报告行业投资评级 - 增持（维持）[1] 报告的核心观点 - 视觉骨干网络是机器视觉系统的核心模块，其作用是把原始像素转化为高层语义特征，并决定分类、检测、分割等下游任务上限[4] - CNN与ViT是过去十余年最重要的两代视觉骨干，二者之争本质上是先验、数据和算力如何分工[4] - 视觉架构正在从“强先验”与“弱先验”两端走向任务、数据、算力约束下的动态平衡[4] - 产业落地呈现分层：研究前沿偏ViT，车端量产偏混合[4] - 智能驾驶作为物理AI最先跑通闭环的代表场景，应重点关注[4] 根据相关目录分别进行总结 1. 视觉骨干网络：机器视觉的表征底座 - 视觉骨干网络是计算机视觉系统中将原始像素转化为高层语义特征的核心模块，其表征质量直接决定下游任务上限[9] - 图像识别的根本难点在于语义鸿沟，视觉模型需要对变化保持稳定，又需保留关键差异[9] - 计算机视觉主流任务通常共享“骨干网络+任务头”的范式，CNN与ViT之争影响的是视觉系统的通用表征底座[10] 2. 视觉架构演进：从手工特征到融合骨干 - 视觉架构大体经历四个阶段：手工特征时代、CNN崛起、ViT登场、融合时代[4][17] - 手工特征时代（-2012）依赖SIFT、HOG等专家设计，主要局限是依赖专家经验、难以规模化[11][17] - CNN崛起（2012—2020）以AlexNet、VGG、ResNet为代表，推动机器自动学习视觉特征，形成产业基础[12][13][17] - ViT登场（2020—2022）将图像切分为patch并作为token输入Transformer，使注意力机制进入视觉，其成功的关键前提是数据规模[14][17] - 融合时代（2022—今）以Swin、ConvNeXt、CoAtNet为代表，推动CNN与ViT相互吸收[4][17] 3. CNN 机制：卷积为何适合图像 - CNN的核心机制包括卷积、池化与任务头[15][16][18] - CNN的优势来自三项视觉归纳偏置：局部连接、权值共享和平移等变性，这些结构假设使模型在数据有限时更高效，也更适合端侧和实时部署[4][19] - 局部连接体现了图像的空间局部性假设，是CNN数据效率较高的重要原因[19] - 权值共享使模型具备跨位置泛化能力，是CNN更高效的关键结构设计[19] - 平移等变性使模型更容易识别位置变化下的同一视觉模式[19] 4. ViT 机制：将图像patch化为token序列 - ViT的核心设计包括patch切分、token化与Transformer编码[21] - ViT将图像切分为固定大小patch并投影为token序列，从而可直接复用Transformer编码器[21] - 由于自注意力本身不包含空间顺序信息，ViT需要为每个token加入位置编码[22] - ViT以自注意力实现第一层全局交互，弱先验、强规模化，在大数据预训练下上限更高，但对数据、算力和位置编码依赖更强[4][22] - ViT-H/14在JFT-300M预训练后取得较高ImageNet精度，体现其规模化潜力[22] 5. CNN 与 ViT：先验、数据与部署的四组分歧 - CNN与ViT的差异主要体现在感受野、归纳偏置、数据效率和部署约束四个维度[23][29] - **感受野**：CNN的感受野自下而上逐层扩大；ViT从第一层自注意力开始即可实现全局交互[24][29] - **归纳偏置**：CNN具有较强归纳偏置（局部连接、权值共享、平移等变性）；ViT视觉先验较弱，主要依靠数据学习[25][29] - **数据效率**：在中小数据规模下（如ImageNet-1k），CNN通常更具优势；在大规模预训练条件下（如ImageNet-21k、JFT-300M），ViT的扩展性更强[26][27][29] - **计算复杂度与部署场景**：标准自注意力计算量随token数量呈平方增长；卷积计算量随分辨率近似线性增长，且端侧部署生态更成熟[28][29] - 现实分工通常表现为：云端训练、研究前沿和多模态大模型偏向ViT；端侧量产和实时系统更多采用CNN或混合架构[28] 6. 核心争议：架构优势与约束边界 - 核心争议在于ViT是否真正“强于”CNN，还是更多受益于更大数据和现代训练范式[4][29] - ConvNeXt证明纯卷积配合现代训练技巧仍可追平部分ViT，表明早期ViT优势不能完全归因于注意力结构本身[4][29] - 更审慎的判断是：在同等数据与训练条件下，CNN与ViT精度可能相近，架构选择取决于数据规模、算力条件、部署约束和任务类型[30] - 关于归纳偏置：数据稀缺时（如工业质检、医疗影像），归纳偏置是资产；数据和算力充足时，强先验可能成为上限约束[31] - 视觉骨干并不存在统一最优解，关键在于任务、数据、算力和部署约束的匹配[31]

纪要涉及的行业或公司 * **行业**：汽车行业，特别是智能驾驶（智驾）与汽车零部件领域[1][2] * **公司**：地平线机器人、Momenta、伯特利、耐世特[2] 核心观点与论据 * **地平线机器人** * 核心观点：智驾行业格局日渐清晰，公司实现智驾IP、芯片、算法全布局，并在关键客户处取得突破[2] * 论据：公司HSD产品性能优异，成功配套比亚迪[2] * **Momenta** * 核心观点：公司业绩高增长，商业闭环临近[2] * 论据：业务实现全布局，涵盖L2+、Robotaxi、Robovan[2] * **伯特利** * 核心观点：核心产品销量高增长，新技术实现量产，收购带来业绩弹性[2] * 论据：Onebox销量高增长，EMB（电子机械制动系统）实现全球首个项目量产，通过收购豫北并表[2] * **耐世特** * 核心观点：公司估值低且业绩高增长，线控转向技术实现从0到1的突破[2] * 论据：线控转向产品已实现为多家车企量产配套[2] 其他重要信息 * 本次交流推荐了处于低位的汽车及物理AI相关标的[1] * 可以提供关于伯特利的专家交流要点以及近期完成的Momenta调研信息[1]

报告行业投资评级 - 行业评级为“优于大市” [1] 报告核心观点 - **具身智能是第四次智能革命的核心突破口**：人工智能正从数字AI迈入物理AI时期，具身智能作为通用人工智能的物理载体，融合大模型认知、多模态感知与自主执行，实现了从“数字化认知”到“物理化改造”的跨越 [3] - **重构生产力底层，开启全面智能化新阶段**：具身智能被视为继蒸汽机、电力、计算机、大模型之后的人类生产力第五次底层革命，将重构“人、机器、环境”的协作边界，推动自动化从封闭工业场景走向全社会全域落地 [4] - **产业已迈入产业化落地临界点**：当前具身智能已从实验室探索迈入产业化落地临界点，成为全球科技竞争与产业升级的核心赛道，技术迭代加速、产业链生态完善、政策扶持加码 [4] - **未来将作为通用生产力基础设施**：具身智能未来将承接人类重复性、高强度、高风险的基础劳动，释放人类创造力，成为驱动全球经济增长、产业结构升级、社会形态革新的核心引擎 [4][7] 根据相关目录分别进行总结 一、人形机器人总论——定义、政策与发展历程 - **人形机器人定义**：外观和行为与人类相似，具有部分或全部人类特征的机器人，是通用机器人最理想的形态，旨在适应人类构建的生产生活环境 [27] - **机器人分类**：分为工业机器人和服务机器人两大类，服务机器人又可细分为场景机器人（如无人驾驶汽车）和通用机器人，人形机器人是未来通用机器人的理想量产形态 [22][24] - **国外发展历程（以特斯拉为例）**：特斯拉于2021年提出概念，2022年展示Optimus原型，2023年底发布Gen-2产品提升运动能力，2024年增强视觉与学习算法，2025年正式开启量产进程并展示复杂舞蹈动作 [29][30] - **国内发展历程（以宇树科技为例）**：国内研究始于20世纪90年代，2021年后随着AI突破和产业链优势形成，宇树科技等企业快速崛起，宇树科技从四足机器人延伸至人形机器人，2025年人形机器人出货量达5215台，并于2026年申报科创板IPO [31][32][34] - **政策体系**：自2023年工信部发布《人形机器人创新发展指导意见》以来，中央及地方政策密集出台，目标到2025年初步建立创新体系并实现批量生产，到2027年形成具有国际竞争力的产业生态 [35] 二、人形机器人的产业发展阶段与前景 - **市场空间与当前阶段**：人形机器人是潜在兆亿赛道，当前尚处从“0”到“1”的萌芽期 [12] - **技术演进路径**：报告将机器人与汽车智能化发展路径进行类比 [12] - **发展挑战与机遇**：报告分析了行业发展的挑战和机遇 [9] - **需要培育的关键产业链**：报告指出人形机器人发展需要培育关键产业链 [9] 三、人形机器人产业链全景和本体玩家梳理 - **产业链全景**：报告提供了人形机器人产业链全景图 [9] - **本体公司梳理**：报告梳理了人形机器人本体公司、车企公司及科技公司 [9] 四、产业链拆解之减速器 - **核心作用**：精密减速器是匹配转速、传递转矩的机器人旋转关节核心零部件 [9] - **壁垒**：在工艺、材料、设备等环节均具难点 [9] - **市场**：国产减速器替代进程加速，人形机器人催生全新增量空间 [9] 五、产业链拆解之新型减速器 - **重要方向**：摆线减速器是新型减速器的重要方向 [9] - **壁垒**：在设计与工艺方面均具壁垒 [9] - **市场**：摆线减速器有望实现人形机器人搭载 [9] 六、产业链拆解之丝杠 - **核心作用**：丝杠是人形机器人线性关节核心零部件 [9] - **壁垒**：制造设备与工艺技术Know-how为核心壁垒 [9] - **市场**：外资品牌主导高端市场，国产替代与人形机器人催生成长期遇 [9] 七、产业链拆解之六维力传感器 - **核心作用**：传感器是人形机器人感知层、控制层关键部件 [9] - **壁垒**：存在设计、算法、标定以及工艺多维壁垒 [9] - **市场**：国产玩家进展较快，人形机器人催生广阔空间 [9] 八、产业链拆解之固态电池 - **核心内容**：报告分析了固态电池及其产业链 [9] - **市场空间**：报告探讨了固态电池的市场空间 [9]

行业投资评级 - 增持（维持） [1] 报告核心观点 - 报告认为，Transformer架构凭借其并行训练和规模化能力，已成为云端通用基础模型（如GPT、BERT及后续的LLM、VLM、VLA）的核心底座，主导了人工智能2017年后的加速演进 [4][7][8] - 报告指出，数字AI底座模型发展路径已逐渐清晰，但其难以实现物理世界的建模闭环，而物理AI将成为物理世界的AI解决方案，在AI当前发展阶段成为增量更大的方向，其中智能驾驶作为最先跑通闭环的代表场景应重点关注 [4] - 报告认为，尽管Transformer替代了传统RNN主干，但循环思想并未消失，以状态空间模型（如Mamba）、RWKV和线性注意力为代表的新循环路线，在长上下文、端侧低功耗和低时延场景中体现价值，成为特定约束下的重要补充 [4][25][30] - 报告强调，从RNN到Transformer的演进，本质上是记忆方式与计算方式的再平衡，两者在记忆、计算和长程建模上存在三组关键分歧 [4][26][27] 序列建模的共同问题与核心难点 - 序列建模面向文字、语音、视频、车辆轨迹等有顺序的数据，其核心难点在于处理数据的**变长、有序和长程依赖**特性，模型需保留上下文并将相距较远的相关信息联系起来 [4][9][10] - 序列数据的顺序本身携带信息，且存在**长程依赖**这一核心难点，即决定当前输出的关键信息可能出现在很久以前 [11] - 序列模型需在**长程记忆、训练并行和推理成本**之间进行权衡 [11] RNN机制与固有约束 - RNN的基本思路是把历史压缩进一个随时间更新的**隐藏状态**，通过**循环、隐状态与时间展开**的机制处理序列，其推理成本相对恒定 [4][13][14] - LSTM和GRU通过**门控机制**缓解长程遗忘问题，Seq2Seq框架和注意力机制进一步推动了RNN的应用扩展 [4][17] - RNN的固有约束在于**必须逐步串行处理**，难以充分利用并行算力，且长距离信息容易在压缩状态中衰减 [4][18] Transformer机制与规模化能力 - Transformer采用**自注意力**机制，让每个位置直接与序列中所有位置交互，通过**QKV（查询、键、值）** 向量实现全局检索，显著缩短了长程依赖路径 [4][20][22] - Transformer的核心设计包括**多头注意力、位置编码和前馈层**，辅以残差连接与层归一化以稳定训练 [23] - Transformer的核心优势是**并行训练和规模化能力**，使其能够承接更大规模的数据与算力，推动规模法则成为大模型时代的重要规律 [7][24] - Transformer的计算代价在于，**注意力计算量随序列长度平方增长**，且生成阶段的**KV缓存**会带来显存和带宽压力，这是其在超长上下文和端侧部署中的重要瓶颈 [24] 技术路线分歧与新循环回潮 - RNN与Transformer的分歧可归纳为三组关键权衡：**记忆方式**（定长状态 vs 全量缓存）、**计算特性**（训练串行/推理成本恒定 vs 训练并行/推理成本随长度增加）和**长程建模**（信息易衰减 vs 路径短但计算成本高） [4][26][27] - **线性注意力**通过改写注意力形式将平方复杂度降为线性，在数学上建立了注意力与循环之间的联系 [28] - **状态空间模型（如Mamba）** 和**RWKV**代表了新循环路线的重要方向，前者训练计算量随长度线性增长且推理无需KV缓存，后者尝试结合Transformer的训练并行性与RNN的推理效率 [4][28] - **混合架构**是当前更具落地性的折中路径，例如在多数层使用高效结构（如线性注意力、Mamba层）以降低成本，在少数层保留全注意力以维持精确回忆能力 [4][29] 产业应用与前景 - 在产业层面，**通用大模型仍以Transformer为默认底座**；而在**物理AI、端侧和车端**等功耗和时延约束更强的部署环境中，更可能较早采用循环类、状态空间或混合架构 [30] - 智能驾驶作为物理AI中**最先跑通闭环的代表场景**，报告认为应重点关注 [4]

文章核心观点 - 表征是人工智能理解、推理与预测世界的底层语言，其学习质量直接决定下游任务的能力上限，是理解AI技术演进与路线分歧的主线 [2][10][11] - AI表征的演进经历了从符号AI、特征工程、深度学习到基础模型四个阶段，底层线索是机器记录与组织世界方式的变化，当前正走向跨任务、跨模态的统一表征空间 [2][24][25] - 当前基础模型时代存在四组核心表征路线分歧：表征中心与生成中心、符号表征与分布式表征、离散表征与连续表征、显式世界模型与隐式潜空间 [2][40][41] - 表征研究仍面临核心争议，包括表征是否等于理解、表征坍缩、可辨识性、好表征判据以及多模态统一表征能否成立等开放问题 [2][3][54] - 在物理AI（如自动驾驶与机器人）落地场景中，表征的具体形式（如离散/连续动作、数据来源、架构选择）成为技术路线分化的核心，智能驾驶作为最先跑通闭环的场景值得重点关注 [3][66][67] - 数字AI底座模型发展路径已较清晰，但其难以实现物理世界的建模闭环；物理AI将成为物理世界的AI解决方案，在当前发展阶段增量潜力更大 [3] 表征：人工智能理解世界的底层语言 - 表征指AI系统将图像、文本、声音等外部信息转化为机器可计算内部编码的过程，通常以向量形式存在，是AI完成识别、生成、推理或控制的基础 [10][11] - 分布式表征思想由Hinton等人在1986年提出，强调由多个单元共同表示一个对象，为新对象的泛化提供了基础 [11] - 表征质量直接决定模型能力边界，机器学习算法的成功很大程度上取决于数据的表示方式 [2][11] 表征三层含义：数据编码、模型特征与意义问题 - 数据层面：关注如何将原始输入（如图像像素、文本token）编码为机器可计算的形式（如向量），编码方式直接影响下游任务性能上限 [13][14][16] - 模型层面：关注神经网络中间层（隐藏层激活、潜空间）学到了什么内部特征，涉及表征的可解释性与可控性问题 [13][14][19] - 哲学层面：探讨模型内部向量是否真正“承载”了真实含义，涉及“理解”的本质，与中文房间、随机鹦鹉等思想实验相关 [13][14][21] 表征演进：从人工符号到统一基础模型 - 符号AI时代（1956-1990s）：依赖人工设计的离散符号和逻辑规则构建可解释表征，但难以处理模糊性与不确定性 [25][27][28] - 特征工程时代（1990s-2012）：依赖专家设计特征（如SIFT、HOG、TF-IDF）结合浅层学习，迁移性和扩展性不足 [25][31][32] - 深度学习时代（2012-2020）：以AlexNet（2012）和Transformer（2017）为关键节点，神经网络能够端到端自动学习连续表征 [25][34][35] - 基础模型时代（2020-今）：以GPT-3、CLIP等为代表，通过自监督与大规模预训练形成跨任务、跨模态的统一表征空间，但可解释性、幻觉与对齐问题被放大 [25][37][38] 表征路线分歧：生成、符号、离散与世界模型 - 表征中心 vs 生成中心：前者（如CLIP、MAE）显式优化可迁移表征；后者（如GPT、扩散模型）主张表征在生成数据任务中涌现 [42][43][44][45] - 符号表征 vs 分布式表征：符号路线强调清晰符号与逻辑规则以支持组合推理；连接主义路线强调知识分布在网络参数中；神经符号路线尝试结合两者 [46][47] - 离散表征 vs 连续表征：离散路线（如VQ-VAE）将信号映射为有限token集合，便于复用语言模型框架；连续路线（如隐扩散模型）在连续潜空间中表示和编辑，信息损失较低 [48][49] - 显式世界模型 vs 隐式潜空间：在物理AI中，显式路线主张生成可观察的未来状态（如画面）辅助决策；隐式路线主张在潜空间中预测关键状态，更节省算力 [50][51] 核心争议：理解、坍缩与统一表征仍待验证 - 表征是否等于理解：中文房间、符号接地、随机鹦鹉等观点质疑模型基于统计共现的表征是否等于真正理解 [3][21][56] - 表征坍缩问题：指模型将不同输入映射为高度相似的表示，需通过引入不对称约束等方法避免 [57][58] - 表征的可辨识性：不同训练过程是否会收敛到相似表征，柏拉图表征假说提供证据表明不同模型表征可能趋同 [3][60] - 什么是“好表征”：尚无统一定义，可能判据包括任务准确率高、可解释可迁移、与因果结构一致、能够解缠关键因素等 [61][62] - 多模态统一表征是否可能：CLIP实现了图文对齐，ImageBind进一步将六种模态绑定到同一空间，但仍面临模态特征损失与模态鸿沟问题 [63][64] 物理AI落地：自动驾驶与机器人的表征分歧 - **自动驾驶的四类分歧**： - 一段式与两段式架构：一段式（端到端）感知决策一体，信息链路短但可解释性差；两段式先感知再规划，更易排查 [68][69] - 纯端到端与VLA路线：VLA在视觉与动作间引入语言或语义中间表征以提升可解释性，2025年理想、小鹏、元戎启行等多家车企转向此路线 [69] - 世界模型部署：分歧在于用于云端生成数据评测（如特斯拉、商汤）还是参与车端实时决策（如蔚来NWM） [69] - 显式生成与隐式潜空间：量产侧显式生成更常见（特斯拉、华为、蔚来等），隐式路线更多见于学术与机器人场景 [69][70] - **机器人的核心分歧**： - 动作表征：离散动作token（如RT-2）便于复用语言模型范式；连续动作（如π0）更适合高自由度、高精度控制 [73][74] - 数据来源：分歧在于依赖人类操作视频预训练、真机遥操作数据或仿真与多源数据，多源混合成为趋势 [74] - 系统架构：单体VLA试图一模型贯穿所有；快慢双系统将场景理解与高频控制拆分（如Figure Helix、英伟达GR00T N1） [74][75] - 世界模型形式：隐式潜空间（如Meta V-JEPA 2）与显式生成（如1X、DeepMind Genie 2）路线并存 [75] - **自动驾驶与机器人的共性与差异**： - 共性：均需对物理世界进行编码，并围绕动作形式、中间表征、系统架构、世界模型用途等产生路线分化 [77][78] - 差异：数据来源（自动驾驶有真实里程数据，机器人数据稀缺）、实时性与动作维度要求、世界模型定位（自动驾驶偏数据生成评测，机器人偏通用学习底座）不同 [78] 结论：表征革命是AI范式演进的主线 - 表征方式的变革是历次AI范式迁移的底层线索，当前新一轮表征范式仍处于验证阶段 [79][80] - 后续五大观察方向：统一世界表征能否成形、离散与连续路线如何收敛、显式与隐式世界模型谁主导物理AI、可解释与可控表征能否实用化、因果表征与真实世界数据结合 [80][81][82] - 表征问题不会过时，如何更好地表征世界是判断AI技术路线和产业格局的重要抓手 [82]

文章核心观点 - 2026第一财经科技创新产业融合发展大会在上海举行，主题为“构建生态赋能，推动创新成长”，汇聚多方参与者探讨科技创新产业融合及全链条生态构建 [1] - 大会强调科技创新需要环境、土壤及各类生态参与者的共同支持，并聚焦于构建覆盖全周期的科创赋能体系，打通产学研融合的“最后一公里” [4][17] - 会议通过主旨演讲与圆桌论坛，围绕未来能源、AI算力、商业航天、脑机接口四大前沿赛道，探讨了从技术突破到商业落地的真实产业命题 [25] 生态聚力，构建科创全周期赋能体系 - 上海市科学技术委员会副主任翟金国表示，上海国际科创中心建设正从“建框架”向“强功能”迈进，未来将强化科技创新供给和产业需求迁移，加快推动产学研融通创新 [5] - 上海广播电视台（上海文广集团）党委书记、台长、总裁宋炯明表示，2026年是“十五五”开局之年，国家将加快高水平科技自立自强、引领发展新质生产力置于前所未有的战略高度，第一财经正着力打造“1科创”全周期生态服务平台 [7] - 申万宏源证券党委书记、董事长刘健表示，科技企业具有研发投入高、成长周期长、技术迭代快等特点，传统财务指标难以充分反映企业价值，大型证券公司需成为连接科技、产业、资本和市场的创新生态连接者 [9] - 国家金融与发展实验室主任张晓晶指出，科技金融主战场在资本市场与创投体系，其核心是解决风险识别、定价和管理问题，中国需要实现金融从“追随者”变为“引领者”、核心功能从资金融通转向风险管理、主战场转向资本市场和创投体系等认知转变 [10][12] - 上海国投先导基金总经理温治表示，国资基金要做穿越技术周期、市场情绪和估值波动的“耐心资本”，致力于成为最发达的土壤，让子基金成为认知合伙人，让被投企业成为生态节点 [14] - 第一财经总编辑杨宇东表示，第一财经自2025年启动“1科创”品牌以来，核心目标是做生态连接器，2026年进行了“产品+工具+服务”的科创战略升级，系统梳理整合二十多年的能力积淀，链接投资者、产业端、公众市场和全球渠道，以解决科创企业全周期痛点 [16] 创新突围，打通产学研融合“最后一公里” - 上海交通大学溥渊未来技术学院院长、宁德时代首席制造官倪军认为，科技创新的根本在人才，中国人才培养体系亟待变革，在AI时代，学生更应掌握思辨性思维、系统性思维以及提出和解决问题的能力 [20] - 芯原股份创始人、董事长兼总裁戴伟民认为，当前国产芯片正站在从“跟随”走向“并跑”的关键拐点，端侧AI是值得重点关注的方向，市场应关注垂直领域大模型或小模型和端侧AI应用，如AI眼镜、AI玩具、AI戒指和智慧驾驶等增量方向 [22] - 申万宏源产业研究院联席负责人杨件表示，全球科技创新进入空前密集活跃时期，新技术不断涌现，正重构全球创新版图、重塑全球经济结构 [24] - 第一财经科创研究中心总监杜卿卿发布了《智向未来 第一财经•科创板七周年全景报告》，从多个维度对科创板全景数据进行统计分析，并通过采访调研把脉科技、产业、资本的生态变化 [24] 前沿赛道圆桌讨论：未来能源 - “科技底座”圆桌聚焦未来能源，讨论如何打通从基础科研到产业应用的传导链路 [27] - 嘉宾包括倪军、诺瓦聚变创始人郭后扬、东昇聚变总经理聂林、上海交大智能汽车研究所所长屹锂科技董事长张希、上海交大特聘教授溥渊未来技术学院党委书记葛天舒、惠生清洁能源产品技术中心副总经理邓淑君、鸿富资产可控核聚变基金投资总监雒玉升 [27] 前沿赛道圆桌讨论：AI算力 - “数智引擎”圆桌环节讨论物理AI，认为AI正在从生成文字、图片的“数字智能”进化为必须在物理世界中感知、推理、执行并承担后果的“物理AI” [27][29] - 嘉宾热议物理AI数据来源、模型如何理解物理规律、以及软硬件如何在真实场景中协同等问题 [29] - 判断物理AI正处于从技术理念走向规模化量产的拐点，认为物理AI智能终端跨越量产鸿沟须把握三个要素：数据获取成本、端侧算力门槛、硬件定制化成本 [29] - 圆桌由申万宏源研究计算机首席分析师黄忠煌主持，嘉宾包括上海人工智能研究院副院长灵巧智能创始人许春山、松应科技创始人聂凯旋、灵境智源联合创始人须海江、紫金星宇董事长吴建军、Momenta全球商业生态负责人刘科 [29] 前沿赛道圆桌讨论：商业航天 - “空天未来”圆桌垂直聚焦商业航天和天空算力主题 [31] - 嘉宾表示，当前核心命题是在工程极限约束下跑通太空经济的商业账本，低轨频轨战略储备、天基算力的实时预警价值已形成共识 [31] - 指出万颗级星座规模化部署必须推动卫星制造向工业级供应链开放、大幅降低单星成本，同时太空能源供给、散热、芯片抗辐射等工程卡点仍需全链条攻关，“应用先行、以收定投”是破解商业闭环的可行路径 [31] - 圆桌由中欧国际工商学院教授谭寅亮主持，嘉宾包括上海市产业技术创新促进会秘书长李晔、星际天算董事长谢红军、亚目航天董事长薛孝补、上海空间电源研究所副所长张建琴、燧原科技首席架构师刘彦 [31] 前沿赛道圆桌讨论：脑机接口 - “生命新知”圆桌紧跟市场对脑机接口的热议，探讨该技术解决了哪个真实群体的什么具体问题 [33] - 嘉宾表示，脑机接口正从技术验证期迈入商业化落地关键阶段，行业整体走向务实，短期应用锚定严肃医疗与临床康复刚需，聚焦运动功能重建、中枢康复等场景，中长期将逐步向消费级场景延伸 [33] - 业内提示，安全性是行业生命线，企业需走差异化研发路径，平衡技术迭代与商业化节奏，平稳跨越产业化初期阶段 [33] - 圆桌由脑机接口科创转化中心主任、复旦大学神经调控与脑机接口研究中心主任王守岩主持，嘉宾包括脑虎科技总裁助理张子超、阶梯医疗总经理助理陈垚旭、翔宇医疗脑机接口及具身智能产品总监赵华峰、锦脑科技临床医学合伙人姚珺、安永大中华区审计服务市场联席主管合伙人汤哲辉、德同资本合伙人俞佳妮 [33]