技术突破 - 瑞士洛桑联邦理工学院（EPFL）科学家首次开发出无需外部光源的新型生物传感器，利用量子效应原理实现检测 [1] - 该技术基于非弹性电子隧穿现象，电子穿过极薄绝缘层时释放光子，通过特殊纳米结构大幅提升光发射概率 [1] - 传感器结构由超薄氧化铝绝缘层和金层组成，电子激发等离激元振荡产生光子，光子特性随环境生物分子变化实现检测 [2] 技术优势 - 新型传感器无需复杂外部光学设备，突破传统光学生物传感器对光源的依赖 [1] - 检测过程高度灵敏、实时且无需标记，适用于蛋白质或氨基酸等纳米尺度分子探测 [2] - 技术简化传感器结构，为便携式设备和现场快速诊断提供可能 [2] 应用前景 - 该技术有望应用于家庭健康监测、偏远地区疾病筛查和环境污染物快速识别 [2] - 推动新一代微型化、高性能生物检测设备发展，拓展光学生物传感技术在医疗诊断和环境监测中的应用 [2] 行业影响 - 光学生物传感器在精准医疗、个性化诊疗及环境监测中发挥关键作用，新技术将提升其便携性和普及性 [1] - 纳米光子结构此前需依赖外部光源，新技术解决了这一限制，为行业带来革新 [1]

纪要涉及的行业和公司 - **行业**：自动驾驶行业 - **公司**：特斯拉、vivo、百度、小马智行、文远知行、Pony、小鹏、理想 纪要提到的核心观点和论据 1. **自动驾驶主流方案**：当前主流采用局部端到端两阶段模型，前端感知和预测利用 CNN 结合 LLM 增强环境理解，规划控制侧重基于规则的方法保障安全，旨在平衡复杂度与可靠性[1][2] 2. **特斯拉技术路径优劣势** - **优势**：响应速度快，车载系统响应及时；处理复杂场景能力强，一段式操作解决多模块联合问题表现出色[3] - **劣势**：训练过程复杂，监督难以构造；数据采集与标注困难，训练时比局部端到端方法面临更大挑战[3] 3. **国内 L4 级别自动驾驶系统优势**：在驾驶舒适性、复杂路况安全性及急弯场景路径规划方面优于特斯拉，国内公司通过多传感器融合提升感知能力，更适应国内复杂交通环境[1][6] 4. **L4 级别自动驾驶系统硬件需求** - **激光雷达**：是刚需，在夜间和恶劣天气下能有效识别物体形状，避免纯视觉方案的感知缺陷，但数据量庞大，对算力需求较高[1][9] - **芯片**：实现 L4 功能对芯片算力要求高，英伟达芯片性能和稳定性优异，国产芯片在尖峰性能、平均性能和生态支持上与英伟达有差距，但美国制裁推动国产替代，可显著降低成本，如地平线芯片可节省 80%成本[1][12] 5. **限制车队规模扩大的因素**：单车成本高（目前约 80 万，大规模量产需降至 30 万以内）、监管限制（只能部署在特定区域）、人力成本和基础设施建设不足（缺乏专业云控驾驶员及后台服务器支持）[16] 6. **政府相关政策和要求** - **Robotaxi 运营**：需先在特定区域测试收集数据，提供给政府获批准后开放区域运行[17] - **自动驾驶牌照发放**：政府每年限定牌照数量，申请者提交公用指标数据初步筛选，通过仿真软件模拟场景监控自动驾驶能力，结合两者结果决定发放对象，牌照数量逐渐递增[18] 7. **世界模型**：在自动驾驶中发挥重要作用，不同车企之间存在差异，整体框架包括动态障碍物重建和静态环境重建，但细节差距大，如小鹏、理想等采用 3D 高斯等高精度方法，其他企业可能采用游戏引擎方式模拟[20] 8. **L4 级别公司解决问题的方法**：通过大量测试和仿真技术解决常见问题，利用数据孪生构建仿真环境，发现并解决问题，更新算法并积累数据，降低人力成本，提高效率[2][14] 其他重要但是可能被忽略的内容 1. **PNC 未用更多模型驱动的原因**：训练和推理过程中的数据问题，自回归会使未见过的数据偏差累积，未见过的数据可能导致危险行为[4][5] 2. **政府仿真软件及评价指标**：以北京交管局为例，使用基于国外的通用平台软件添加各种随机场景评估，评价体系不复杂，国内厂家能做类似软件[19] 3. **生成数据与大语言模型的关系**：生成数据基于已训练好的大语言模型框架，可提供优质数据，减少对真实数据的依赖[23] 4. **人员招聘来源**：从百度、美国公司、Vivo 等企业挖掘高端人才，应届生主要来自清华、北航、北邮、中科大、中科院和浙大等高校[25] 5. **国内与海外引进人才对比**：国内人才数学基础扎实，项目执行和攻坚能力强；海外引进人才眼界高，有新奇想法，工作规范[26][27] 6. **自动驾驶领域未来技术迭代**：短期无太大技术变革，重点是将大语言模型融入自动驾驶系统，若实现将带来巨大飞跃[28]

市场动态 - 国家医保局将召开发布会介绍《支持创新药高质量发展的若干措施》有关情况 [1] - 上交所上半年受理30单IPO申请 其中科创板企业占比超70% [2] - 国内头部光伏玻璃企业计划自7月起集体减产30% 预计7月产量降至45GW左右 [5] 公司动态 - 摩尔线程、沐曦股份等"独角兽"企业IPO申请获上交所受理 [2] - 智明达拟定增募资不超过2.13亿元 用于无人装备及商业航天嵌入式计算机研发 [6] - 圣诺生物全资子公司艾塞那肽注射液获药品注册证书 完善糖尿病药物产品结构 [7] - 均普智能签订2825万元人形机器人销售框架合同 [8][9] - 海天瑞声股东贺琳及一致行动人拟减持不超过2.95%股份 [9] - 通富微电大基金累计减持1%股份 持股比例降至7.77% [9] 产品与技术 - 小米YU7锁单量远超预期 雷军将于7月2日进行直播分享 [3] - 上海瑞金医院开源RuiPath病理大模型 覆盖90%中国常见癌种 基于华为DCS AI解决方案打造 [4] - 新加坡国立大学研发钙钛矿有机串联太阳能电池 光电转换效率达26.4%创世界纪录 [9] - 瑞士科学家开发出首个无需外部光源的自发光生物传感器 [10]

技术突破 - 瑞士洛桑联邦理工学院科学家利用量子效应原理开发出首个无需外部光源的自发光生物传感器 [1] - 该技术突破为光学生物传感技术在医疗诊断和环境监测领域的应用扫清了关键障碍 [1] - 研究成果发表在最新一期《自然·光子学》杂志上 [1]

公司概况 - 长春长光辰芯微电子股份有限公司成立于2012年，源自中科院长春光机所，是国产高性能CMOS图像传感器龙头企业 [3] - 公司主要提供机器视觉、科学仪器和专业影像应用领域的产品及定制服务，拥有九大产品系列和超过50种标准产品 [3] - 公司实际控制人为王欣洋、张艳霞夫妇，合计控制49.53%股份，两人均为博士学历并在相关领域有丰富经验 [5][6] - 公司员工401人，其中研发团队201人占比50.1%，包括20名博士和181名硕士 [6] 行业地位 - 2024年公司在全球工业成像CIS市场排名第三，中国第一，市场份额15.2% [3] - 2024年公司在全球科学成像CIS市场排名第三，中国第一，市场份额16.3% [3] - 全球CIS市场规模预计从2024年1391亿元增至2029年2103亿元，复合增长率8.6% [3] 财务表现 - 2020-2022年营业收入分别为1.98亿元、4.11亿元、6.04亿元，但2021-2022年净利润亏损3316.85万元和8314.81万元 [4] - 2022-2024年收入分别为6.04亿元、6.05亿元、6.73亿元，2023年扭亏为盈实现净利润1.7亿元，2024年增至1.97亿元 [4] - 面阵传感器产品收入占比2022-2024年分别为66.5%、67.7%、61.6% [4] - 毛利率从2022年76.2%降至2024年59%，主要因CMOS图像传感器和定制解决方案毛利率下降 [5] 上市历程 - 2023年6月申请科创板上市，经历两轮问询后于2025年1月主动撤回 [3] - 2025年转道港交所上市，联席保荐人为中信证券和国泰君安国际 [1] - 募资用途包括研发投入、建立传感器研发中心、扩展封装测试线、国际业务布局等 [8] 股东结构 - 创始股东包括上市公司奥普光电和凌云光 [7] - 后续引入高瓴裕润、先进制造产业投资基金二期等知名投资方 [8]

投资者关系活动基本信息 - 活动类型为特定对象调研、现场参观和其他网络会议 [2] - 参与单位有上海国投、旭辉资产等多家机构 [2] - 活动时间为2025年6月5日至27日多个时段 [2] - 活动地点主要为公司会议室，部分为电话会议 [2] - 上市公司接待人员有董事、副总经理等 [2] 公司经营业绩情况 - 2024年度，公司实现营业收入94,016万元，同比增长25.93%；归属于上市公司股东的净利润为8,264万元，同比增长3.44%；扣非后净利润7,460万元，同比增长2.00% [3] - 2025年第一季度，公司实现营业收入26,127万元，同比增长42.15%；归属于上市公司股东的净利润为2,037万元，同比增长59.49%；扣非后净利润1,856万元，同比增长63.85% [3] 产品下游应用领域及营收占比 - 产品包括热敏电阻及温度传感器等，应用于汽车、家电等领域 [3] - 2024年度，汽车应用实现营收52,005万元，同比增长32.84%，占总营收比重55.31%；家电应用实现营收30,318万元，同比增长19.34%，占比32.25%；储能及其他行业实现营收11,693万元，同比增长15.72%，占比12.44% [3] MEMS压力传感器情况 - 主要在硅片上生成，应用于汽车和家电领域，在汽车有多种应用场景，家电主要用于咖啡机 [3][4] - 竞争优势包括具备自主研发能力、采用平台化设计、产品线覆盖核心场景且获国际认可 [4] - 2025年第一季度营收同比增长646% [5] 机器人用传感器布局 - 依托现有技术平台，以力/力矩感知技术为核心布局，覆盖三大核心产品品类，服务两大新兴领域 [6] - 采用双技术路径形成差异化优势，应用于机器人多个部位 [6] 降本增效举措 - 加强成本控制，通过技术创新等降低运营和管理费用，提高管理效率 [8] - 开展工艺和技术降本，引入自动化设备并改造升级，发挥规模化优势 [8] - 拓展国内外市场，优化产品和客户结构，提升高附加值产品占比 [8] 市值管理规划 - 聚焦传感器领域，通过增强研发等推动公司发展和价值提升 [9] - 重视投资者回报，自2023年上市累计现金分红52,228,746.00元 [9] - 做好信息披露和投资者关系管理，传递公司动态和价值 [9] 全球化发展战略 - 2024年境外营业收入14,332万元，同比增长34.30%，占比15.24% [9] - 通过在比利时、德国、泰国设公司实现服务本地化和技术全球化 [9] - 比利时子公司已成立，香港子公司完成注册和开户，德国子公司预计7月底注册完成，泰国孙公司在办理审批 [9][10]

特斯拉Robotaxi试运营启动 - 特斯拉于2025年6月22日在德克萨斯州奥斯汀启动Robotaxi试运营服务，初期部署10辆2025款Model Y车型，采用邀请制，运营范围限定在特定区域，运营时间为上午6点至午夜12点 [3] - 乘客支付固定费用4.20美元，车辆配备人类安全员，配备紧急中止开关 [3] - 受邀参与者反馈积极，包括减速带减速效果良好、停车平稳、夜间行驶稳定、处理狭窄施工路段和避让动物等场景表现优异 [3][6][9][11] 特斯拉Robotaxi技术表现与问题 - 部分场景出现技术问题：未对倒车卡车刹车导致险情、左转时短暂逆行、系统分配车辆接客困难、无视限速标志等 [11][12][15] - 有用户质疑车辆可能由后台人工操控，因在限速20英里区域以35英里时速行驶 [15] - 马斯克预测到2026年底美国将有数十万至超百万辆特斯拉自动驾驶汽车行驶 [11] 特斯拉Robotaxi商业模式与市场反应 - 特斯拉计划融合Uber和Airbnb模式，车主可通过共享闲置车辆获得收入，公司抽取佣金 [2] - 2025年Q1特斯拉电动汽车交付量暴跌13%，公司将Robotaxi定位为救星，预计2026年底显著改善财务状况 [20] - 官宣Robotaxi后特斯拉股价上涨9%至349美元，市值达1.03万亿美元，马斯克身价超3350亿美元 [20] 中国无人驾驶出租车发展 - 2025年被视为无人驾驶出租车商业化元年，中国已有超15个城市允许完全无人驾驶运营 [21] - 百度萝卜快跑2025年Q1提供超140万次出行服务，同比增长75%，累计服务超1100万次，业务扩展至迪拜、阿布扎比和香港 [21][22] - 滴滴与广汽埃安联合发布L4 Robotaxi车型，计划2025年底量产，2026年在广州、北京示范运营 [22] - 哈啰出行联合蚂蚁集团、宁德时代成立合资公司，注册资本12.88亿元，专注L4自动驾驶技术研发和商业化 [23] 自动驾驶技术路线对比 - 特斯拉采用纯视觉方案，依赖摄像头和FSD计算机，声称比Waymo方案"安全7倍，成本低7倍" [23] - Waymo和中国公司采用多传感器融合方案，配备激光雷达、雷达等实现环境感知 [24] - 全球Robotaxi市场处于关键转型期，技术成熟度、监管框架和公众信任仍是核心挑战 [24]

具身AI与多传感器融合感知 - 具身AI以物理实体为载体，通过动态环境实时感知实现自主决策和行动能力，是突破AI发展瓶颈、实现通用人工智能（AGI）的关键路径[3] - 多传感器融合感知（MSFP）对实现具身AI的稳健感知和准确决策能力至关重要，需融合视觉相机、毫米波雷达、激光雷达等多模态传感器数据[3] - 当前MSFP方法面临跨模态数据异质性、时空异步和传感器故障等固有挑战[4] 传感器数据与数据集 - 相机数据捕捉丰富外观特征但对光照敏感，激光雷达提供高精度3D点云但对天气敏感，毫米波雷达在恶劣天气性能良好[10] - KITTI数据集包含14,999张图像及相应点云，采集于德国卡尔斯鲁厄及附近城市[13] - nuScenes数据集在波士顿和新加坡采集，包含140万张相机图像、39万次LiDAR扫描和140万次雷达扫描[13] - Waymo Open数据集包括126万个3D边界框和118万个2D边界框，涵盖白天、夜间、黎明、黄昏和雨天场景[14] 感知任务 - 目标检测任务需准确定位和识别物体，2D检测输出类别和2D边界框，3D检测包括3D位置坐标、尺寸和航向角[16] - 语义分割任务将场景中的每个基本单元分类为语义类别[17] - 深度估计任务从传感器数据获取场景深度信息，为具身智能体提供3D几何理解[17] - 占用预测任务提供对3D空间的密集语义理解，通过离散化3D空间为体素预测占用状态和语义类别[17] 多模态融合方法 - 点级融合方法集成点云几何坐标信息与图像语义细节，如PointFusion、PointPainting等方法[23][24] - 体素级融合方法将LiDAR点云转换为规则网格，如CenterFusion、VPFNet等方法[25][26] - 区域级融合方法从2D图像和其他模态聚合特定区域信息，如AVOD、RoarNet等方法[28][29] - 多级融合方法从不同级别集成多模态信息，如MVX-Net、EPNet等方法[30][31] 多智能体融合方法 - 协作感知技术可集成多个智能体和基础设施的感知数据，解决遮挡和传感器故障问题[35] - CoBEVT通过稀疏Transformer生成BEV分割预测进行协作处理[35] - V2VNet基于图神经网络融合多辆车的中间特征表示[36] - When2Com框架学习构建通信组和通信时机，减少带宽使用[37] 时间序列融合方法 - 密集查询方法为高分辨率3D或BEV空间中的每个查询点分配固定位置，如BEVFormer、BEVFormer v2[40][41] - 稀疏查询方法因其效率、准确性和适用于稀疏感知任务而受欢迎，如StreamPETR、Sparse4D系列[42][43] - 混合查询方法结合密集和稀疏查询范式，如UniAD、FusionAD等方法[45][46] 多模态LLM融合方法 - 视觉-语言方法结合视觉和文本数据进行语义对齐，如X-Driver、Mpdrive等方法[50] - 视觉-LiDAR-语言方法集成视觉、LiDAR和语言数据进行3D空间理解，如DriveMLM、MAPLM等方法[51][52]

结构电池复合材料 - 结构电池复合材料集机械承载性能和电化学储能于一体，可同时实现轻量化和储能功能 [1] - 该技术将为电动汽车和航空工业带来质的飞跃，未来飞机机身可能成为巨型电池 [1] - 商业化应用仍需完善安全标准体系，但推广后将大幅提升能源效率 [1] 渗透发电技术 - 渗透发电技术利用不同水源的盐度差异产生电能，已取得突破性进展 [2] - 压力延迟渗透技术通过半透膜引导淡水渗透产生液压驱动涡轮发电 [2] - 反向电渗析技术通过离子交换膜分离电荷直接产生电流 [2] 核能技术革新 - 全球核能产业迎来新一轮发展浪潮，小型模块化反应堆等技术正在涌现 [3] - 核电站建设朝着降低成本、优化设计的方向发展 [3] - 可控核聚变技术一旦实现将带来革命性转机 [3] 细菌体内制药技术 - 科学家将益生菌改造成微型制药工厂，可编程释放药物 [4] - 新技术可降低70%的生产成本，并能持续稳定供药 [4] - 与传统制药方式相比更经济、更持久 [4] GLP-1类药物 - GLP-1受体激动剂在阿尔茨海默病与帕金森病治疗中展现出前景 [5] - 该药物能减轻脑部炎症反应并加速清除致病性异常蛋白 [5] 智能生化传感技术 - 电子设备可全天候自动监测生化指标，实现实时动态监控 [6] - 技术已在医疗领域应用如动态血糖仪，范围正不断扩大 [6] 绿色固氮技术 - 新一代固氮技术借鉴自然智慧，改造细菌和酶成为微型氮肥工厂 [7][8] - 传统固氮工艺消耗全球2%能源并排放大量温室气体 [7] - 绿色方案有望大幅降低能耗 [7] 纳米酶技术 - 纳米酶拥有与生物酶相似的功能特性，稳定性更强且成本低廉 [8] - 已应用于水质净化、食品检测等领域，临床研究取得突破 [8] 协同传感技术 - 相互连通的传感设备重塑城市运行脉络，提供全新数据决策能力 [8] - 技术应用于城市交通、矿山测绘、生态监测等多个领域 [8] 生成式水印技术 - 生成式水印技术为AI生成内容嵌入隐形标记以辨别真伪 [9] - 科技巨头竞相布局该领域，但面临技术应用不统一等挑战 [9]

具身AI与多传感器融合感知的重要性 - 具身AI是以物理实体为载体，通过实时感知实现自主决策和行动能力的智能形式，在自动驾驶、机器人群体智能等领域有广泛应用，是突破AI发展瓶颈、实现通用人工智能（AGI）的关键路径 [2] - 传感器数据理解是连接物理世界与数字智能的核心环节，具身智能体需要融合视觉相机、毫米波雷达、激光雷达（LiDAR）、红外相机和IMU等多模态传感器数据以实现全景感知 [2] - 多传感器融合感知（MSFP）对实现具身AI的稳健感知和准确决策能力至关重要，例如视觉相机易受光照变化干扰，而激光雷达在雨雾天气性能会大幅衰减 [2] 现有研究的局限性 - 当前基于AI的MSFP方法在具身AI中面临跨模态数据的异质性使得特征空间难以统一的挑战 [3] - 不同传感器之间的时空异步可能导致融合误差，传感器故障（如镜头污染、信号遮挡）可能导致多模态信息的动态丢失 [3][4] - 现有综述大多面向单一任务或研究领域，如3D目标检测或自动驾驶，缺乏对多智能体融合、时间序列融合等MSFP方法多样性的考虑 [4] 传感器数据 - 相机数据可捕捉物体的颜色、形状和纹理等丰富外观特征，但对光照条件敏感，在夜间和恶劣天气下图像质量显著下降 [7] - 激光雷达（LiDAR）数据直接输出包含空间几何信息的高精度3D点云，在3D感知中具有独特优势，但对天气敏感且点云数据稀疏不均匀 [7] - 毫米波雷达数据在恶劣天气下性能良好，可直接测量物体速度，但点云更稀疏难以准确描述物体轮廓 [10] 数据集 - KITTI包含14,999张图像及相应点云，数据采集车辆配备两台灰度相机、两台彩色相机、一个Velodyne 64线LiDAR等设备 [13] - nuScenes包括700个训练场景、150个验证场景和150个测试场景，总计5.5小时，包含140万张相机图像、39万次LiDAR扫描 [13] - Waymo Open包括感知和运动数据集，感知数据集中的注释包括126万个3D边界框、118万个2D边界框 [14] 感知任务 - 目标检测是通过传感器获取的数据准确定位和识别各种类型的物体，在3D目标检测场景中需包括目标的3D位置坐标、尺寸信息和航向角 [16] - 语义分割任务旨在将场景中的每个基本单元分类为语义类别，分割模型需要为每个基本单元分配相应的语义标签或类别概率分布 [16] - 深度估计旨在从传感器数据中获取场景的深度信息，为具身智能体提供3D几何理解，对路径规划和决策控制等下游任务至关重要 [16] 多模态融合方法 - 点级融合方法实现LiDAR点云与图像数据在单个点级别的特征融合，通过集成点云的几何坐标信息与图像的语义细节提高多模态感知精度 [21] - 体素级融合方法将不规则的LiDAR点云转换为规则网格，在保留几何信息的同时实现高效处理，相机图像被集成到基于体素的方法中以获得更好的感知能力 [23] - 区域级融合方法侧重于从2D图像和其他模态聚合特定区域的信息，在模态之间的空间对齐更容易实现的场景中特别有效 [28] 多智能体融合方法 - 协作感知技术可以集成来自多个智能体和基础设施的感知数据，对解决遮挡和传感器故障问题至关重要 [34] - CoBEVT是第一个通用的多智能体多相机感知框架，通过稀疏Transformer生成BEV分割预测以进行协作处理 [34] - V2VNet引入了一个基于图神经网络的框架，用于融合来自多辆车的中间特征表示 [35] 时间序列融合 - 密集查询方法为高分辨率3D空间或BEV空间中的每个查询点分配固定的光栅化空间位置，BEVFormer通过可变形注意力机制实现多个相机视图中的自适应特征交互 [44] - 稀疏查询方法因其效率、准确性和适用于稀疏感知任务而在行业中越来越受欢迎，StreamPETR通过对象查询系统地在帧间传播长期信息 [47] - 混合查询方法结合密集和稀疏查询范式，以平衡计算效率和全面的场景理解，UniAD将感知、预测和规划集成在一个统一的框架中 [51] MM-LLM融合方法 - 视觉-语言方法结合视觉和文本数据进行语义对齐，X-Driver利用具有思维链推理和自回归建模的多模态大型语言模型实现卓越的闭环自动驾驶性能 [57] - 视觉-LiDAR-语言方法将点云特征与文本特征对齐，DriveMLM采用时间QFormer处理多视图图像，有效捕捉不同视角之间的时间动态和空间关系 [59] - MAPLM将3D LiDAR点云数据投影到BEV图像，并通过视觉编码器提取特征，使强大的视觉模型的使用成为可能 [60]