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]

文章核心观点 - 当Transformer架构面临参数和规模的极限时，端侧群体智能是AI发展的另一条重要出路 [1][35] - 摆脱对云端大模型的依赖，通过具备原生记忆和自主学习能力的端侧智能设备实现本地化、个性化、低成本的智能互联，是未来的发展方向 [3][4][29] - 公司致力于开发非Transformer架构的模型，以推动设备端侧智能从“固定工具”向“持续学习”和“即时成长”演进，最终构建“群体智能”生态 [4][21][33] 对云端大模型现状的批判 - 当前主流的按Token付费的云端模型模式是一种错误的理念，全球每日消耗的Token总量达万亿甚至百万亿级别，其中至少有50%是被浪费掉的 [4][9] - 依赖云端处理简单指令（如发送短信）链路复杂绕远，且涉及隐私泄露风险 [7][9] - 一味堆砌算力、数据和参数规模的发展路径正在扼杀创新，并让许多小团队失去机会 [4][15] 端侧智能的优势与愿景 - **优势**：端侧智能可实现设备间本地联动，无需云端参与，在保护个人隐私、降低使用成本（无需Token付费）的同时，允许模型高度个性化 [3][4][7] - **应用场景**：描绘了智能家居场景，如回家后设备自动完成播放音乐、加热水、拉窗帘、设定闹钟、预订早餐等一系列操作 [3][7] - **终极形态**：当众多具备智能的设备相互联动，可能催生出“群体智能”的新形态，类比于智力相近的人类通过协作完成造火箭等复杂任务 [4][13][33] 端侧智能面临的挑战与解决思路 - **核心挑战**：包括硬件资源（算力、内存）受限、对实用性（实时性、功耗）要求高，以及模型缺乏自主学习能力 [4][13] - **关键能力**：未来的智能硬件必须具备**原生记忆**和**自主学习能力**，使模型能够持续成长，而非在部署后“死亡” [4][19][21] - **记忆分层**：记忆包括形态记忆（如电话号码）和知识记忆（经大脑转化的观点），更高层次是由长期记忆学习构成的世界观，这是实现模型个性化及进化的基础 [19] 非Transformer架构路线与模型表现 - **技术路线选择**：公司选择开发非Transformer架构（Yan模型），以在资源受限的设备端实现智能，核心在于架构内置的记忆模块和选择激活机制 [4][23] - **模型表现**：在多项指令模型评测指标中，非Transformer架构模型（Yan 2.0 preview+）与主流Transformer模型（如Ilama-3.1-8b-it、gemma3-4b-it）效果差异不大，甚至在部分推理任务（如ARC-e）上表现更优 [24] - **路线开放性**：技术路线应百花齐放，非Transformer架构应占有一席之地，多一条路线就多一种可能性 [24][37][38] 端侧智能的落地应用与影响 - **应用演示**：模型可部署在手机上，学习概念后指挥机器狗完成任务；也能理解复杂指令（如为老人自动调节空调），并依靠记忆重复执行 [26][27] - **对硬件的影响**：真正的AI硬件应让用户感受不到AI的存在，实现软硬件深度融合，设备将更加个性化、富有情感且更了解用户 [29] - **成本与效能**：在垂直场景下，一个小参数模型（如3B）可能达到未优化的大参数模型（如8B）的效果，解决实际场景问题时，大模型的许多参数可能是浪费的 [40][41] 公司业务聚焦与未来展望 - **业务聚焦**：公司目前主要聚焦于消费电子类设备，包括平板、PC、机器人等方向 [31] - **未来模式**：未来的智能将是云端与设备端相结合、按比例分配协作的模式 [33] - **行业趋势**：端侧智能已引起广泛关注，众多公司开始在此领域发力，大模型正从云端向端侧延伸，有消息称OpenAI明年可能发布结合模型的自有硬件 [9]

具身智能作为连接虚拟模型与物理世界的核心赛道，正成为行业竞逐的焦点。而第八届 GAIR 全球人工智 能与机器人大会，便聚焦人工智能与机器人领域的前沿突破与产业落地，于日前圆满落幕。 本次大会上，深圳极数迭代科技创始人 佟显乔 博士，带来了关于具身智能数据领域的深度分享。 在语言大模型凭借海量数据实现爆发式增长的背景下，具身智能与机器人领域却面临着数据供给的显著缺 口 —— 现有数据集规模仅达数千至十几万小时，与语言模型的海量数据储备相去甚远。数据作为具身智 能发展的核心基石，其稀缺性、高成本与碎片化问题，已成为制约机器人泛化能力提升的关键瓶颈。 " 具身数据是未来几年一个较有确定性的好赛道。 " 作者丨高景辉 编辑丨马晓宁 而佟显乔博士结合自身深耕行业的实践经验，从具身智能数据的核心价值、当前行业面临的三大瓶颈、数 据工程的系统属性，到针对性的产品解决方案展开全面阐述，为行业破解数据难题、推动具身智能规模化 发展提供了极具参考价值的思路。 以下为佟显乔博士的演讲内容，雷峰网做了不改变原意的编辑。 01 具身智能的数据价值 首先，既然大家都来到GAIR大会数据专场，就应该知道从上一波语言大模型的发展来看，数据的 ...

汽车行业动态 - 本田因半导体短缺计划从12月下旬至明年1月上旬暂停或减产日本和中国工厂的整车生产 其中与广汽集团的合资工厂自12月29日起停产5天 日本工厂在1月5日、6日停产两天 预计半导体短缺将导致其本财年营业利润缩水1500亿日元（约合人民币68亿元）[5][6] - 蔚来汽车正在推行一种新的渠道合作模式 由用户开店 公司不提供资金支持但会派遣销售顾问（Fellow）到现场卖车 该模式已在广州以带有“蔚来工坊”字样的咖啡店形式落地[9][10] - 广汽集团启动自主品牌BU改革 将昊铂与埃安两大品牌纳入同一事业部统筹运营 渠道融合计划在明年1月31日前覆盖超30城市 3月31日前形成超1000家销售网点 并任命张雄为昊铂埃安BU总裁[10][11] - 大众汽车明确将不再推出新的小型燃油车 下一代入门级车型将只做纯电 首款车型ID.Polo计划于2026年春季在欧洲上市 起售价约为25000欧元（约合20.7万元人民币）[36] - 哪吒汽车母公司合众新能源已选定经营管理受托方 以恢复销售网络并盘活经销商网络 受托方核心管理团队需至少20名成员并具备15年以上国内主流整车厂管理经验[28][29] - 福特汽车宣布调整电动汽车战略 取消部分大型电动车计划 专注于利润更高的混合动力及燃油车型 预计这一决定将损失约195亿美元[38] 消费电子与硬件 - 小米宣布与徕卡合作升级 首款产品小米17 Ultra将于下周发布 将搭载移动影像领域首款徕卡APO认证长焦镜头[11][12] - 索尼已关闭其位于广东惠州的主要工厂 并为中国员工提供了“N+3”补偿方案 该工厂股权已于去年12月底转让给日本企业RS Technologies 高峰时期全球约一半的DVD播放机出自此厂 员工规模曾超过3万人[23] - 扫地机器人品牌iRobot申请破产保护 其首席执行官坦言公司未能适应市场变化且无力与中国竞争对手抗衡 其全球市场份额已从2017年的50%降至2025年1至9月的7%[40][41] - 大疆Inspire悟系列产品负责人欧迪离职创业 成立璇玑动力并完成近亿元天使轮融资 公司聚焦机器人核心零部件与本体全栈研发[26][27] 人工智能与互联网 - 腾讯回应其AI“元宝”自动回复太像真人的质疑 表示所有带有“内容由AI生成”标识的评论均由AI生成 无人工运营 元宝已接入腾讯各大产品评论区 并可在微信和QQ添加为好友[8] - 火山引擎相关人士回应“豆包大模型比价”问题 称不会提高字节系产品权重 AI完全基于用户指令执行任务 并以演示中选择拼多多为例[22] - 谷歌正推进内部代号为“TorchTPU”的计划 旨在提升其AI芯片TPU运行PyTorch框架的性能 以挑战英伟达的市场地位 并考虑将部分软件组件开源[38][39] - 前网红“半藏森林”据传已入职某头部问答社区（推测为知乎）担任AI产品经理 负责克隆人项目“XEva”研发 其此前在微软关联公司的项目上线首日吸引30万用户互动[14][15] - 小红书对社区组织架构进行深度调整 划分为“Live”和“Village”两部分 旨在推动“产运研一体化融合”并发力优质中长视频（时长或超过2分钟）以寻求增长[17][18][19] 企业财报与业绩 - 蔚来汽车2025年第三季度交付87071台 同比增长40.8% 环比增长20.8% 创历史新高 营收217.9亿元 同比增长16.7% 综合毛利率13.9% 创近三年来新高[10] - 小米集团2024年高端手机出货量超1300万台 2025年预计超过1500万台 2025年第三季度小米手机全球市场稳居前三 中国市场1-10月排名第二 其中4000-6000元价位段市占率达18.9% 同比提升5.6个百分点[33] - 美光科技2026财年第一财季净利润达52.4亿美元 较去年同期的18.7亿美元大幅增长 总营收同比激增57% 公司预计第二财季营收将达约187亿美元 远超市场预期的142亿美元 主要受AI数据中心需求推动[42][43] 投融资与创业 - 3D打印品牌“轻量智造”完成天使轮融资 由头部激光上市企业旗下基金领投 公司成立于2025年4月 瞄准全球规模约100亿元的SMB市场 称能使企业主ROI提升至近10倍[21] - 机器人公司“有鹿机器人”正在研发安保机器人 计划于2026年年中发布 该公司由前阿里达摩院机器人实验室技术负责人陈俊波创立 已于2024年5月完成超1亿元天使轮融资[30] 企业合作与纠纷 - 索尼与腾讯已就《荒野起源》游戏侵权诉讼达成保密和解 索尼正式撤回起诉 根据此前临时协议 腾讯已将游戏发售日期推迟至2027年第四季度并更换宣传图[24][25] - 英伟达已就前员工窃取法雷奥智能驾驶商业机密一案与法雷奥达成和解 该前员工此前已被判有罪[44]

文章核心观点 - 在AI时代，中国顶尖大学与海外顶尖大学已处于同一起跑线，教育竞争格局正在重塑 [11][13][15] - 高等教育的核心使命是培养“真人、善人、美人”，人文素养与数学、母语能力等基础学科比热门技术学科更为重要 [6][30][31] - AI正在推动教育民主化与自主学习，大学需改革课程体系，减少重复教学，注重培养学生运用知识的能力、创造力及沟通能力 [14][15][26] - 大学应摒弃“无限责任公司”的定位，建立合理的淘汰与分流机制，帮助学生发现自我并找到适合的赛道 [4][6][18][20] - 应鼓励学生积极使用AI工具进行学习与探索，阻挡孩子接触AI是时代的倒退 [7][37] 中外教育对比与竞争格局 - 中国高等教育在AI时代已实现对海外教育的“弯道超车”，与哈佛、MIT等名校站在同一起点上 [2][11][13] - 社会对大学的期望值过高，技术进步是全社会的事，不能全部归责或归功于教育 [11][13] - 英国教育体系强调自主学习，与AI时代的教育需求吻合度较高，课程精炼，讲课节奏快 [14] - 需要摆脱“超车”思维，创造属于自己的教育理念，而非沿用他人的话语体系 [15] AI时代的教育理念与大学改革 - AI使教育的自主性更强，传统教育功能已推向学生自主学习，大学入学的作用发生变化 [14][24] - 大学课程过多且存在重复，改革方向是减少课程，给学生更多时间，注重能力与实践性培养 [15] - 好大学、好学科的共同特征是数学和母语语言能力学习，而非当下热门的计算机或人工智能 [6][30] - 大学的竞争力最终体现在其培养的“人”对社会是否有用 [27] - 大学是能历经数百上千年的社会机构，其核心在于创造知识、培养人，并成为社会的“不动点” [6][30] 学生培养与评价体系 - 提出“三出两进出一流”的国际化人才培养评价标准 [4][17] - “三出”：清华本科毕业生能拿到美国学校offer、博士毕业生能拿到美国教职、中国教师能转到美国大学任教 [18] - “两进”：最好的学生愿意来中国读书，最好的老师愿意来中国教书，目前尚未完全达到 [18] - 高淘汰率是正常且有益的机制，例如美国公立大学本科四年毕业率仅为60%～70%，能帮助学生找到适合自己的道路 [6][18] - 应鼓励学生分流和选择，学生发现学校或专业不适合自己而离开是一种成功 [6][20] - 港科大采用入学不选专业、后期灵活选择的模式，并拥有浓厚的创业风气，支持学生创业 [6][23][24] 未来人才的核心技能 - 最重要的求生技能是强大的沟通能力（包括人机沟通）和创造力 [26] - 未来就业形态可能发生变化，独立创建AI原生公司（可能仅由数人组成）的能力比寻求雇佣更重要 [26] - 教育的重点是能力的培养，而非知识的灌输，因为所有知识都可以从ChatGPT获取 [15] AI工具的使用与教育方式 - 当前依赖刷题和补习班的教育方式浪费了家长的金钱和孩子的宝贵时光 [7][36] - AI可以帮助孩子以问答互动的方式了解世界，这是改变学习方式的第一步 [36] - 在校内应减少课堂教学、刷题和考试量，增加“体验”，如科研和人生的快乐，这是AI无法替代的 [7][36] - 阻挡孩子使用AI工具是开历史倒车，正确的做法是引导孩子分析AI的解题思路，学会好好利用工具 [7][37] 个性化发展与职业选择 - 教育者的任务不是“引导”孩子，而是提供环境让孩子“发现”自己的专长 [39] - 不仅要发现专长，也要认识自己的短板，并应“扬长避短”而非“扬长补短” [8][39] - “短板”造就了个体独特性，一个没有短板的人是很可怜的 [8][39]

行业现状与核心矛盾 - 服装制造业是一个万亿美元级别的巨大市场，但自动化程度极低[5] - 2019年，中国工业机器人总使用量约11万台，但服装行业仅引入157台，形成鲜明反差[5][11] - 全球服装行业营收规模预计到2030年将达到2.3万亿美元[11] - 服装制造中80%的生产时间与成本浪费在物料处理环节（如搬运、抓取、铺平、定位）[1][12] - 在缝制前的准备工序中，67%的人工被用于整理布料、对齐、折叠等操作[1][12] 自动化难题与技术瓶颈 - 处理柔性、易变形材料（如纺织品）是世界性难题，是自动化程度低的核心原因[5] - 传统自动化依赖刚性夹具，无法适应服装款式的快速变化，导致系统通用性差、成本高[5] - 许多涉及柔性材料的复杂工艺流程，如制鞋业中将纤维材料与皮革一起加工，仍主要依靠技术娴熟的工人，难以被自动化[10] - 当前半自动缝纫机在处理柔软面料时，仍需工人使用夹具临时固定材料，一旦产品设计变化，整个系统需重新调整，限制了通用性与响应速度[12] - 大规模生产中的自动化系统往往是固化的，适用于无需频繁更换的设计，而半自动系统则需要针对不同产品进行专门配置[13] 破局思路与关键技术 - 研究团队开发了一系列技术，旨在让机器能像熟练工人一样感知、适应、抓取、裁剪柔软布料[5] - 针对多层裁剪后织物部件的粘连问题，设计了基于被动柔顺机构的抓取器，可稳定拾取单层面料并集成于机械臂末端[14] - 针对压力机平台上的拾取操作，采用双机械臂协同作业，并引入吸力抓取与传感器实时监测物体状态[16] - 集成了基于人工智能的视觉检测技术，能以每秒约120帧的速度进行实时监控、过程控制和后端质检[18] - 开发了专注于改造通用工业缝纫机的技术，通过专用控制器精确控制机针的运动轨迹、穿刺路径和姿态，以解决缝纫自动化的核心运动控制问题[18] - 通过视觉伺服技术，实现对织物纹理的精准匹配对齐，并能处理多种不同类型面料[21] - 使用Transformer模型对织物的动力学行为进行建模，并以此为基础进行运动规划，以处理复杂形状（如3D形状）的织物[22] - 开发了通用控制器架构，使得同一个控制器可以用于处理多种不同形状或材质的织物[23] 商业化路径与市场选择 - 选择汽车座椅作为首要商业化场景[5][23] - 到2028年，全球汽车座椅工业缝纫设备市场规模预计达到36.3亿美元[5][23] - 该场景产品附加值高，市场价值可观，且最大的市场在欧洲，其次是中国、北美、东南亚和日本[5][23] - 欧洲市场因人力成本高昂，对自动化有迫切需求，这为技术转型提供了明确的市场切入点[5][23]

文章核心观点 - 外卖行业在经历二、三季度超过1000亿元的巨额亏损投入后，市场格局已发生显著变化，美团与淘宝闪购进入份额胶着状态，行业正从高峰期投入转向漫长的减亏与利润修复阶段 [2][3][4][7] - 美团与淘宝闪购的竞争焦点已从单纯的市场份额争夺，转向在稳定份额基础上优化UE（单位经济效益）、提升客单价与经营效率，双方均在进行战略聚焦与调整 [3][15][22] - 外卖平台的长期盈利能力恢复前景不明朗，过程将非常缓慢，可能要到2027年之后，这受到竞争投入、骑手成本、订单结构变化等多重不确定性因素影响 [18][19][20][21] 市场格局与竞争态势 - **当前市场份额**：美团与淘宝闪购的订单份额保持在55:45的比例，对应的整体GMV市场份额为6:4，外卖补贴战前美团拥有超过70%的市场份额 [2] - **竞争目标**：美团长期目标是在中高客单价人群维持70%的市场份额，目前其在15元以上外卖订单市占超三分之二，30元以上订单市占超70% [2][3]；淘宝闪购的目标是稳定市场份额并优化UE亏损，同时提升GMV市占率 [3] - **战略调整**：淘宝闪购在12月5日完成品牌统一，将饿了么全面更名为淘宝闪购以释放长期投入信号 [3]；美团则暂停B2C电商业务“团好货”，聚焦拓展美团闪购和小象超市，并签约周杰伦强化“快速”配送心智 [3] - **份额稳定性**：投资者认为当前市场份额胶着状态可能会维持一段时间，淘宝闪购的底线可能是长期维持四成以上份额，若跌破此线则前期投入不划算 [15][16] - **用户结构变化**：淘宝闪购通过高补贴快速获取的订单中，估计有10%左右是“纯薅羊毛用户”，这部分用户会随补贴减少而流失，留存用户将支持其向中高端市场扩张 [13] 财务亏损与减亏预期 - **历史亏损规模**：今年二、三季度，淘宝闪购、美团外卖、京东三家平台在外卖业务上的亏损投入超1000亿元，其中淘宝闪购投入超500亿元，美团与京东各投入超250亿元 [4] - **三季度亏损详情**：阿里中国电商集团部分经调整EBITA为104亿元，同比减少338亿元，主要由于对淘宝闪购的投资，有投资人估算其实际亏损约380亿元 [4]；美团三季度经调整EBITA亏损148亿元，同比减少293亿元，其外卖业务单独亏损约180亿至190亿元 [4][5]；京东新业务经营亏损同比多151亿元，主要受外卖影响 [6] - **四季度减亏预期**：四季度起平台进入常态减亏阶段，淘宝闪购单均UE亏损预计从三季度的5.5-6元改善至4元左右，对应季度亏损约220-250亿元 [8]；美团外卖单均UE亏损预计在1.6-2元，对应亏损总额约130-140亿元，两家平台四季度亏损差距约100亿元 [8] - **减亏差异原因**：淘宝闪购因茶饮订单占比高、骑手补贴高，四季度通过减少这两方面补贴可实现较大UE改善；美团在此方面优化空间较小，故减亏幅度有限 [9] 盈利恢复前景与挑战 - **长期盈利目标**：美团向投资方公开的远期目标是外卖单均UE能回到1元，并希望与淘宝闪购保持1元到1.5元的UE差距 [19] - **恢复时间漫长**：多位投资人认为整个外卖UE利润恢复过程会很慢，可能要到2027年之后，且存在竞争对手投入等不确定性 [19][20] - **盈利挑战**： - **成本结构变化**：骑手社保的推行将增加一项硬性支出，对单均利润影响可能达几毛钱，美团称长期每单赚1元的目标已考虑此费用 [21] - **订单结构恶化**：市场格局改变导致低价订单占比被永久性提高，而高客单价订单本身的UE也被拉低，这种结构性变化导致整体UE系统性恶化 [21] - **变现空间承压**：随着份额流失，未来能否维持以往的广告和变现空间有待观察 [21] 核心竞争要素分析 - **履约成本差距缩小**：随着订单规模差距缩小，美团与淘宝闪购的履约成本差距已从0.8-1元缩至约0.3元，淘宝闪购物流成本较战前降低了0.5元 [22] - **客单价与补贴效率**：美团客单价是竞争对手的1.5倍，更好的用户结构和客单价能带来更高的补贴效率 [22]；淘宝闪购强调其AOV（平均订单价值）在9月季度实现了双位数增长，提升客单价是其主要方向 [22] - **护城河动态变化**：早期美团在规模上壁垒较强，如今随着规模接近，连锁KA商家基本都双平台运营，供给侧壁垒变小 [40]；履约能力曾因规模差距大而存在差距，但淘宝闪购经过多年投入已大幅拉近 [26][30][31] - **双方长期战略**：美团核心目标是保证餐饮外卖核心订单和GMV市场份额，并拿下该领域大部分利润 [23]；阿里将淘宝闪购视为淘天平台升级的核心战略之一，目标是三年后为淘宝平台带来万亿成交，并专注电商与即时零售的交叉销售 [23] 运营与履约能力建设 - **履约调度能力**：2018年阿里收购饿了么时，其调度能力是30秒匹配“百人百单”，而美团已实现“万人万单”；直至2024年，饿了么（淘宝闪购）的调度能力才达到“万人万单”水平 [30][31] - **骑手规模变化**：外卖大战前，饿了么日活骑手约50-60万；补贴战后，淘宝闪购日活骑手达200万，较4月增长3倍；美团日活骑手也超200万 [33] - **运力模式精细化**：淘宝闪购在众包层面推出多种运力模式（如ub、优远、蜂跑、驻送），通过对骑手精细化分层来降低物流成本 [36] - **商流与物流联动**：平台需要将物流、商流的信号系统、履约系统、体验系统、考核系统全部打通，以应对如天气等突发情况带来的订单波动 [31] 其他业务影响与出海拓展 - **美团到店业务**：四季度到店业务利润率环比可能进一步下降，承压原因包括抖音、高德竞争，宏观消费疲软以及政策影响高端消费 [11] - **美团新业务与出海**：新业务主要投入在于出海业务Keeta的拓展，其已进入中东和巴西市场，四季度因出海拓展新业务亏损环比将增加，2026年新业务投入不会超过2025年 [11]

公司业务定位与模式 - 公司是中国唯一一家明确以“数据”为交付界面的公司，凭借动作捕捉技术积累为机器人数据提供关键支撑 [1] - 公司服务了六七十家不同的机器人公司、模型公司，覆盖具身智能数据的全链路Pipeline，包括遥操作、Human-centric数据采集、数据标注、预训练、后处理 [3] - 公司明确自身是一家数据公司，拥有自己的数据集，同时也能提供设备和项目服务，但核心是数据业务 [35] 行业趋势与机遇 - 人形机器人所代表的具身智能，正成为一个天花板足够高、且对高质量数据有强烈需求的新赛道 [1] - 行业共识是如果只做单一构型，那么人形是一个最好的解决方案，并且具身智能的Scaling Law得到阶段性验证，数据量提升能带来泛化能力和灵巧性 [6][8] - 行业对数据的需求急剧增长，客户询价从千小时、万小时跃升至以十万小时为单位起，需求胃口已被打到极高数量级 [10] 公司业绩与市场地位 - 公司前身诺亦腾（Noitom Ltd.）在动作捕捉领域市占率全球第一，每年有小几个亿的营收 [5] - 公司机器人业务在2024年全年营收相比过去任何一年涨了5、6倍，2025年比2024年又涨了6倍，两年合计有将近四十倍的增长 [5] - 公司自2023年9月底开始，密集的数据需求建立在人形机器人作为最佳单一构型方案和具身智能Scaling Law被验证这两件事的基础上 [6][8] 数据业务模式分析 - 机器人行业的数据需求与Scale AI服务的多模态模型和自动驾驶行业有本质区别，后者的甲方自身获取数据能力强，导致数据生意的毛利天花板不高 [11] - 在中国，当乙方没有显著优于甲方的数据获取能力时，数据生意本质是劳动力置换和外包，毛利天花板在15%到20% [13] - 美国数据公司如Surge AI能将毛利做到60%，Scale AI和Mercor则分别擅长数据验证/模型优化与AI人力招聘，它们能在甲方提供数据的情况下做到40%或50%的毛利 [12] 数据采集技术路径演进 - 遥操作是获取真机数据的良好方式，但存在三大结构性挑战：成本昂贵而缓慢、能力有局限性（如无法执行灵巧手内操作）、以及极差的跨本体泛化能力 [18][20][21] - 行业视角正拓展至以人为中心（Human-centric）的数据路径，直接在人身上穿戴超全模态、超高精度的传感器采集数据，以实现跨本体泛化 [24] - 公司已在国内一个城市和海外一个城市各建设了一个数据工厂，专门采集以人为中心的数据，而不采集遥操作数据，因为后者不值得大体量累积 [25] 数据分层策略与价值主张 - 公司将数据分为不同层次，每层有明确的“第一性”：真机遥操数据的第一性是“真”，用于学习真机特性；超高精度工厂采集数据的第一性是“全维度/多模态/高精度”，用于跨本体；野外采集数据的第一性是“视觉泛化性” [33][34] - 公司主张明确每层数据的定位并学会舍弃，避免成为功能混杂的“勺叉”，而应成为专注好用的“叉子” [34][35] - 在数据工厂中，公司采集大量以人为中心的数据，分为工厂内采集和野外采集两种方式 [29]

AI行业竞争阶段与格局演变 - AI行业竞争进入深水区，单纯技术领先或场景优势难以决定最终胜负 [1] - AI行业发展分为两个阶段：上半场是“模型为王”的技术竞速期，以参数量、评测跑分、多模态能力为核心；下半场是“落地为王”的价值兑现期，考验模型与场景适配、商业闭环构建及服务履约能力 [5] - 行业正处在上半场转向下半场的关键临界点，企业不同路径选择正在重构竞争格局 [5] 主要参与者的路径与挑战 - **OpenAI**：作为生成式AI引爆者，凭借GPT系列建立技术先发优势，但商业化后劲不足 [5] - 订阅服务显现增长瓶颈，欧洲主要市场连续四个月收入持平 [5] - 企业级API业务面临高端市场被Google挤压、中低端市场遭开源模型冲击的双重夹击 [5] - 核心问题在于缺乏原生应用场景支撑，模型能力处于“悬浮状态”，难以深度嵌入用户高频场景，形成从“咨询”到“办事”的完整闭环，商业化停留在订阅费和API授权等浅层模式 [5] - **Google**：Gemini模型在技术评测和商业任务模拟测试中表现亮眼，但生态布局存在天然短板 [6] - 核心业务集中于搜索、广告和操作系统，缺乏覆盖线下服务、本地生活、电商交易的完整履约体系 [6] - 尽管Gemini已接入搜索、YouTube等产品，但这些场景多以信息分发为主，难以承载需要线下履约支撑的复杂任务 [6] - 技术能力与履约能力脱节，形成“能理解需求却难以满足需求”的商业断层 [7] 阿里的差异化路径与核心优势 - 阿里展现了一条深度融合技术能力与场景生态的路径，构建“技术研发-场景验证-商业落地-数据反哺”的正向循环 [7] - **技术底座**：凭借十余年在云计算与AI领域的深耕，构建了从底层算力到上层应用的全栈技术体系 [10] - **模型层**：打造“通义”大模型家族，2025年发布的通义千问Qwen3系列是业界首个具备“混合推理”能力的模型，融合“快思考”与“慢思考”双模式 [10] - Qwen3在AIME25奥数测评中斩获81.5分，LiveCodeBench代码评测突破70分，ArenaHard人类偏好对齐测评以95.6分超越OpenAI-o1等顶尖模型 [10] - **算力层**：阿里云构建全球领先的AI基础设施，过去四个季度在AI+云基础设施的资本开支高达1200亿元，运营中国第一、全球领先的云计算网络 [11] - 截至2025年，阿里云AI算力增长超5倍，AI存力增长4倍多 [11] - **工具层**：阿里百炼与Qwen-Agent框架构建生态连接的“万能接口”，加速AI在千行百业落地 [12] - **场景生态**：覆盖全场景的实体生态是竞争对手难以复制的核心壁垒 [12] - 通过二十余年商业布局，构建涵盖购物、出行、本地生活、办公、酒旅等高频刚需场景的数字生活服务矩阵 [12] - 生态场景为千问大模型提供海量真实训练数据，并成为AI技术落地的“试验场”和“变现渠道” [12] - 与OpenAI依赖公开数据训练不同，阿里生态能产生大量带有用户行为反馈、商业转化结果的闭环数据，通过强化学习不断优化模型决策能力，形成“数据-模型-场景-数据”的正向循环 [13] 具体落地案例：千问APP接入高德 - 千问APP接入高德地图，是阿里生态赋能的典型案例，标志着AI从“能说”到“能做”的转变 [2][3][7] - 接入后，千问AI助手开始具备物理世界的理解和行动能力，能根据精准、动态的现实世界信息，实现从“意图理解”到“服务执行”的跨越 [2] - 基于高德庞大的实时地理数据，千问APP可生产含餐厅、酒店、路线等信息的可视化决策卡片，点击即可唤起导航或打车，覆盖周边查询、通勤规划、截图地址提取等场景 [2] - 能处理复合任务，如顺路规划出行与消费，结合天气、限行规则等给出出行方案，甚至提供穿衣建议 [2] - 例如，可为用户规划长途驾驶的充电站，或结合出行目的地推荐特色餐馆并控制预算 [2][3] - 此次整合是AI商业化落地迈向“服务闭环”的一大步，为行业提供了一条可供复制的AI落地路径 [3] 生态融合的其他案例 - **电商领域**：千问已接入淘宝、天猫，通过理解用户消费偏好、历史订单、使用场景等信息，提供个性化商品推荐、智能导购、售后问题解决方案，甚至能根据用户需求生成定制化商品搜索方案 [13] - **办公领域**：钉钉与千问融合打造智能办公助手，实现会议纪要自动生成、任务分配跟踪、文档智能编辑、跨部门协作协调等功能，提升办公效率 [13] 结论与行业意义 - OpenAI的“有模型无场景”和谷歌的“有数据弱履约”，本质上是生态协同能力的缺失，而这正是阿里的核心优势所在 [15] - 阿里通过“全栈技术底座+全场景生态布局”的深度耦合，有望解决大模型“落地难”的行业痛点，构建“技术赋能场景、场景滋养技术、生态放大价值”的正向循环，形成难以复制的核心护城河 [15] - AI的终极价值或许不在于模型本身有多强大，而在于能否无缝融入用户的生活流，在真实场景中创造可感知、可持续的价值 [15]

文章核心观点 - 实现算力基建的商业价值闭环，关键在于提供“方便、易用、便宜”的算力，并推动AI应用在具体场景中落地，帮助客户盈利或节省成本[1][12] - AI推理市场正处于爆发前夜，其全面爆发依赖于多模态应用效果的稳定和成本的显著下降，预计将带来Token消耗量的百倍级增长[5][25][30] - 2025年算力行业的关键里程碑包括DeepSeek的崛起推动AI全民化、国产超节点方案突破以及AI眼镜等硬件催生数据爆发，为2026年国产化与液冷技术普及奠定基础[31][34][36] 算力基建如何实现商业闭环 - **行业现状与痛点**：当前智算中心算力平均利用率不足40%，算力消纳是行业通病，大模型训练需求退潮后，增量需求转向分散零碎的推理场景[4] - **发展阶段转变**：算力建设从过去“重建设、轻消纳”转向“建即用、用更好”的实用导向，需从应用场景与客户需求倒推建设方案[9] - **价值闭环的核心标志**：算力价值体现在“方便、易用、便宜”三大核心点，其闭环核心是AI方案能在业务场景落地并帮助客户盈利或解决核心痛点[12][13] - **实现路径与案例**： - **节流模式**：通过算力卡回收等业务，帮助客户极致节省采购与硬件成本，有被投企业在该业务上实现数亿元营收[5][13][14] - **开源模式**：例如为房地产销售公司提供基于大模型的客户意向分析工具，直接帮助提升成交量，使开发商愿意付费[12] - **技术优化**：通过浸没式液冷方案将GPU满载温度从80-90℃降至50-60℃，有望将万卡集群平均MFU从30%提升至50%以上，降低故障率和维保成本[6][7] - **关键举措与全链路优化**：AI模型落地需极致的全链路优化，例如通过联合优化，曾将某图片生成产品的单张图片生成耗时从30秒大幅提升5-6倍性能[20][21] - **避免价值陷阱**：算力选型核心是“由应用场景及模型倒推”，而非盲目采购服务器或仅关注算力参数，需结合具体模型需求（如显存）和业务场景进行精细配置[15][16][17] 推理需求爆发与产业增长节奏 - **市场阶段判断**：2025年AI推理市场已步入爆发前夜，上半年中国MaaS市场规模已实现4-5倍增长，部分大厂预判明年增速有望达10倍[5][25] - **爆发前提条件**：全面爆发依赖大模型能力的进一步突破，尤其是多模态（视觉、图片、视频）应用效果的稳定化和成本的大幅下降[25][26] - **成本壁垒**：当前多模态应用成本过高形成显著壁垒，例如图片、视频生成因效果不确定需“抽卡”，单次任务成本负担重[26] - **技术迭代速度**：图片领域技术迭代速度显著快于文本领域，几乎每几个月就有新模型引发热议，未来潜力值得关注[5][27] - **增长预测与规模**：孙正义预测到2035年AI将渗透全球5%的GDP，形成每年9万亿美元市场，倒推未来数年推理算力需求可能保持每年十倍以上高速增长[27] - **中小企业突破口**：中小企业应聚焦垂类场景与边缘侧算力服务，例如为医院、工厂提供本地化部署的软硬件一体化方案，或融入垂类应用生态[28] - **对行业的影响与成本趋势**：AI普及需成本实现一个数量级下降，每百万Token价格需再降低10倍以上，预计未来半年至一年具备较高可行性，行业价格每6-12个月可能腰斩[29] 算力、算法、数据协同与未来展望 - **2025年关键里程碑事件**： - **模型领域**：DeepSeek的爆火重塑了大众与行业对AI的认知，推动AI从行业层面向全民应用普及，其开源也凸显了AI Infra软件的核心价值[31][32] - **算力领域**：国内华为、阿里、百度、曙光等企业推出国产化超节点方案，逐步追平国际水平，结合浸没式液冷等技术有望实现反超[34] - **数据领域**：小米、阿里等大厂入局AI眼镜，这类低功耗可全天佩戴的设备能实时抓取物理世界数据，将极大加速世界模型的训练进程[34] - **Token消耗增长预测**：若AI眼镜等产品在未来两三年内实现数亿副普及，每人日均Token消耗量有望从当前约1万提升至十万甚至几十万量级，整体Token消耗规模或将实现百倍乃至更高倍数增长[5][35] - **2025年总结**：国内AI从训练走向推理趋势明显，MaaS市场进展迅速，可总结为“推理”之年[35][36] - **2026年展望**：关键词为“国产”与“液冷”，预计更多大厂及央国企将加速转向国产芯片，同时为满足新建智算中心PUE低于1.3的要求，液冷技术将迎来爆发[36][37]