大模型技术范式的转移 - 2024年底，行业出现担忧，认为单纯增加参数和训练数据的Scaling Law正在撞墙，新一代旗舰模型未展现出预期的边际效益提升，有研究预测预训练数据可能在2028年耗尽[1] - OpenAI联合创始人Ilya Sutskever的言论被解读为预警，意味着单纯堆砌算力和数据的预训练路线可能已触及天花板[3] - 2025年初，OpenAI的o1模型通过引入强化推理，证明了test-time scaling（测试时间扩展）是通往更高智能的可行路径[4] - DeepSeek R1在2025年1月成功复现并开源了o1的技术路线，以极低的成本向全行业证明Scaling Law并未撞墙，而是换了引擎[4] - 行业认识到，深度的推理能力比单纯的参数规模更关键，模型通过强化学习驱动的思维链展现出类似人类“慢思考”的推理能力[4] - 算力的重心正从pre-training scaling（预训练扩展）转向post-train scaling（后训练扩展）和test-time scaling（测试时间扩展）[8] - 到2026年，可以确信大模型训练的下半场属于强化学习，模型能通过与环境的交互、试错和自我博弈进行深度逻辑推演[10][11] - 新的算力消耗重心从静态的“训练”转向动态的“探索与推理”，这导致现有的云计算架构开始显得力不从心，行业呼唤全新的算力形态[11] 九章云极的战略定位与核心产品 - 九章云极是独立智算云赛道的领军企业，率先提出了“强化学习云”概念，并定义了后训练时代的算力标准[12] - 公司认为，当智能可以并行进化，强化学习云将成为群体智能的放大器[12] - 在OpenAI o1验证路径、DeepSeek R1引爆热潮后，九章云极在最短时间内率先给出了基础设施答案[14] - 2025年6月，九章云极正式发布了业界首个工业级强化学习云平台Agentic RL[15] - 当时全球市场尚未有企业像九章云极这样，将“强化学习”独立定义为一种全新的工业级云服务形态[15] - 公司能够迅速捕捉前沿算法趋势，并率先将其转化为标准化、工业级云产品，这确立了其在独立智算云赛道的首发优势与领军地位[16] - Agentic RL的核心内涵是AI能力从单纯的“内容生成”转向复杂的“决策控制”，旨在通过RL赋予大模型在动态环境中精准感知、规划并执行的能力[20] - Agentic RL的使命是将通用模型进化为具备长时程规划、长/短期记忆、复杂工具调用、检索增强生成优化、角色一致性等多种能力的专家模型[22] - 公司提出了一个终局构想：未来的通用人工智能（AGI）可能不是单一的巨型模型，而是由成千上万个垂类专家智能体组成的“群体智能”[25] Agentic RL平台的技术优势与性能 - 传统的云计算架构是为静态负载设计的，而强化学习是高频交互、动态探索的过程，算力需求呈现剧烈的波峰波谷特征，对异构资源调度要求极高[17] - 用传统静态算力跑RL训练，会导致资源利用率极低或在探索高峰期卡死[18] - 九章云极的强化学习云Agentic RL基于混合专家（MoE）架构与Serverless理念，实现了算力的“按需即取、即用即还”[19] - 数据显示，相比于传统方案，Agentic RL可将端到端训练效率提升500%，综合成本下降60%[19] - 该平台是全球首个支持万卡级异构算力调度的强化学习基础设施平台[19] - 公司构建了极致效能的异步系统，通过全异步训练架构和rollout、n+1模型更新机制，成功将GPU利用率长期保持在95%以上[25] - 公司采用了“基于回放的离线强化学习算法”，通过对时间跨度的压缩与样本的高效回放，实现了5倍于传统方法的训练速度提升[28] - 在自动驾驶或医疗等“不能失败”的领域，公司与高校合作构建了可控的“世界模型”作为高保真虚拟沙盒，让智能体在其中安全试错[30] Alaya NeW Cloud全栈智能基础设施 - 九章云极的强化学习云能力离不开其精心构建的Alaya NeW Cloud智能基础设施[33] - 公司从一开始就围绕智能体的运行逻辑，完成了从底层基础设施到上层应用的四层全栈重构，而非在通用云上“打补丁”[34] - 基础设施层包含高性能存储网、大容量全闪AI加速存储、高性能计算网和跨网融合网关[35] - 九章智算操作系统层包含跨集群算力弹性调度、Serverless弹性和一体化算力网[35] - 智算软件平台层包含弹性容器平台VKS、专享容器平台DKS、云容器实例CCI、大模型开发套件和大模型推理平台[35] - 应用场景及生态层覆盖自动与半自动驾驶、计算机视觉、科学计算、工业机器人、消费电子等众多领域[35] - 在工程化落地层面，平台实现了云容器实例(CCI)的一键式部署，全流程覆盖，即开即用[37] - 以2025年终上线的满血版DeepSeek-3.2为例，在高端算力卡加持下，其部署速度更快，运行更高效，展现了平台对最新SOTA模型的快速支持能力[37] - 在智能体时代，九章云极扮演的角色不仅是互联网数据中心提供商，更是进化环境提供商[38] 黄山城市级智算样板与商业落地 - 九章云极在安徽黄山跑通了“智算+产业”的2.0闭环，打造了一个正在运行的、基于强化学习云的城市级实验样本[40] - 公司在黄山创造了一个行业纪录：仅用48天，一座规模达500 PFLOPS的“大位”智算中心便拔地而起并投入运营[41][42] - 这种交付速度验证了其智算操作系统在异构算力调度上的极致效率[43] - “大位”智算中心是国内首个“文旅+AI”城市级产业应用基础设施[44] - 对于开发者，只需极少代码即可启动完整的“训练-推理-回传”闭环；对于产业，各垂直领域的智能体都能在平台上找到专属的进化路径[45] - 黄山实现了国内首个“全程AI伴游”景区，成千上万个智能体在此学习理解游客意图、规划最优路线、处理突发状况，这是一场大规模的Agentic RL社会实验[47] - 根据易观分析预测，随着“大位”智算中心的全面达产，每年将直接带动黄山市营利性服务业增加值增长不少于2亿元[48] - 通过“智算基建+文旅赋能+场景落地+商业闭环”，九章云极证明了强化学习云不仅能消耗电力，更能生产GDP[50] - “黄山样板”产生了强大的磁吸效应，在大会上，中科动力、百鹏互联、歌歌AI等6家AI企业集中签约落地[50] - 九章云极用黄山的实践证明，下一代智算云必须是能直接驱动产业增长的云[51] 独立智算云的生态与行业领导力 - 九章云极选择成为独立智算云赛道的领军者，这条道路艰难但辽阔[53] - “独立智算云”的根本逻辑在于中立性，公司明确不与客户争利，不绑定特定模型[54][55] - 针对行业内只有不到10家巨头公司掌握10万卡以上资源的现状，公司明确倡导“开源1000专家模型”[57] - 公司期望通过动态组合来放大群体智能，为10万家中小企业提供高效的智能化解决方案[58] - “独立智算云+开源专家模型”的组合拳，区别于试图绑定自家闭源大模型的巨头云厂商，更有可能构建起真正的开放生态[60] - 公司发起的AI-STAR企业生态联盟连接了上游芯片厂商与下游应用厂商，共同组成了一个自主可控的产业链闭环[61] - 在算力计费混乱的草莽时代，公司率先推出了“1度算力”的普惠化标准，试图让算力像水电一样可度量、可流通[63] - 在后训练时代，公司通过强化学习云定义了下一代基础设施的标准架构：一套包含Agentic RL技术架构、Serverless弹性调度和异构资源管理在内的完整操作系统[64] - 2026年，云计算进入“进化时代”，竞争的焦点是谁能让智能体进化得更快、更强，九章云极通过首创的强化学习云Agentic RL，率先拿到了通往这个新时代的钥匙[68]

核心观点 - 南京工业大学史建涛团队的研究项目“群体智能系统的分布式滤波、控制及智能运维理论与应用”获得2025年度江苏省工程师学会科学技术奖特等奖 该项目通过三项原创性技术突破 解决了群体智能系统在通信 控制和运维方面的核心瓶颈 旨在提升系统的可靠性 持久性和效率 并已在多个产业和极端场景中得到应用 [1][4] 通信技术 - 团队研发了“事件触发滤波”技术 革新了群体智能无线通信的传统持续传输模式 该系统仅在关键数据变化超越设定阈值时才启动传输 其余时间保持静默 [2] - 该设计在保障控制精度的前提下 可降低70%—80%的通信量与能耗 大幅延长无人机等移动平台的连续作业时长 [2] - 该技术已融入星载组网雷达系统 在保障通信可靠性的同时降低能源消耗 并获得2023年中国自动化学会科技进步奖一等奖 [4] 控制技术 - 团队将“容错控制”引入群体智能系统 创新构建了“故障检测—故障估计—故障补偿”闭环机制 使系统具备“带伤飞行”的能力 [2] - 该技术能在故障发生时快速响应 例如四旋翼无人机的一个螺旋桨失灵后 系统能在毫秒间重新分配其余电机的动力以保障编队稳定飞行 这对于侦察 救援等紧急场景至关重要 [2] - 实时故障处理技术同样获得2023年中国自动化学会科技进步奖一等奖 并为航空发动机 火星车等装备提供控制支持 [4] 运维技术 - 团队研发了“剩余寿命预测的不确定性量化”技术 通过改进深度学习模型 不仅能预测设备剩余使用寿命 还能给出预测结果的置信概率 [3] - 该技术将预测精度从约50%提升至90%以上 大幅降低了运维成本并提升了系统可靠性 例如能精准预判设备健康运行两个月的概率达95% [3] - 该智能运维技术为传统定期检修模式提供了更精准 成本更低的替代方案 [3] 产业应用与场景 - 团队通过“仿真—半实物—实物”的递进研发模式 将群体智能技术融入产业发展 实现了“从实验室到生产线 从地面到太空”的全场景赋能 [4] - 在太空领域 团队基于火星车星际空间运行的特殊需求 开发了力触觉传感器等关键部件 并将事件触发滤波与实时故障处理技术融入星载组网雷达系统 [4] - 在测绘领域 团队与江苏省测绘工程院 上海华测等单位合作 优化了测绘设备协同工作效率 [4] - 在高端装备领域 团队与中航工业 航天科工502所等合作 为航空发动机 火星车等装备提供运维与控制支持 [4] - 在流程工业领域 团队将群体智能技术延伸至化工安全生产等领域 通过故障诊断与容错控制为传统工业升级注入新智能 [4]

公司运营与产能 - 2025年12月26日，公司第1000台工业人形机器人Walker S2下线，现场有超200台组成方阵，这些机器人将交付并投入汽车制造、智能制造、智慧物流、具身智能数据中心等重点领域应用 [1] - 2025年全年，公司工业人形机器人产能已突破1000台，交付量超过500台，并计划在2026年将年产能提升至万台规模 [1] - Walker S系列已成为全球进入最多车厂实训的工业人形机器人，公司强调其发展基于数百台机器人在新能源汽车厂、3C产线和物流仓库中长达两年的真实实训，而非概念炒作 [1] - 公司近期创下全球人形机器人领域单笔中标金额最高纪录，金额为2.64亿元人民币，并已获得数个超过亿元人民币的订单 [5] - 目前Walker S2的月产能超过300台，预计2026年工业人形机器人将达到万台产能 [5] - 公司对于人形机器人大规模量产持谨慎态度，认为需要时间打磨，只有当客户需求、核心技术和成本控制实现统一，规模化量产才成为可能 [7] 商业化战略与场景聚焦 - 公司选择从工业制造的实训入手，主动收缩初期泛化需求，聚焦于搬运、分拣、质检三个工位，认为这些工位存在人员流失高、管理难度大、工作重复性强、工位相对结构化的特点 [1][2] - 公司明确了人形机器人应用场景的三步走战略规划：先工业制造、后商用服务、再家庭陪伴，目前首先在工业制造场景实现规模化落地 [6] - 自2023年底推出Walker S以来，公司走访调研了国内20多家车厂和30多家工业制造客户，推动Walker S系列进入新能源汽车工厂实训，积累了大量的真实数据及应用经验 [6] - 公司的主要客户涵盖新能源车厂、3C智能制造和智慧物流，这些领域智能化程度较高，不需要人形机器人有太多融入成本 [8][9] - 公司并非全盘接受客户所有需求，而是从实训效果出发，将应用逐步收敛至搬运、分拣、质检三大核心工位 [8][9] - 2025年中报显示，公司消费级硬件业务（如智能猫砂盆、泳池机器人）收入同比大增近50%，首次成为公司第一大收入来源，这是公司“两条腿走路”战略的一部分，旨在支持人形机器人业务的长期发展 [9] 技术发展与核心竞争力 - 公司获得大量订单得益于其在人形机器人全栈技术（硬件控制、AI、SLAM、视觉伺服、ROSA2.0系统等）和具身智能大脑的持续投入 [5] - 公司已陆续研发了群脑网络、协作智能体Co-Agent、“类人眼”双目立体视觉感知等一系列技术，并推出了第三代可自主换电的Walker S2 [6] - 公司正牵头制定人形机器人技术要求国家标准，包括作业操作、定位导航、人机交互等关键技术 [7] - 群体智能技术让人形机器人从单机智能走向群体协作，使规模化落地成为可能，公司自研的群脑网络技术平台可实现应用场景的快速化部署 [11][12] - 从单台工作效率看，在智能搬运等任务上成功率已达到99%，对比单个工人的工作效率从年初的30%提升到了45%左右，明年有望提升到60%以上 [12] - 公司认为真实物理数据是人形机器人落地应用的关键因素，采取了同时使用仿真和真实数据进行训练的策略，通过大量真机实训积累的数据来支撑技术迭代 [16] 成本控制与产业链 - 公司预计到万台量产规模时，人形机器人成本将控制在每台2万美元以内，该目标与全球知名企业（如特斯拉）的远期目标成本一致 [14][15] - 基于每年的制造成本，人形机器人成本预计会有20%-30%的下降 [15] - 公司在设计阶段结合算法确定性能参数，在关键模组（如关节）尝试不同方案，优化制造工艺（如3D打印），改进算法以降低对高精度部件的依赖，并对供应链进行有效整合以推进标准化部件使用，从而实现降本 [13] - 在人形机器人核心零部件层面，公司国产化率已经达到90%以上，中国拥有包含关节等关键零部件的成熟供应链，但一些高端核心芯片上美国企业仍存在性能优势 [14] 行业展望与挑战 - 根据《制造业人才发展规划指南》，至2025年，中国制造业十大重点领域人才需求缺口将接近3000万人，缺口率达48%，人形机器人的通用性使其能更好地满足这部分用工需求 [8] - 公司创始人认为，尽管行业加速发展，但机器人走进千家万户仍需5~10年，企业须构建可持续商业模式，在资本热潮退去后仍能“储粮过冬” [2][17] - 人形机器人最先落地的场景是工业制造，其市场规模潜力巨大，未来可能达到千亿甚至万亿级别 [18] - 产能提升和实现量产是技术成熟度、成本、应用场景及产业链进步等多方面因素共同驱动的结果，国内人形机器人产业链在新能源汽车等产业带动下得到了很大发展，零部件成本随之下降 [6]

公司核心运营与战略 - 2025年12月26日，公司第1000台工业人形机器人Walker S2下线，现场超200台Walker S2组成方阵 [1] - 公司2025年工业人形机器人产能已突破1000台，交付量超过500台，并计划在2026年将年产能提升至万台规模 [2] - 公司近期创下全球人形机器人领域单笔中标金额最高纪录，金额为2.64亿元人民币，并已获得数个超过亿元人民币的订单 [4] - 公司采取“两条腿走路”战略，一方面投入人形机器人核心技术研发，另一方面将技术应用于人工智能教育、智慧物流、商用服务及消费级智能硬件等领域以获取收入 [11] - 2025年中报显示，公司消费级硬件业务（如智能猫砂盆、泳池机器人）收入同比大增近50%，首次成为公司第一大收入来源 [11] 产品技术与商业化进展 - Walker S系列已成为全球进入最多车厂实训的工业人形机器人，产品主要覆盖汽车制造、智能制造、智慧物流、具身智能数据中心等重点领域 [2][4] - 公司商业化策略聚焦于搬运、分拣、质检三个工位，认为这些工位存在人员流失高、管理难度大、工作重复性强、工位相对结构化等特点 [3][9] - 公司技术优势在于全栈技术（硬件控制、AI、SLAM、视觉伺服、ROSA2.0系统等）和具身智能大脑的持续投入 [5] - 公司已推出第三代可自主换电的Walker S2，并研发了群脑网络、协作智能体Co-Agent、“类人眼”双目立体视觉感知等一系列技术 [5] - 公司正牵头制定人形机器人技术要求国家标准，包括作业操作、定位导航、人机交互等关键技术 [6] - 2025年11月，工业人形机器人Walker S2正式开启量产交付，首批数百台已投入产业一线应用 [6] 产能提升与成本控制 - Walker S2的当前产能为每月超过300台 [4] - 产能跃迁的驱动因素包括技术成熟度提升、成本下降、应用场景明确以及产业链进步 [6] - 公司通过平台化、模块化策略构建技术“鱼池”以降低成本，在设计阶段结合算法确定性能参数，不夸大需求 [13] - 在关键模组（如关节）上尝试了谐波、行星和直线三种不同方案，并在制造工艺上尝试新方法如3D打印 [13] - 公司预计人形机器人基于每年的制造成本，会有20%-30%的下降；预计到万台量产规模时，成本控制在每台2万美元以内 [16] - 公司人形机器人核心零部件层面的国产化率已经达到90%以上 [15] 市场应用与客户需求 - 公司订单主要来自于汽车制造、智能制造、智慧物流、具身智能数据中心等重点领域 [4] - 公司走访调研了国内20多家车厂和30多家工业制造客户，以明确落地场景和产品需求 [5] - 根据《制造业人才发展规划指南》，至2025年中国制造业十大重点领域人才需求缺口将接近3000万人，缺口率达48%，人形机器人的通用性可更好地满足这部分用工需求 [9] - 公司主要落地应用的垂直领域为新能源车厂、智慧物流和3C智能制造，这些领域智能化程度较高，不需要人形机器人有太多融入成本 [10] - 从客户反馈看，成本不一定是其最关注的问题，客户更关注人形机器人是否能有效完成任务并愿意为能力付费以实现长期降本增效 [16] 技术突破与效率提升 - 公司进入实训2.0阶段，群体智能技术让人形机器人从单机智能走向群体协作，使规模化落地成为可能 [12] - 自研的Co-Agent技术赋予机器人意图理解、任务规划、工具调用和自主异常处理等闭环作业能力 [12] - 借助自研的群脑网络技术平台，可实现应用场景的快速化部署，提升使用便捷性 [13] - 在智能搬运等任务上，单台人形机器人的工作成功率已达到99% [13] - 单台人形机器人的工作效率对比单个工人已从年初的30%提升到了45%左右，明年有望提升到60%以上，配合群体智能有望逐步接近工人效率 [13] 行业发展与未来展望 - 公司创始人认为，尽管行业加速，但机器人走进千家万户仍需5~10年 [4] - 人形机器人最先落地的场景是工业制造，未来市场规模潜力巨大，可能达到千亿甚至万亿级别 [20] - 中国在人形机器人硬件制造方面拥有巨大优势，全球领先的人形机器人企业中，大多数零部件的合作方都在国内，集中在长三角和大湾区 [15] - 在一些高端核心芯片上，美国企业仍存在一定的性能优势，期待国内产业链进一步发展以提升自主可控水平 [15] - 真实物理数据是制约人形机器人大规模应用的关键因素之一，公司采取同时使用仿真和真实数据进行训练的策略，通过大量真机实训积累数据支撑技术迭代 [17][18]

公司经营与业绩 - 2025年12月26日，公司第1000台工业人形机器人Walker S2下线，现场超200台组成方阵，后续将交付并投入产业一线应用[2] - 2025年全年，公司工业人形机器人产能已突破1000台，交付量超过500台，并计划在2026年将年产能提升至万台规模[2] - Walker S系列已成为全球进入最多车厂实训的工业人形机器人[2] - 公司近期创下全球人形机器人领域单笔中标金额最高纪录，为2.64亿元人民币，并已获得数个超过亿元人民币的订单[3] - Walker S2的月产能超过300台，2025年产能将超过1000台，预计交付超过500台，2026年工业人形机器人将达到万台产能[3] - 2025年中报显示，公司消费级硬件业务（如智能猫砂盆、泳池机器人）收入同比大增近50%，首次成为公司第一大收入来源[9] 商业化战略与客户选择 - 公司选择从工业制造的实训入手，聚焦搬运、分拣、质检三个工位，主动收缩初期泛化需求[2] - 这三类工位存在人员流失高、管理难度大、工作重复性强、工位相对结构化等特点，是客户迫切需要且人形机器人现阶段更适合发挥能力的领域[3][8] - 公司明确了先工业制造、后商用服务、再家庭陪伴的三步走战略规划，目前首先在工业制造场景实现规模化落地[4] - 订单主要来自于汽车制造、智能制造、智慧物流、具身智能数据中心等重点领域[3] - 公司并非全盘接受客户所有需求，而是从实训效果出发，逐步收敛至三大核心工位[7][8] - 落地应用的垂直领域，如新能源车厂、智慧物流和3C智能制造，是此前智能化程度较高、不需要人形机器人有太多融入成本的领域[8] - 公司很早就确定了“两条腿走路”的战略，一方面投入人形机器人研发，另一方面将技术成果应用到人工智能教育、智慧物流、商用服务及消费级智能硬件等领域，以支持人形机器人的长期发展[9] 技术与产品进展 - 公司得益于在人形机器人全栈技术（硬件控制、AI、SLAM、视觉伺服、ROSA2.0系统等）和具身智能大脑的持续投入[4] - 自2023年底推出Walker S以来，公司走访调研了国内20多家车厂和30多家工业制造客户，推动Walker S系列进入新能源汽车工厂实训，积累了大量的真实数据及应用经验[4] - 公司已推出第三代可自主换电的Walker S2，陆续研发了群脑网络、协作智能体Co-Agent、“类人眼”双目立体视觉感知等一系列技术[4] - 2025年11月，工业人形机器人Walker S2正式开启量产交付，首批数百台已投入产业一线应用[5] - 公司正牵头制定人形机器人技术要求国家标准，包括作业操作、定位导航、人机交互等关键技术[5] - 从2025年开始，公司进入实训2.0阶段，对群脑网络进行了迭代，并自研了Co-Agent，赋予机器人意图理解、任务规划、工具调用和自主异常处理等闭环作业能力[10] - 借助自研的群脑网络技术平台，客户可以实现应用场景的快速化部署[11] - 在智能搬运等任务上，单台人形机器人的工作效率成功率已达到99%，对比单个工人的工作效率从年初的30%提升到了45%左右，明年有望提升到60%以上[11] 成本控制与供应链 - 公司认为人形机器人的规模化量产需要客户需求、核心技术和成本控制几个因素实现统一[6] - 公司通过平台化、模块化策略构建技术“鱼池”以降低成本[11] - 在控制成本方面，公司在设计阶段结合算法确定性能参数，在关键模组上尝试不同方案，改进制造工艺和算法，并对供应链进行有效整合，推进标准化部件的使用[11][12] - 公司预测量产过万台后成本会快速下降，基于每年的制造成本，会有20%-30%的下降；预计到万台量产规模时，成本控制在每台2万美元以内[14] - 从基础的零部件来看，中国有包含关节等关键零部件的最大最成熟的供应链，全球领先的人形机器人企业中大多数零部件的合作方都在国内[13] - 公司人形机器人核心零部件层面的国产化率已经达到90%以上[13] - 在一些高端核心芯片上，美国企业仍存在一定的性能优势[13] 行业洞察与发展前景 - 根据《制造业人才发展规划指南》，至2025年，中国制造业十大重点领域人才需求缺口将接近3000万人，缺口率达48%[7] - 相比于传统的工业机器人，人形机器人的通用性使其可以更好地满足部分用工需求[7] - 行业在2025年被资本与政策点燃，但机器人走进千家万户仍需5~10年[3] - 公司认为人形机器人最先落地的场景是工业制造，市场规模潜力巨大，未来可能达到千亿甚至万亿级别[17] - 国内人形机器人新产品层出不穷，技术不断迭代，行业以一日千里的速度往前走[16] - 企业需要构建可持续商业模式，在资本热潮退去后仍能“储粮过冬”，真正以解决实际问题为导向[3][17] 数据与实训的重要性 - 公司认为真实数据是人形机器人落地应用非常重要的影响因素，仿真数据难以模拟真实工业场景的复杂性[15] - 公司采取了同时使用仿真和真实数据进行训练的策略，通过在真实工厂场景中采集数据，针对特定工种训练模型，以确保任务执行的稳定性[15] - 只有通过大量真机实训积累的数据，才能支撑技术迭代[15]

公司经营与战略 - 优必选第1000台工业人形机器人Walker S2下线，超200台组成方阵，将交付至汽车制造、智能制造、智慧物流、具身智能数据中心等重点领域投入应用 [1] - 2025年公司工业人形机器人产能已突破1000台，交付量超过500台，并计划在2026年将年产能提升至万台规模 [1] - 公司近期创下全球人形机器人领域单笔中标金额最高纪录（2.64亿元人民币），已获得数个超过亿元人民币的订单 [3] - 公司采取“两条腿走路”战略：一方面投入人形机器人核心技术研发，另一方面将技术成果应用于人工智能教育、智慧物流、商用服务及消费级智能硬件等领域，以支持主业发展 [9] - 2025年中报显示，消费级硬件业务（如智能猫砂盆、泳池机器人）收入同比大增近50%，首次成为公司第一大收入来源 [9] 产品技术与商业化 - Walker S系列已成为全球进入最多车厂实训的工业人形机器人，公司从工业制造的实训入手，聚焦搬运、分拣、质检三个工位 [1] - 公司明确了先工业制造、后商用服务、再家庭陪伴的三步走战略规划，目前首先在工业制造场景实现规模化落地 [4] - 公司对人形机器人的应用场景进行了收敛，聚焦于搬运、分拣、质检三大核心工位，这些工位具有人员流失高、管理难度大、工作重复性强、工位相对结构化等特点 [2][8] - 公司推出了第三代可自主换电的Walker S2，陆续研发了群脑网络、协作智能体Co-Agent、“类人眼”双目立体视觉感知等一系列技术 [5] - 公司正牵头制定人形机器人技术要求国家标准，包括作业操作、定位导航、人机交互等关键技术 [6] - 公司通过平台化、模块化策略构建技术“鱼池”以降低成本，在设计阶段结合算法确定性能参数，在关键模组上尝试不同方案，并推进供应链整合与标准化部件使用 [11][12] - 公司预计到万台量产规模时，人形机器人成本将控制在每台2万美元以内，与特斯拉等全球知名企业的远期目标成本一致 [15] - 公司认为人形机器人每年制造成本会有20%-30%的下降 [15] 产能与交付 - Walker S2的产能每月超过300台，2025年产能将超过1000台，预计交付超过500台人形机器人 [3] - 产能提升的驱动因素包括技术成熟度提升、成本下降、应用场景明确以及产业链进步 [5] - 公司对于人形机器人大规模量产持谨慎态度，认为需要时间打磨，只有当客户需求、核心技术和成本控制实现统一，规模化量产才会成为可能 [6] 市场与客户 - 公司订单主要来自于汽车制造、智能制造、智慧物流、具身智能数据中心等重点领域 [3] - 客户选择人形机器人是为了应对部分岗位缺工少工的问题，根据《制造业人才发展规划指南》，至2025年中国制造业十大重点领域人才需求缺口将接近3000万人，缺口率达48% [7] - 公司并非全盘接受客户所有需求，而是基于实训效果和现阶段技术能力，选择在新能源车厂、智慧物流和3C智能制造等智能化程度较高、融入成本较低的垂直领域落地 [7][8] - 从客户反馈来看，成本不一定是其最关注的问题，客户更关注人形机器人是否能有效完成任务并实现长期降本增效 [15] 技术进展与效率 - 公司进入实训2.0阶段，群体智能技术让人形机器人从单机智能走向群体协作，使规模化落地成为可能 [10] - 通过自研的群脑网络技术平台和Co-Agent，人形机器人被赋予意图理解、任务规划、工具调用和自主异常处理等闭环作业能力 [10] - 在智能搬运等任务上，单台人形机器人的工作效率成功率已达到99%，对比单个工人的工作效率从年初的30%提升到了45%左右，明年有望提升到60%以上 [11] - 公司采取同时使用仿真和真实数据进行训练的策略，认为只有通过大量真机实训积累的数据，才能支撑技术迭代以应对真实环境的复杂性 [15][16] 产业链与供应链 - 在新能源汽车等成熟产业的带动下，国内人形机器人产业链得到很大发展，各种零部件成本随之下降 [5] - 从基础零部件来看，中国相关产业链已经非常发达，全球领先的人形机器人企业中，大多数零部件的合作方都在国内，集中在长三角和大湾区 [13] - 优必选在人形机器人核心零部件层面的国产化率已经达到90%以上 [14] - 在一些高端核心芯片上，美国企业仍存在一定的性能优势，期待国内产业链进一步发展以提升自主可控水平 [14] 行业前景与挑战 - 公司创始人认为，尽管行业在加速，但机器人走进千家万户仍需5~10年 [3] - 人形机器人最先落地的场景是工业制造，市场规模潜力巨大，未来可能达到千亿甚至万亿级别 [18] - 企业需要构建可持续商业模式，在资本热潮退去后仍能“储粮过冬”，真正以解决实际问题为导向 [3][17] - 对于新兴企业而言，找到一个可以支撑自身长期发展的商业逻辑非常重要，需要针对资本回归冷静后的发展问题找到答案 [17]

行业技术前沿 - 中国工程院举办以“地外资源开发利用技术前沿与发展战略——太空采矿与深空制造”为主题的学术研讨会，聚焦月球原位自主智造技术 [1] - 行业探索方向包括利用阳光取代窑火、以月壤为原始建材、由智能机器人充当建筑工人 [1] - 深空探测实验室展示了“月壤原位3D打印系统”的原理验证实验，利用抛物面镜将太阳光聚焦数千倍产生超过1300摄氏度高温，通过柔性光纤传输聚光太阳能，结合3D打印技术将月壤打印成结构坚实的砖体或构件 [1] 核心建造理念 - 未来月球科研站建设的核心是“月球原位取材、集群协同智造、自主智能作业”，目标是转化利用月壤并建成月球基地，最大限度降低对地球补给的依赖，实现地外基地的智能建造、自主运维和可持续拓展 [2] 材料技术路线 - 除了将月壤高温熔融3D打印成结构件，东华大学科研团队依据嫦娥五号取回的真实月壤，通过高温熔融和真空牵引技术成功制备出直径仅10至20微米的超细月壤连续纤维 [3] - 东华大学已成功研发适应月球高真空、低重力环境的自动成纤装备，为月面原位制造复合材料开辟新可能 [3] - 多条技术路线并行探索旨在应对月球极端环境的严苛挑战，寻找最优解决方案 [3] 环境挑战与解决方案 - 月球表面环境集极端温差、高真空、强辐射以及带电月尘于一体，制造设备需首先解决长期可靠运行的难题 [3] - 未来月球基地建造需要异构机器人集群协同作业，设想场景包括勘察机器人测绘、运输机器人搬运月壤、大型3D打印机器人堆砌主体结构、灵巧装配机器人执行高精度装配 [3] - 实现异构无人装备集群“群体智能”需攻克月面远距离可靠通信、高精度协同定位、异构无人集群智能规划与自主控制等一系列核心技术 [3] 发展规划与蓝图 - 国内多所高校为未来月球家园提出设计方案，包括哈尔滨工业大学的“三叶草”与“中国星”方案、华中科技大学的“月壶尊”方案、重庆大学研究的利用月球天然熔岩管洞穴建造基地的可行性 [4] - 根据国家航天局规划，行业计划在2030年前实现中国人首次登陆月球，并在2035年前建成国际月球科研站的基本型 [4]

中国月球原位智造技术前沿 - 中国工程院举办“地外资源开发利用技术前沿与发展战略”研讨会，聚焦太空采矿与深空制造，多位院士专家详解月球建造技术 [1] - 随着嫦娥六号任务完成，中国探月工程“绕、落、回”三步走战略圆满收官，下一阶段关键课题是利用月球资源建设可持续科研站 [1] - 深空探测实验室展示“月壤原位3D打印系统”原理验证，利用抛物面镜聚焦太阳光产生超过1300摄氏度高温，通过光纤传输聚光太阳能，结合3D打印技术将月壤制成坚实砖体或构件 [1] 月球科研站建设核心目标与路径 - 未来月球科研站建设核心是“月球原位取材、集群协同智造、自主智能作业”，目标是利用月球资源建造基地，降低对地球补给的依赖，实现智能建造与自主运维 [2] - 需要攻克月面远距离可靠通信、高精度协同定位、异构无人集群智能规划与自主控制等核心技术，以实现装备集群的“群体智能” [3] - 月球表面环境极端，存在温差、高真空、强辐射及带电月尘等挑战，制造设备需解决长期可靠运行问题，且建造需异构机器人集群协同完成 [3] 月壤资源化利用的多条技术路线 - 除3D打印外，东华大学科研团队利用嫦娥五号取回的真实月壤，通过高温熔融和真空牵引技术，成功制备出直径仅10至20微米的超细月壤连续纤维 [3] - 团队已研发适应月球高真空、低重力环境的自动成纤装备，为月面原位制造复合材料开辟新可能 [3] - 多条技术路线并行探索旨在应对月球极端环境的严苛挑战，寻找最优解决方案，核心是将月球最丰富的表层物质月壤转化为可用工程材料 [3] 未来月球建造的智能化场景 - 设想未来月面建造由勘察机器人测绘、运输机器人搬运月壤、大型3D打印机器人堆砌主体结构、灵巧装配机器人执行高精度装配作业等异构机器人集群协同完成 [3] - 实现异构无人装备集群像一个有机整体般自主、智能、高效地协同作业是愿景关键 [3] 国际合作与未来规划 - 中国秉持开放合作态度，深空探测实验室已与60余个国际科研机构建立合作，国际深空探测学会已落户合肥 [4] - 从月壤中制备氧气、金属和水是人类共同目标，共享知识、协同攻关是应对地外生存挑战的理性选择 [4] - 国内多所高校提出月球基地蓝图，如哈尔滨工业大学“三叶草”与“中国星”方案、华中科技大学“月壶尊”方案、重庆大学利用月球天然熔岩管洞穴建造基地的可行性研究 [4] 国家战略与深远意义 - 根据国家航天局规划，中国将在2030年前实现中国人首次登陆月球，并在2035年前建成国际月球科研站基本型 [5] - 聚光“生长”的月壤砖象征着中国深空探测从“带回深空样品”到“利用深空资源”的深刻转变 [5] - 智能机器人集群在月面协同作业，标志着人类在月球长期停留与发展的梦想正从概念走向现实 [5]

中国月球原位自主智造技术前沿 - 文章核心观点：中国探月工程已进入新阶段，核心目标是从“带回样品”转向“利用资源”，通过发展月球原位自主智造技术，利用月壤等本地资源建设可持续的月球科研站，以降低对地球补给的依赖[1][5] - 中国工程院学术研讨会于安徽亳州举行，主题为“地外资源开发利用技术前沿与发展战略——太空采矿与深空制造”，多位院士专家详解了月球建造技术[1] 月球原位制造核心技术路线 - 深空探测实验室展示了“月壤原位3D打印系统”原理验证，使用抛物面镜聚焦太阳光产生超过1300摄氏度高温，通过柔性光纤传输聚光太阳能，结合3D打印技术将月壤打印成结构坚实的砖体或构件[1] - 东华大学科研团队利用嫦娥五号取回的真实月壤，通过高温熔融和真空牵引技术，成功制备出直径仅10至20微米的超细月壤连续纤维，并研发了适应月球高真空、低重力环境的自动成纤装备[3] - 多条技术路线并行探索旨在将月壤转化为可用工程材料，以应对月球极端环境的严苛挑战[3] 未来月球建造的智能作业体系 - 未来月球科研站建设的核心是“月球原位取材、集群协同智造、自主智能作业”，目标是利用月球资源建造基地，实现智能建造、自主运维和可持续拓展[2] - 月球建造需异构机器人集群协同作业，设想场景包括勘察机器人测绘、运输机器人搬运月壤、大型3D打印机器人堆砌主体结构、灵巧装配机器人执行高精度装配[3] - 实现无人装备集群“群体智能”需攻克月面远距离可靠通信、高精度协同定位、异构无人集群智能规划与自主控制等核心技术[3] 行业国际合作与竞争格局 - 月球已成为全球科技竞争与合作的新疆域，深空探测实验室已与60余个国际科研机构建立合作，国际深空探测学会已落户合肥[4] - 从月壤中制备氧气、金属和水是人类共同目标，共享知识、协同攻关是应对地外生存挑战的理性选择[4] 国家规划与科研机构方案 - 根据国家航天局规划，中国将在2030年前实现中国人首次登陆月球，并在2035年前建成国际月球科研站的基本型[5] - 国内多所高校提出了月球基地建设方案，包括哈尔滨工业大学的“三叶草”与“中国星”方案、华中科技大学的“月壶尊”方案、重庆大学研究的利用月球天然熔岩管洞穴建造基地的可行性[4]

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]