转型升级提

0 引言 在科技飞速发展的时代，我们有理由相信，人工 智能（Artificial Intelligence）会加速推动各行业特别是 传统行业的颠覆性变革和提升。具身智能作为人工 智能领域的前沿方向，正从理论研究阶段迈向实际应 用，开启人机深度协同的新纪元 ［1］。 2023 年以来，具身智能在技术突破和应用拓展方 面取得了显著进展。计算机视觉中激光雷达、深度相 机等感知技术的进步，使具身物理本体能够实现毫米 006 文章编号：1007-3043（2025）07-0035-06 中图分类号：TP18 文献标识码：A 开放科学（资源服务）标识码（OSID）： 摘 要： 具身智能作为人工智能领域中的前沿方向，正从技术验证走向实际应用，展现 出产业革新潜力。阐述了具身智能的核心概念与技术架构，探讨了其在多领域 的应用案例和边界，特别是工业应用实践、挑战和突破点；同时关注其发展所面 临的关键问题 的发展，主张智能应由身体与环境的实时交互自然涌 现，确立了“感知—行动”闭环系统的可行性 ［12］，成为 具身智能的奠基性理念。自 2023 年美国斯坦福大学 Mobile-ALOHA 家务机器人横空出世之后，具身智能 的前沿概念开始被大众所知晓 ［13］。本次具身智能的 浪潮，是以人形机器人的技术突破为核心，使其逐渐 成为人工智能领域的研究热点。近年来，随着计算机 视觉、深度学习、强化学习等技术的快速发展，具身智

定的风险，但在后期成功释放了AI的潜 力。 走出规模化的低谷 从灯塔企业身上我们不难看出，AI拥有的新用例不计其数，有望带来难以想象的绩效提升。 用例启迪能力，能力引领规模。2018年，前沿用例的具体表现还是高级分析和自动驾驶汽车的本 地化应用、高度透明的数据连接和可视化仪表板，以及类似的数字精益解决方案。与现在相比， 当时部署用例所需的时间更长。多数早期部署相关用例的灯塔企业称，前5个用例的部署平均花 将在10年内迅速普及。灯塔企业正立于革命潮头，在新的候选灯塔工厂中，基于AI的用例占比高 达60%，而这一数字在2019年仅为11%。 灯塔领航：内部提升良性循环，外部差距不断拉大 生成式AI与其他前沿技术在制造业的广泛应用无法一蹴而就，但灯塔企业已成功在工厂层面实现 了应用。所有新晋灯塔成员都至少有一个正在进行中的AI试点项目，部分新成员甚至已在短短几 天或几周内（而非几个月或几年）实施、测试和 5倍回报。 灯塔企业在规模化低谷中不断摸索的同时，也在逐步提升快速部署用例的能力。最近三批灯塔新 成员的用例实施速度要比前三批快26%，75%的灯塔企业称，他们仅需6个月不到的时间，便能 部署新的前沿用例，而30%的灯塔企业称，他们甚至可以在3个月之内完成。技术应用是个良性 循环过程：进步越大，速度越快。企业能够在此过程中更加敏捷，并获得应对颠覆的能力，但也 进一步加大了与其他制造商的差距[3]。

数据集， 旨在衡量人工智能系统在具身问答任务中的能力，促 进了具身智能系统在自然语言理解与环境交互方面 的研究。 2 具身智能标准化需求与挑战 具身智能作为人工智能与机器人技术深度融合 的前沿领域，其标准化工作对推动技术发展、保障系 统安全、促进产业协同具有重要意义。然而，当前具 身智能标准化仍处于起步阶段，面临着多方面的需求 与挑战，需要政府、产业界和学术界的共同努力，构建 科 需具备通过交互积累知识、跨任务迁移与在线增量学 习能力，实现从训练阶段向部署阶段的持续演化。自 适应学习是支持多场景复用、应对环境变化与未知任 务的关键路径，也是当前大模型技术在具身智能中应 用的前沿方向。该核心技术的代表性标准及评测指 标包括迁移成功率、历史知识保持率、学习样本效率、 泛化误差、持续学习曲线斜率等，典型场景包括跨环 境任务迁移、多任务智能体等。 e）多模态人机交互与社会行为感知。具身智能 （L0~L5），各级对应功能边界和安全要求。评测内容 涵盖感知、决策、定位导航、人机交互、安全冗余设计 等方面。通过标准化测试，监管部门决定设备能否上 路试运行并最终商业化。 6 结论与未来展望 具身智能作为人工智能发展的前沿方向，推动了 AI 从感知理解走向物理交互，正在重塑技术边界与应 用格局。本文系统梳理了具身智能的概念内涵与核 心能力维度，分析了国内外标准化工作的进展与关键 挑战，提出了评测体系设计原则及关键指标，并结合

技术正从单点能力突破，迈向更通用、更智能的未来。全球 AI 大模型正朝着更大规模、更高效率、 更强自主性的方向迈进，这意味着人工智能大模型的发展已进入一个系统性竞争的新阶段。这不仅 定义了技术的前沿，也对底层基础设施提出了前所未有的要求。人工智能大模型对计算基础设施的 挑战是系统性的，涵盖了算力、通信、功耗和运维等多个维度。 然而，这些看似分散的挑战，其根源几乎都可以追溯到一个核心的驱动理论——“规模定律”。 系列”模型，满足更专业的市场需求。 趋势三：大模型训练成本倍数级增长趋势 根据 Cottier, B., et al. (2024) 的研究分析，大型语言模型（LLM）的训练成本正呈现出惊人 的倍数级增长趋势。前沿模型训练成本每年约 2–3 倍增长，至 2027 年或超 10 亿美元。成本构成 以加速器 / 服务器 / 互联折旧（47%–67%）与研发薪酬（29%–49%）为主，能源 2%–6%。这 迫使业界转向算法效率与底层架构的根本创新。 芯片到交换芯片带宽不小于 400GB/s，交换设备时延小于 500ns。超节点域内 AI 芯片支持内存统一编址，AI 芯片使用内存语义可直接访问其他 AI 芯片的内存。 在人工智能大模型训练和推理等前沿技术的算力需求驱动下，传统分布式集群在通信效率、资源 聚合能力上的局限性日益凸显，超节点凭借超高带宽互联、内存统一编址等技术特征，以及大规模 灵活组网、高可靠运行等系统优势，成为支撑复杂计算任务的关键底座。

网冲击、客户体验诉求前 ，陷入“效率与温度如何兼得”的思索 ，本质上是在规模扩张与价值深耕的平衡中摸索前行 ，这不仅 关乎企业发展的效能 ，更是影响千万家庭保障质感的社会性课题。 然而 ，当目光锚定科技前沿 ，一个深刻变革正在上演： AI 正以系统性重塑者的姿态 ，重新定义保险行业的运行逻辑。它 不再是概念宣讲里的“未来畅想” ，而是通过智能算法、数据洞察 ，深度融入产品设计、服务流程、风险管控 擎。据测算， 2025 年行业科技总投入将突破 670 亿元，其中前沿技术研发板块表现突出， 以 22.5% 的年均复合增长率持续扩容。从前沿技术投入结构来看，大数据、云、 AI 投入居多，随着 AI 技术迭代加速，未来 AI 与大数据结合将全面优化业务模式， 推动行业 数智化转型升级。 中国保险业科技投入规模 保险业前沿技术投入热度持续 注 释 ： 对 于 未 来 年 份 的 金 融 www.iresearch.com.cn 8 CAGR=22.5% 177.2 17.5 23.8 40.3 88.5 2024-2029 年中国保险业前沿技术投入情况 263.8 24.8 40.6 62.3 126.9 215.3 20.7 31.0 49.9 105.5 144.9 14.6 18.1 32.3 73.7

TTS 领域内分析及处理 ASR 多领域对话状态分布 自然语言理解 文本或语音 文本或语音 状态更新 特征表示 特征表示 中间结果 终端 19 . . . 聊天技术的前沿研究点 Zhang et al. (2018) Oraby et al. (2018) Zhang et al. (2018) Mazaré et al. (2018) Mo et al (2018) Zhou et al. (2018) Asghar etal. (2018) Sun et al. (2018) Zhou et al. (2017) 情感对话 聊天技术的前沿研究点 Zhang et al. (2018) Luan et al. (2017) 机器人画 复质量 Zhang et al. (2018) 特色 功能 • M ：你今年多大了？ Wu et al. (2017) Tian et al. (2017) 上下文建模 Ghazvininejadetal. (2018) Ke et al. (2018) 聊天技术的前沿研究点 Zhu et al. (2018) Xing et al. (2017) Yu etal. (2017) Song et al. (2017) Li etal. (2017a,b)

究 报 告 | 2 0 2 5 . 03 . 1 3 专 业 ｜ 领 先 ｜ 深 度 ｜ 诚 信 中 泰 证 券 研 究 所 n DeepSeek 开源使金融机构能够轻松获得前沿模型能力，且大幅降低部署成本。其通过对训练方式、算法架构和推理方 法 的工程化优化大幅降低了部署成本。近期采用大规模 RL 训练方法的阿里 QwQ-32B 等模型也在缩小规模的同时达到了 源 80% 以上能 力，就足以压缩闭源的生存空间。 DeepSeek 能力能够比肩 OpenAIo1 ，开源使各行业机构能够轻松获取前沿模型能力， 且可直接进行私有化部署或商业化开发。 开源易获得： DeepSeek 使私有化部署模型也能够追平前沿闭源模型水 平 图表：闭源模型与开源模型的差距正在缩小 资料来源： Epoch AI ，中泰证券研究 所 资料来源： AI 产品榜，中泰证券研究