免陪照护服务体系建设 - 2026年上海市政府工作报告将“加快建设免陪护照护服务体系”列为主要任务 [1][3] - 复旦大学附属中山医院作为首批试点，平均每天为1300至1400位病人提供免陪照护服务，但面临专业护理人员缺乏、受教育程度不高、劳动关系分散等问题 [1] - 建议加强陪护人员专业培训与教育，并建立清晰的职业上升通道和与职业资格等级、工作绩效挂钩的薪酬体系，例如中级陪护员薪酬比初级高20%以上，高级比中级高30%以上 [5][6] - 建议将服务划分为基础、中端、高端3个层次并制定相应收费标准，并将收费覆盖范围从“特级护理”、“Ⅰ级护理”扩展至“Ⅱ级护理”及病人情况稳定后的全过程 [5][6] - 探索建立医保支付、商业保险报销、个人自费相结合的付费机制，以提高服务可及性 [6] 创新药与医疗器械推广应用 - 2026年上海市政府工作报告将“加强创新药和医疗器械推广应用”列为主要任务 [1][3] - 生物医药创新需要“产学研用”全链条足够顺畅，是上海“十五五”规划中促进生物医药高端高效发展的核心任务 [1] - 当前生物医药领域的原创性技术平台和学术思想平台尚不完善，需科学家和临床专家掌握AI for Science新技术以精准产出先进技术，并协同国际组织制定全球性临床研究方案以加速产品转化 [8] - 建议在上海建立全球药械“零时差”准入通道，允许符合条件的医疗机构进口使用已在香港上市但尚未在内地获批的“临床急需”药品和医疗器械 [9][10] - 建议探索数据跨境流动在医疗领域的应用，试点开展真实世界研究、国际远程会诊等业务，支持数字疗法产品与国际接轨 [10][11] 人工智能在医疗领域的应用 - AI在临床上的应用越来越广泛，但部分仍处于“野蛮生长”阶段，建议医疗机构在有组织牵头下进行AI与垂类大模型的应用，避免重复开发 [7] - 建议由行政部门对专病领域的AI垂类大模型给予有序引导，包括研究方向和资金引导，以推动模型开发从社区场景转向更高层级和维度 [7] - AI垂类大模型的权威性和市场性需进一步验证，这非常考验数据背后的专业程度以及市场对模型的认可 [7] - AI for Science正推动生物医药研发进入新范式，但高质量、标准化、规模化生物医学数据的缺失是制约AI驱动研发的瓶颈 [8] - 建议由政府主导，联合龙头企业、科研机构建设生物医药科学智能“数据工厂”公共平台，以破解数据壁垒并赋能药物研发全链条，并制定数据使用补贴政策以降低企业门槛 [8][9]

行业趋势与驱动力 - 2025年具身智能赛道热度居高不下，其确定性发展前景吸引了科技巨头加码与初创公司融资，资本市场遵循长期逻辑 [3] - 一二级市场联动明显，上市公司布局机器人领域旨在赋能传统制造业、打造第二增长曲线并盘活团队，同时获得国内政策助力 [3] - 技术成熟度在2025年显著提升，机器人从2024年实验室的脆弱演示品发展为更抗造、能应对脚滑等复杂情况的产品 [5] - 大模型发展使具身智能的“智能”发生质变，简单任务成功率从60%-90%提升至100%，复杂任务成功率也稳步上升 [5] 核心技术瓶颈与解决方案 - 行业当前最大瓶颈是高质量、大规模的物理交互数据稀缺，且真实数据采集成本极高 [8] - 仿真合成数据与数据工厂是重要解决方案，通过“数据金字塔”定位：第一层为基础数据，第二层为强化学习策略应用，第三层为真机部署 [8] - 世界模型的核心价值在于高效、低成本生成第一层基础数据，补充数据多样性，支撑模型训练 [10] - 仿真数据在第二层有助于快速测试和模型收敛，数据工厂则聚焦真机数据，服务于第二、三层，尤其弥补仿真拟合不准的非平稳振动场景 [10] - 仿真数据与数据工厂是互补关系，前者支撑基础模型训练，后者服务后期模仿学习等场景 [10] - 行业核心困境仍是缺少需要海量数据支撑的优质基础模型，仿真与人类视频数据技术尚未满足规模化应用 [12] 商业化落地挑战 - 大规模落地面临成本难题，例如高性能工控电脑价格达几万元，优质灵巧手价格在上万至三五万元区间 [13] - 场景化产品定义不清晰，例如工厂场景中人形机器人的投入产出比与效率尚未算清 [13] 未来发展方向与竞争格局 - 行业未来形态并非“通用智能体统一天下”或“专用智能体生态”，而是多机异构路线，即多个不同类型机器人协同工作、分工协作 [15] - 2026年全球竞争中，中国公司的核心赛点是产品落地与数据闭环，通过产品抢占场景、沉淀数据以反哺模型迭代并吸引人才回流 [15] - 首款能大面积铺开的具身智能落地产品很可能在中国诞生 [15] - 随着技术成熟、成本下降及场景明晰，具身智能将走进更多家庭和行业，中国有望在该赛道交出亮眼答卷 [15]

具身智能数据工厂的布局与模式 - 深圳帕西尼感知科技主导建设的具身智能超级数据工厂正式投入运营 物理空间近12000平方米 预计每年可生产近2亿条高质量训练数据 [1] - 该工厂采用"无本体依赖"数据采集系统 部署150个标准化采集单元 捕捉人类手部动作姿态 空间轨迹和力学交互信息 显著降低数据生产成本并提升通用性 [1] - 工厂通过自研"多模态神经织网技术"同步融合触觉 视觉 关节角度 语音等信息 形成高维数据流 并借助"体感重定向系统"适配不同型号机器人本体 [2] 行业数据基础设施建设路径 - 上海智元机器人采取"自建自用"垂直整合策略 在临港建设量产工厂同时在张江建立大规模数据采集中心 通过上百台机器人7x24小时生产数据 [2] - 北京由政府和龙头企业联合组建具身智能机器人创新中心 建设"人工智能公共算力平台"和行业数据集 为区域企业提供基础资源支持 [3] - 广东省具身智能机器人创新中心整合高校与产业链资源 建立共享数据采集与管理机制 降低创新门槛培育产业生态 [3] 行业发展趋势与战略目标 - 当前中国具身智能产业形成三种数据基础设施模式：第三方专业服务 头部企业垂直整合 区域性公共平台 满足不同发展阶段企业需求 [3] - 帕西尼计划构建"全模态数据集"并与自研大模型形成增长飞轮 最终目标是建立理解物理世界规律的"世界模型"并向全球产业生态开放数据能力 [3] - 具身智能数据工厂涌现标志着行业竞争维度深化 从算法硬件单点比拼转向数据生产 模型训练 垂直整合能力的体系化竞争 [4]