长城汽车人事与战略调整 - 哈弗总经理赵永坡接任魏牌CEO，成为该品牌九年内第八位掌舵者，平均每12个月完成一次更迭，最短任期仅四个月 [5] - 此次人事变动被视为公司战略思路转变，从倚重外部“空降兵”转向重用内部培养的“技术干将” [5] - 赵永坡是长城体系内成长超过20年的技术干将，在担任哈弗总经理期间成功打造了PHEV“猛龙家族”并让“大狗家族”切入轻越野市场 [5] - 前任CEO冯复之主导推动魏牌全面转向直营模式并提出“长城智选”渠道革新策略，但任期内仅完成500多家直营服务网点布局，未达“一年千店”目标 [6] - 2025年前11个月，魏牌累计销量约8.9万辆，在长城体系内销量占比仅为4.4%，同期吉利领克销量超30万辆，东风岚图约20万辆，长安阿维塔交付量近12万辆 [6] 小米汽车渠道与产品动态 - 小米向全国汽车经销商发放累计超一亿元资金补助，其中2025年12月15日前新建门店每家补贴50万元，2024年建造门店每家补贴10万元 [7] - 部分经销商拿到了超过400万元的“红包”补助，有经销商称50万现金基本能支撑线下两个多月的运营 [7] - 小米汽车计划新增36家门店，截至2025年11月30日，全国已有249家服务网点，覆盖144城 [7] - 大众中国前CEO卡尔-托马斯·纽曼试驾小米SU7 Ultra后评价其为“一台真正的驾驶机器”，并称其是对西方汽车界的“响亮警告” [33][34] - 小米汽车已获L3级道路测试牌照 [34] 人工智能与芯片行业进展 - 通用人工智能公司MiniMax通过港交所聆讯，截至2025年9月30日持有现金结余10.46亿美元 [15] - MiniMax在2025年前九个月营收为5343.7万美元（约3.76亿元），较上年同期的1945万美元增长175%，海外市场收入贡献占比超70% [15] - 智谱通过港交所上市聆讯，冲刺“全球大模型第一股”，2024年营收为3.124亿元，在中国独立通用大模型开发商中位列第一，市场份额达6.6% [26] - 智谱2022年至2024年累计研发投入超44亿元，其中2025年上半年研发投入15.95亿元，同期录得亏损23.58亿元 [26] - 三星正式推出全球首款2纳米工艺智能手机应用处理器Exynos 2600，采用2nm GAA工艺制造，三星宣称其性能提升高达39% [39] - 国产GPU公司壁仞科技启动香港IPO，拟发行逾2.47亿股H股，定价区间为17至19.6港元/股 [20] - 天数智芯通过港交所聆讯，2025年上半年营收3.24亿元，同比增长64.2%，2022-2024年三年复合年增长率达68.8% [21] 科技大厂人才与薪酬策略 - 字节跳动宣布加大人才投入，2025全年绩效评估周期的奖金投入较上个周期提升35%，调薪投入较上个周期提升1.5倍 [13] - 字节跳动“M”及以上员工年终奖上限提升，其中“M”激励月数上限增加1.5个月，“M+”上限增加2.5个月，“E”上限增加3个月 [13] - 谷歌为应对AI人才争夺战，2025年招聘的AI软件工程师中约有20%是“回流员工”，该比例相比往年显著提升 [45][46] - 微软CEO纳德拉推动管理层变革，要求高管全力适应AI研发节奏否则离职，并启动每周“AI加速器会议”让基层技术人员直接分享观察 [44] - 追觅科技在脉脉上密集发布高薪岗位，个护品类业务负责人年薪可达120万元，多个技术及业务岗位年薪超过100万元 [23] - 2025年1-10月，追觅在脉脉新发岗位量增幅在所有企业中位列TOP1，超过百度、小米等科技大厂 [23] 自动驾驶与汽车技术 - 长安汽车获得首块L3级自动驾驶专用正式号牌“渝AD0001Z”，率先在重庆开启L3级自动驾驶上路通行试点 [27] - 长安L3级自动驾驶系统已在真实道路测试累计超过500万公里，测试场景要素达191类，超出国标10倍 [28] - 吉利系智驾整合出现人事变动，千里智驾首席科学家袁平一将离职，该公司由吉利、旷视、千里科技共同注资成立 [22] - 千里智驾系统将迎来OTA版本升级，覆盖吉利多款主流车型，公司业务分为智能驾驶、智能座舱、Robotaxi三大板块 [22] 互联网与硬件新品动态 - 钉钉被曝启动代号为“D计划”的秘密项目，可能涉足硬件领域推出类似“豆包手机”的AI硬件新品，官方回应未直接证实也未否认 [8][9][10] - 追觅科技发布全球首款AI健康眼镜，支持24小时心率、血氧、体温等全维健康指标监测，并集成AI紫外线强度监测系统 [10][11] - 苹果首款折叠屏手机iPhoneFold据悉正在尝试不等厚超薄柔性玻璃UFG技术以达成“视觉无折痕”目标，但仍有技术难点待解 [48] - 有两家国产厂商也在评估UFG技术，若产业链问题解决，相关产品大概率能在明年亮相 [48] 国际科技巨头与市场要闻 - SpaceX计划在2026年进行IPO，目标估值1.5万亿美元，并希望筹集超过250亿美元资金，摩根士丹利有望成为主承销商 [41] - 美国新增对H-1B等工作签证申请人的社交媒体审查要求，导致签证办理流程严重拖长，谷歌和苹果已建议部分持签证外籍员工避免出境旅行 [42][43] - 埃隆·马斯克胜诉重获2018年特斯拉薪酬方案，该方案最初估值约560亿美元，现价值已接近1500亿美元 [51] - 美国“星链”计划一颗卫星发生异常，轨道高度迅速下降4000米并产生少量碎片，预计将在几周内重新进入地球大气层烧毁 [44]

公司融资与资金用途 - 公司近期完成Pre-A+轮融资，累计募集资金已达数亿元人民币 [2] - 本轮融资由启明创投领投，五源资本、君联资本等机构参与，经纬创投、英诺天使基金追加投资，并实现超额认购 [2] - 融资资金将主要用于具身智能多模态数据采集、处理与交付的技术研发，加速规模化数据生产体系与工程化平台建设，以及完善核心团队配置以提升产品化交付与服务能力 [2] 公司定位与商业模式 - 公司是一家面向具身智能与人形机器人产业的数据公司，以“数据”为核心交付界面 [2] - 公司为机器人企业、具身智能模型团队等提供高质量、可规模化的训练数据与相关基础设施能力 [2] - 公司选择从数据基础设施这一底层环节切入，专注构建面向产业的技术与平台能力 [3] 核心技术团队 - 创始人/CEO戴若犁博士是动作捕捉与人机交互领域资深技术专家，拥有超过15年的前沿创新经验 [3] - 首席科学家韩磊博士曾任腾讯Robotics X Lab具身智能中心负责人，是机器人与强化学习领域的领军学者 [3] 数据采集方法与战略 - 公司探索以人为中心的数据路径，跳出与本体绑定的遥操作范畴 [3] - 公司将真实数据采集分为工厂采集和野采两种方式 [3] - 工厂采集保证数据的多维度、多模态和高精度，并追求跨本体能力，公司已在国内外建成专业“数据工厂” [4] - 野采在真实日常场景中采集人类自然行为数据，以补充工厂数据的场景局限，追求视觉泛化性 [4] 市场合作与行业地位 - 公司已与六、七十家头部机器人公司产生深度合作 [1] - 合作覆盖多个维度，包括数采设备提供、模仿学习训练数据支持、中小体量数据集授权以及大体量数据集的定制化 [4] - 公司的数据路径体系已在服务全球数十家人形机器人企业及具身智能模型客户的交付实践中得到验证 [4]

文章核心观点 - 具身智能行业正处于从技术演示走向规模落地的关键转折期，高质量数据已成为性能突破和成本控制的核心瓶颈 [2] - 数据采集方式正从以政府支持的同构遥操作数采工厂为主，向多元化发展，包括UMI、动捕、仿真及In-the-wild（野外采集）等多种范式 [3][9][18] - 行业处于早期阶段，数据公司、模型公司与本体公司需深度磨合与协作，共同迭代，而非简单的数据买卖关系 [4][6][7] - 中美在具身智能数据领域技术代差不明显，但发展路径因资源禀赋（如地方政府支持）不同而存在差异，可能形成“资源诅咒” [9][12] - In-the-wild数据采集是未来的重要愿景，但目前面临技术、设备、数据质量与人力组织等多重挑战，大规模应用尚需时日 [20][22][23] 数据质量的定义与评估 - 好的数据应以终为始，最终能有效提升模型性能和机器人训练收益 [4] - 数据质量的关键决定因素包括：采集成本、对不同场景和硬件的适应性 [4] - 数据公司需具备模型知识，与客户共同迭代，才能提供高质量数据，而非仅进行体力劳动式的采集 [6][7] 数据采集方式的多元化发展 - 当前主要数据采集方式包括：遥操作、UMI（通用操作接口）、动捕、仿真数据，各种方式“存在即合理”，未来将更加多元化 [3][18] - 中国地方政府大力支持建设以遥操作为主的数采工厂，短期内促进了行业，但可能影响技术路线的多元化探索 [9][16][17] - UMI作为一种跨本体的、以人为中心的数据采集方式，因北美公司（如Sunday Robotics）的推动而受到广泛关注，特别适用于占据中国市场99.9%以上的二指夹爪机器人生态 [11][12][14] - In-the-wild采集是通向通用机器人的关键，但当前技术门槛高，需先解决低摩擦、高精度、多模态的采集设备及从稀疏数据提取稠密信息的技术问题 [3][20][22] 行业协作模式与数据价值 - 行业早期，数据公司与模型/本体公司是相互磨合、共同成长的关系，模型公司需要数据公司的专业建议 [6][7] - 数据与算法不可分割，数据公司需深入理解算法模型，通过采集-训练迭代获得针对特定任务的宝贵经验（know-how和insight） [7][8] - 拥有全链路能力（数据、模型、部署）的垂直场景公司能快速积累经验，但资源要求极高；数据公司可通过与不同场景客户合作，积累跨场景经验而找到生存路径 [26][27][28] 中美发展路径对比与行业现状 - 中美在机器人数据领域没有明显技术代差，共识大于分歧 [9][12] - 主要差异在于资源禀赋：中国有地方政府助力，倾向于投资建设遥操作数采中心；美国缺乏此类支持，促使了如UMI、In-the-wild等更多元采集方式的发展 [9] - 行业仍处非常早期，每年有200亿至300亿美元的资金投入，但技术成熟度远低于当年同等投资规模下的VR、自动驾驶等行业 [24][25] - 最终技术路线尚未收敛，行业参与者均在跟随正确方向探索，数据是其中相对确定的切入点 [26][29] 公司愿景与展望 - 诺亦腾机器人愿景是作为智能化的赋能者，服务于成功的机器人本体公司 [29] - 极数迭代认为从数据切入是行业早期最具确定性的创业机会，旨在跟随最先进方向积累能力 [29] - 鹿明机器人旨在深耕UMI数据采集领域，目标是成为该领域的Top1，并计划在未来2-3年内完成从工厂采集到野外采集的跨越 [30]

文章核心观点 - 中国To B行业正面临传统“工具买卖”模式下的双输困局，甲方追求低价与效果，乙方陷入定制化与盈利困境 [4][5] - 百融云创提出并实践“结果即服务”新范式，旨在通过“风险共担、利益共享”的新型甲乙方关系，将乙方收入与为甲方创造的可量化业务价值直接挂钩 [6] - RaaS模式的核心是重构商业模式、工程能力和组织协作，使软件进化为可考核、可优化的“数字同事”，推动行业从“价低者得”转向“价值为王”的良性生态 [28][29] 传统To B的双输困局 - 传统模式下，甲方采购遵循“价低者得”的招标思维，既要产品卓越又要成本低廉；乙方则在有限预算内交付，利润微薄 [5] - 这导致“甲方总是不满，乙方总是疲惫”的局面：甲方抱怨软件不好用、效果不达预期；乙方抱怨需求善变、付款苛刻 [5] - 衍生出两大困境：一是标准化与定制化之困，为赢得订单陷入无休止定制化，产品变得臃肿非标，沦为“项目制”作坊；二是增长与健康度之困，追求合同额意味着卷入低价竞争和人力成本军备竞赛 [5] - 困境根源在于过时的交易模式：甲方支付的是生产资料成本，但渴望获得的是清晰的业务结果 [6] 告别“卖铲子”的商业模式 - 百融云创的商业模式持续进化，从MaaS演进至BaaS，再探索RaaS，旨在打破“工具买卖”的零和博弈 [8] - 2014年创业初期，以MaaS切入，通过API按调用量计费，将“数据+算法+行业经验”产品化，为金融机构提供KYC能力 [9] - 2017年进入BaaS阶段，逻辑升级为“构建交易场景”，扮演智能匹配撮合平台角色，商业模式变为“仅成交后分润”，收入与促成的实际交易挂钩 [11] - RaaS模式指向第三条路：与客户并肩“共同挖金子”，收费取决于最终可衡量的业务成果 [12] - RaaS价值交付体系包含三种结算方式：最核心的是“按岗位计价”，参照人类专家薪资水平为“硅基员工”定价，例如相当于月薪3万元法务专家的“硅基员工”服务定价约为1.5万元 [12][13] - 此外还包括标准化的“按量计件”模式，按实际交付的合格成果份数结算；以及延续的BaaS逻辑，按最终达成的业绩进行分润 [13] - 这三种方式共同实践“不为过程卖工具，只为结果共分配”原则，将双方转变为利益共同体 [13] RaaS的工程化答卷 - 百融云创推出“结果云”平台作为RaaS理念的工程化核心，支撑稳定、规模化地交付“结果” [15] - 平台架构分为三层：最底层是AI基础设施层，集成英伟达、海光、昇腾等异构算力，并构建了自有大模型家族，为“硅基员工”提供专业认知能力 [16] - 中间是智能体操作系统层，提供支持智能体全生命周期管理的工具链，开发者可高效创建和迭代业务智能体 [16] - 顶层是智能体商店层，陈列面向业务增量和内部提效的两大类“硅基员工”，如营销、客服专家及HR、财务、法务助手 [17] - 为解决企业级落地中“连接不稳、知识不准、运维失控”三大工程化难题，公司构建了三大工程体系能力 [19] - 通过深化模型上下文协议实现统一、可治理的连接核心，实现对多模型、多工具、多业务系统的“一站式接入”，降低重复适配成本，并构建安全治理与审计机制 [19] - 通过构建“可治理的知识资产链路”，聚焦高精度文档解析、严格的知识版本治理和意图澄清能力，确保在金融、法律等领域输出的知识精准可靠 [20][21] - 通过AgentDevOps体系确保智能体的行为质量与持续进化，其核心包括全流程工程能力、场景化评估器、半监督自适应优化和强化学习增强的在线优化 [21][24] - 这些工程能力带来可量化效果：人工调参与维护成本显著下降，AI Agent上线周期大幅缩短，超过70%的典型应用场景实现自动优化，稳定性与产出质量持续提升 [21] - 三大工程能力环环相扣，共同将“结果云”升级为能持续交付、优化并验证业务结果的工程体系，为RaaS商业模式提供扎实技术支撑 [22] 从“替代恐惧”到“价值同盟” - 当硅基员工走入企业，挑战跃升至组织与协作层面，可能引发因取代人类员工而导致的内部抵触 [24] - 百融云创提出“硅碳共治”的未来范式，追求协作而非替代：硅基员工承接定义清晰、重复性高的任务；人类员工则被解放至需要复杂判断、创造性思维和情感交互的高价值领域 [25] - 具体协作模式包括：部分标准化工作流程由硅基员工独立完成；关键环节采用“硅基初审、人类专家复核”模式；更多时候两者紧密配合，由硅基员工提供实时数据分析和知识支持，人类员工做出最终决策 [25] - 这一转变有望打破传统软件采购“压价-减配”的死循环，当双方利益通过对“硅基员工”的绩效KPI达成共识并绑定时，博弈焦点从“为工具成本砍价”转向“协同优化以创造更大价值” [27] - 合作关系从而从甲乙方进化为真正的“价值同盟”，从根源上化解因目标错位导致的内耗 [27] - 公司的深层行业愿景是以自身实践为蓝本，推动整个To B行业从“价低者得”的恶性竞争转向“价值为王”的良性生态 [28] - 公司通过“开放赋能”，向更多机构开放底座，让合作伙伴在平台上沉淀自身场景经验，同时推动智能体向“标准化模板与可定制部分”相结合的方向发展，以应对开放生态的复杂性 [28] - 公司构建的是一种适应智能时代的新生产关系，软件进化为可考核、可优化、能共同成长的“数字同事”，合作成为围绕共同目标的动态共创 [28]

京东自有品牌业务人事与组织架构变动 - 京东自有品牌业务近期发生关键人事震荡 前山姆系高管在加入数月后正式离职[1][2] - 原自有品牌业务负责人汤恒晟经历短暂岗位调整后 正式调任京东工业 出任自有品牌业务部总经理[2] - 今年4月 汤恒晟曾突然从负责人岗位卸任 转入“战略储备人才”序列 在此期间需向新入职的山姆系高管汇报[2] - 此前为山姆系高管所定职级或在M4-1及以上 与原负责人汤恒晟职级持平甚至更高[2] 人事变动背后的原因与业务背景 - 引入空降高管的原因被认为是集团董事局主席刘强东对汤恒晟近两年管理的自有品牌整体业绩不满意[3] - 空降高管入职后很快遭遇“水土不服” 最终无奈选择离开[3] - 京东于2015年开启自有品牌探索 2018年上线全品类自有品牌“京造” 正式敲定业务布局[3] - 品牌矩阵后续拓展至包括“惠寻”、“LATIT”、“风味坐标”、“京萌”等[3] - 2021年10月 京东将自有品牌升级为独立的一级部门 成为与京东零售平级的事业群[3] - 2023年 原高级副总裁王笑松卸任 汤恒晟接棒出任代理负责人 向刘强东与CEO许冉汇报[3] 业务战略调整与现状 - 后续发展中 京东逐步收缩战略 将资源集中在“京东京造”与“惠寻”两大核心品牌上 砍掉了部分表现不佳的边缘品类[4] - 但这一调整并未彻底扭转整体业务颓势[4] - 接近公司的内部人士透露 京东自有品牌事业部已在近期正式解散 原有业务线已整合至其他业务相近的事业群中[4] - 从当前信息来看 京东不会完全放弃自有品牌业务 但亟须重新定义其在集团生态中的定位[4] 京东工业的自有品牌布局 - 京东工业同时发力自有品牌 今年3月首次披露战略布局 已推出针对高专业度工业品的“法力创”和高性价比通用品的“惠象”两大子品牌[4] - 这也可能是将拥有丰富自有品牌管理经验的汤恒晟调往京东工业就职的原因之一[4]

文章核心观点 - 具身智能领域仍处于技术路线发散探索阶段，尚未收敛，这为创新提供了机会，但最终目标是实现通用泛化智能，而非回归传统工业自动化 [3][4] - 世界模型在自动驾驶等特定场景已开始应用，主要用于生成海量合成数据以覆盖长尾场景和进行闭环测试，但其与具身智能的结合仍处于早期探索阶段，定义和技术范式尚未统一 [10][11][12][14] - 空间智能是机器人感知和理解环境的关键，其发展建立在SLAM等技术基础上，并引入AI以增强对语义和复杂空间关系的理解，但目前仍面临数据模态不足等挑战 [20][21][22][23] - 具身智能的落地应用面临技术、成本与商业化现实的巨大鸿沟，需在追求通用智能的“星辰大海”与解决工业自动化等迫切需求的“脚踏实地”之间找到平衡 [25][26][27][30] - 数据是驱动技术发展的关键，其获取方式（真机、仿真、生成）的有效性取决于具体任务，业界正在探索不同数据源的最优组合比例 [34][35][38] 具身智能技术发展现状 - 技术路线仍处于发散探索阶段，尚未收敛，高校与产业界需更好分工合作，高校应聚焦交互、人机协同、世界模型等核心问题突破 [3][4] - 单体机器人研究倾向于采用端到端技术路线以降低系统复合误差和延迟，决策层共识是放大视觉语言模型的能力 [5] - 群体机器人的基础是打造柔性、弹性、分布式、灵活的群体架构 [5] - 端到端是一种工程范式，强化学习是一种具体解法，黑箱是一种模式，三者概念不同，不应等同 [6][7] - 实际研究中采用多种解法，包括大量使用强化学习，并以解决问题为唯一目标 [8][9] 世界模型在自动驾驶领域的应用与挑战 - 世界模型在自动驾驶领域主要用于生成海量合成数据以覆盖数据飞轮积累的corner case和之前布局不到的场景 [11] - 与传统方案相比，世界模型能实现闭环测试，将决策链路放在模型内进行优化，这是最大的不同 [11] - 自动驾驶场景相对简单，且早有“闭环仿真器”概念，生成式AI能力的提升使生成的数据真假难辨，提供了大量有价值的训练样本 [12] - 世界模型的定义尚未统一，例如李飞飞侧重像素级重建，而LeCun认为潜在空间表达也算世界模型 [12] - 自动驾驶领域世界模型的状态表征主流仍是视频生成，同时结合雷达、点云等多模态数据以增强信息量和安全性 [13] - 将世界模型与视觉语言动作模型结合，旨在解决离线数据集无法通过模仿学习获得长程思维和未来预测能力的问题 [15][16] - 世界模型有助于解决长程任务的理解和预测难题，能赋能后续的策略学习 [17] 空间智能的定义与发展 - 空间智能定义尚不清晰，其发展部分源于SLAM技术的延续和演进，现在更多采用基于学习的方法 [20] - 空间智能不仅关注空间几何，还增加了对语义信息的关注，包括物体类别、用途、交互方式等 [21] - 机器人目前处理复杂空间关系（如“第一排左边数第四个瓶子”）的能力仍不成熟，这是空间智能需要解决的问题 [22] - 大模型因训练数据源于语言模态而存在空间关系上的“幻觉”，需构建专门数据集与传统SLAM的强空间能力对齐 [23] - 当前视觉语言模型中的视觉多为2D，3D模态较为欠缺，需补足3D信息以解决空间智能问题 [23] 具身智能的落地应用与商业化挑战 - 无人机应用生态中，航拍、农业植保等易落地应用占比可能不到1%，更多高空作业场景（如灭火、清洗、载人）尚未实现 [26] - 应用未普及的最大卡点之一是“不够智能”，依赖规则编写导致开发成本高，难以算过经济账，AI发展带来了解决希望 [27] - 通过AI与大模型结合改进决策能力，被视为实现通用泛化解决问题能力的关键希望 [29] - 产业界存在迫切需求，希望尽快将机器人用于工业自动化，这与技术创业者的通用智能愿景存在差距 [30] - 人形机器人硬件在负载能力、高负载平衡性、运动稳定性及灵巧手方案等方面仍有诸多挑战，离真正“干活”的应用落地尚有距离 [30] - 中美创业环境存在差异，例如Scale AI估值达140亿美元，而国内创业公司估值多在几亿人民币量级，需同时面对宏大愿景与短期商业化的矛盾 [31] - 创业者认为最终成功做成事情比估值高低更重要，并指出中国投资人对技术的耐心因DeepSeek等案例而有所增加 [31][32] 数据获取策略与有效性 - 机器人数据获取主要有真机采集、仿真和视频生成模型三种方式，其有效性需根据具体任务判断，并非真机数据一定最合理 [34][38] - 数据可视为金字塔结构：底层是大量、低成本的互联网或视频数据，用于预训练；中层是合成数据，用于提高任务泛化性；顶层是真机或遥操数据 [34] - 业界正在探索不同数据源的有效比例，例如一种说法是70%的网络视频数据、20%的合成数据和10%的真机数据 [35] - 合成数据是否有效，关键在于其是否针对特定任务有价值，且其表达形式不一定是视频，也可能是潜在的抽象表征 [35][36][37] - 对于足式机器人的基本运动控制任务，可能在纯仿真环境中无需真实数据即可完成，高度依赖任务形式本身 [38]

文章核心观点 人工智能产业化面临严峻挑战，商业化落地成功率极低，行业存在显著的预期、系统、数据等多维度泡沫，但同时在垂域小模型、安全可控、提升模型规模等方向存在长期机遇 [4][6][7][8][9] 人工智能产业化的主要挑战 - **商业化落地困难**：大语言模型仅在个别场景成功，缺乏大规模商业应用和成熟商业模式 [4][13] - **企业预期过高**：媒体和全球对人工智能的不切实际预期，尤其是企业老板的预期，可能将行业引向灾难性泡沫 [6][16][25] - **系统集成难题**：人工智能新技术难以与企业的传统遗留系统适配，技术无法自主理解和使用企业异构数据，如同“等待投喂的猫” [6][17] - **数据维度局限**：产业化落地仅靠公开的语言数据远远不够，缺乏处理非语言类私有数据（如图像、视频）的有效方法 [6][18] - **机器人技术卡点**：机器人离实际落地相当远，在感知、理解、规划、学习四个层面均存在巨大技术瓶颈 [6][21][22][23] - **企业实践信心危机**：决策层与AI团队在“无所不能”和“一无所能”的认知间摇摆，导致项目难以持续推进，CTO/CIO岗位因缺乏产出而更替频繁 [7][24][25] 当前存在的主要泡沫与陷阱 - **算力建设泡沫**：各地智算中心大量建设，但多为推理卡集群而非训练集群，导致大量算力资源闲置，投入产出严重不匹配 [8][29] - **应用层同质化与“人工AI”**：AI应用领域“人工”参与成分过高，并非真正的智能应用，市场上Agent框架等产品同质化严重 [8][30] - **数据层面的认知泡沫**：误将大语言模型在公开文本数据上的成功，简单迁移到行为、图像等异构的非语言数据领域 [28] - **数据枯竭风险**：人工智能依赖的公开数据仅占全球数据总量的4%，96%为非公开的私有数据，数据源面临枯竭，如何利用私有数据赋能大模型是巨大挑战 [29] - **人形机器人的定位争议**：人形机器人在高风险、高强度、高精度等特定场景下，人体结构并无优势，其当前的“爆火”更多源于拉动经济消费和产能的“短期自救”考量，而非技术上的长远目标 [8][34][36][37] 未来值得关注的发展方向 - **垂域小模型与数据协作**：在医疗等数据稀缺领域，需研究如何整合各领域专家的小数据模型，在保护隐私的前提下构建全局受益的模型，联邦学习是重要方向 [9][39] - **安全可控**：安全可控是人工智能短、中、长期都至关重要的方向，涉及解决幻觉问题、推动高价值行业落地以及防范AI拟人化后与人类争夺权力与资源的远期风险 [9][44] - **提升大模型基础能力**：国内大语言模型参数量约1万亿，与国外近7万亿的规模存在差距，提升模型规模将带动从底层基础设施到上层算法、数据的系列革新 [9][44] - **突破基础软硬件“卡脖子”**：在数字智能和物理智能领域，中国尚未形成独立自主可控的软硬件协同系统（如替代CUDA和Omniverse生态），这是重要的产业机遇 [42][43] - **“通专融合”的科学大模型**：发展既能保持通用性能又能处理专业任务的科学大模型，而非简单微调，是潜力方向 [43] - **加强AI对基础科学的理解**：利用人工智能深入学习数学和理解物理世界，是人工智能与科学结合的重要基础 [45]

公司融资与团队 - 3D打印品牌轻量智造于近期完成天使轮融资，由头部激光上市企业旗下基金海欣资本领投，南山战新投跟投 [1] - 公司成立于2025年4月，由前安克3D打印机负责人王志宇创立，创始人拥有机械设计专业背景，并曾任职于三一重工、华为、创想三维等公司 [1] - 公司已组建一支近40人的团队，计划将本轮资金投入产业化落地及技术研发 [1][2] 产品与市场战略 - 公司初期专注于3D打印批量制造细分赛道，首款产品已完成样机开发，预计于2026年上半年在欧美市场正式推出 [1] - 公司瞄准全球消费级FDM 3D打印机市场中的SMB（中小企业）细分市场，该SMB市场规模约为100亿元人民币，而全球消费级FDM 3D打印机总市场规模约为500亿元人民币 [1] - 据称，公司的技术或解决方案能够使企业主的投资回报率提升至现阶段的近10倍 [1] 行业背景与创始人观点 - 创始人王志宇表示，过去在安克的工作经历使其获得了许多帮助，并通过该平台看见了更广阔的世界 [2] - 创始人希望为3D打印行业的发展注入更多可能性 [2]

文章核心观点 - 时空AI是人工智能进入物理世界、发挥巨大产业价值的基础理论和关键技术，但其发展面临数据稀缺、模型能力弱、方案闭环难三大核心挑战 [1][4] - 城市计算可作为实现具身智能的方法论和计算框架，而具身智能将成为城市计算的核心组件，未来城市有望成为一个“巨大的具身智慧体” [3][35][36] - 时空AI的发展道路漫长且艰难，需要长期攻坚关键技术和基本理论，但其应用前景光明，在智能城市建设等领域已展现出巨大价值 [22][40] 时空AI的定义与重要性 - 时空AI是基于时间和空间维度观测，以带有时空属性的数据为主要描述，通过与物理世界动态交互和循环反馈，来感知、理解、影响和掌控物理世界中物体行为和自然现象的人工智能理论、机器学习方法和数据挖掘技术 [12] - 人工智能过往的成功主要集中在虚拟世界，但要发挥巨大的产业价值，必须进入物理世界，即问题和数据都来自并反馈于物理世界，如具身智能、无人驾驶、城市应急管理等 [3][6][7] 物理世界与虚拟世界的核心差异 - **空间约束**：包括江河、湖泊、海洋、山川、道路等无法穿越的实体 [15] - **物理规律**：包括力学规律、能量守恒定律、星际运行法则等 [16] - **物种行为**：包括动物迁徙、人类活动、生物繁衍等 [17] - **运行法则**：包括城市运行管理、交通管理规则、航空运输法则等 [18] - 这些差异叠加，使得物理世界的AI交互非常复杂，需要形成“观测-建模-反馈-执行”的完整闭环，并涉及大量人力因素 [19] 时空AI面临的三大挑战 - **数据稀缺体量小**：传感器不可能遍布任何地方，数据不能无时无刻获得，且采集成本高、周期长 [4][9][19] - **模型时空能力弱**：许多物理规律未知、观测方法有限、人为因素不确定，三者叠加导致时空AI建模非常困难 [4][22] - **智能方案闭环难**：需要完成从物理世界观测到数字信号，再经建模、人工修订反馈，最终执行回物理世界的完整闭环，过程复杂 [4][19] 时空AI的关键特性与解决思路 - **时间属性**：包含临近性、周期性、趋势性等特性，例如交通流量的相似性与变化趋势 [20] - **空间属性**：包括空间距离、空间层次及地理学第一定律等特性，例如城市从市到房间的空间层次感 [20] - 解决思路在于对观测数据中的时空属性进行提炼和理解，并将这些属性运用到AI模型中，以降低复杂度、提升效率 [20][22] - 即便许多规律未知，仍可通过在观测的时空数据与执行的时空动作之间建立映射，利用已知物理规律和时空数据特性来部分解决问题 [23] 时空AI的发展历程与阶段 - **第一阶段 (1960-1995) 时空经典模型**：基于少量人工采样数据和经典假设（如距离反比差值）进行简单统计，方法至今仍有部分应用 [26] - **第二阶段 (1995-2008) 时空模式发掘**：开始利用空间数据库技术进行时空关联规则和模式发掘（如商业网点分布），但初期未充分考虑时间特性 [27][28] - **第三阶段 (2009-2016) 时空经典机器学习**：通过经典机器学习模型结合时空特征工程解决实际问题，例如将城市空气质量预测精度从60%提升至80%以上 [29][30] - **第四阶段 (2016-2030) 时空大模型**：为解决复杂问题（如城市人流预测）提出了面向时空数据的深度学习模型，进入时空大模型阶段 [32][33] - **第五阶段 (2023-2035) 城市大模型**：强调跨域多源多模态数据融合与城市知识体系构建，是时空AI走向产业级应用的关键 [34][35] 时空AI的应用实践与价值 - **空气质量预测**：通过大数据和AI方法，将中国城市空气质量预测精度提升20%以上，帮助300多个城市节约了100多亿的污染治理费用 [30] - **城市人流与安全预测**：为解决外滩踩踏事件等公共安全问题，开发了时空图卷积模型，能预测区域间人流转入转出，实现源头治理 [32][33] - **智能城市建设（雄安案例）**：以城市计算理论为支撑，构建城市操作系统，整合消费、交通、政务、水电气热等实时数据，提供交通事故影响分析、绕行推荐、用电负荷分析、燃气管网异常预警与处置、景区安全管理等服务 [39][40] - 在雄安案例中，通过AI检测燃气管网异常并预警后，系统可调取物理摄像头验证，并派单给最近的工作人员处理，结果实时反馈形成管理闭环 [40] 时空AI的技术框架与成效 - 团队深耕时空AI领域二十年，形成的方法论包括：洞悉时空规律特性、设计时空AI建模方法（经典时空特征工程+经典机器学习 或 时空表征学习+时空深度学习）、提供时空AI机器学习框架 [24] - 应用该体系可将模型复杂度降低90%，算法精度提升20%，研发效率提升100% [24] 城市计算与具身智能的关系 - 城市计算可作为实现具身智能的方法论和计算框架，而具身智能可以成为城市计算整体中的一个核心部件 [35] - 具身智能并非特指人形机器人，而是所有AI与物理世界实体结合、能满足自我迭代演进特性的智能体，未来整个城市可成为一个巨大的具身智能体 [36][40]

文章核心观点 - 智能飞行机器人是具身智能的重要分支，通用飞行智能已到爆发前夜，旨在打造聪明、安全、能自主决策的飞行平台[7] - 行业正致力于攻克天空端具身智能的独特挑战，以构建技术护城河，并最终实现能大规模量产的智能飞行机器人[16][22] - 通过构建从“小脑”到“群脑”的五维技术体系，公司展示了在环境感知、本体控制、端侧决策、集群协同及飞行操作方面的显著进展，推动技术在多场景落地[18][45] 飞行机器人的愿景和无人机技术演进 - 旋翼无人机技术从2015年前依赖人工操控的“高级玩具”，演进至具备跟踪避障、自主导航等机器人学赋能阶段，下一个里程碑是“具身智能”[9] - 团队的终极愿景是打造如电影《普罗米修斯》中所示的、能在复杂环境中自主穿梭的智能飞行器，以及如《流浪地球》反例所强调的、无需中心节点的分布式无人机集群[10] - 目标是开发具备规模化、分布式化和高灵活特性的智能飞行载体，以执行大规模复杂任务[10] 天空端具身智能的四大挑战 - **数据稀缺**：无人机难以通过雇佣专业飞手进行高精度飞行控制来采集数据，因技能门槛高、设备易损毁且存在安全风险，导致数据采集成本与风险不可控[12] - **场景复杂**：无人机飞行场景跨度大、环境差异显著，要求算法具备跨场景泛化能力，核心难点在于从差异化场景中提炼通用化的环境表征规律[14] - **易受干扰与零容错**：无人机易受气流扰动，需具备极强动态抗扰能力，且飞行过程零容错，任何剐蹭都可能导致坠毁，无停驻待机机会[14] - **端侧资源受限**：机载算力弱、传感器性能有限，难以支持大模型在端侧实时运行，且易受各种扰动[15] 技术体系与研发进展：从“小脑”到“群脑” - **小脑技能（本体运控）**：通过sim-to-real端到端强化学习技术，使无人机仅凭单颗机载摄像头，即可将视觉图像映射为控制指令，端侧模型运行频率超过100Hz，实现高动态自适应飞行[25] - **小脑技能（性能表现）**：系统飞行能力可超越人类高水平飞手，能自主连续穿越多个狭窄不规则缝隙，并完成如倒转穿框等高难度特技动作[27] - **小脑技能（轻量化与仿真）**：最小端到端网络可部署在总重仅50克的无人机上，实现低成本端到端导航避障，并构建了像素级、以假乱真的数字孪生仿真系统用于数据合成[29] - **大脑（端侧决策与规划）**：研发的路径规划大脑具备跨本体（旋翼/固定翼无人机、轮足机器人）和跨场景的通用能力，单次神经网络路径规划时间在10毫秒以内[30] - **大脑（多模态理解）**：通过端/边缘侧部署的视觉语言基础模型，飞行机器人能理解语言文字指令，将模糊逻辑与视觉图像对齐，完成从理解、推理到决策的闭环，实现无GPS、无人为操作的自主探索任务[31][33] - **集群协同智能**：致力于打造完全分布式、去中心化的无人机集群架构，确保个体加入或退出不影响整体任务，已实现16架无人机在未知、无GPS环境下的实时协同与队形保持[35][37][38] - **集群协同规模**：分布式集群避障算法框架在仿真中已支持1,000架以上无人机规模，是学界考虑高阶动力学的实时分布式最大规模运动规划算法框架[37] - **集群应用（协同作业）**：实现多机协同三维重建与任务调度，并成功演示多机协同调运，通过精细化动力学模型实时分配拉力，确保载荷稳定及无个体“偷懒”，相关研究已被TRO条件接收[39][40] - **飞行操作一体化**：开发了具备“飞行手”功能的欠驱动机械手无人机，可通过单电机实现指尖捏取或掌心抓握，完成“抓了就跑”的物品投递任务，并能在抓取前后保持平稳飞行[42][43][45] 产业应用与商业化方向 - 技术正朝多个方向落地，包括泛测绘-巡检（替代人工进入复杂恶劣环境）、特种安防、车用级飞行智能体（满足移动平台协同需求）以及通用开放的二次开发平台[45]