公司产品性能表现 - GSI Technology公布了其Gemini-II存内计算处理器的初步基准测试结果 结果显示在边缘处理视频和文本输入的多模态大语言模型时 首次令牌生成时间仅为3秒 [1] - 在Gemini-II生产处理器上运行Gemma-3 120亿参数视觉语言模型时 公司实现了3秒的TTFT 同时AI子系统（包括芯片）功耗约为30瓦 据公司所知 这是在嵌入式边缘处理器上运行的多模态120亿参数模型公开报告的最低功耗结果 [2] - 独立第三方在竞争性嵌入式平台上测试相同工作负载的报告显示 高通骁龙X Elite平台（功耗30瓦）的TTFT约为12秒 英伟达Jetson Thor平台（功耗超过100瓦）的TTFT为3秒 在更低的功耗水平下达到或优于竞争平台性能 表明Gemini-II在功耗和散热受限的边缘环境中具有更优的响应能力和能效表现 [3] 产品技术优势与市场定位 - 公司首席执行官表示 这些基准测试结果凸显了存内计算技术对物理AI的赋能 边缘部署需要在严格的功耗和散热限制下实现快速响应 3秒的TTFT意味着系统可以每三秒生成一次初始响应 这通常足以满足基于视频的应用需求而不错过重要事件 [4] - Gemini-II能够以低功耗实现低延迟多模态推理 支持更广泛的实时应用 从自主系统到在数据中心外运行的智能机器 [4] - 公司认为该性能特征非常适合“物理AI”市场 包括无人机、智慧城市和其他边缘系统 这些场景的工作负载是间歇性的 并受电池寿命、热设计和外形尺寸限制 更低的芯片功耗带来更快的TTFT 可以实现响应更迅速的系统、更长的工作周期和更低的系统总成本 [4] 行业趋势与公司技术架构 - 边缘物理AI代表了AI计算中一个不断增长的细分领域 因为工作负载正从云辅助模型转向本地推理 以改善延迟、可靠性和运营效率 [5] - 公司专有的存内计算架构旨在减少数据移动 而数据移动是传统架构中延迟和功耗的主要来源 [5] 公司业务进展与产品介绍 - 公司的工程团队正继续致力于进一步优化Gemini-II的响应能力 同时与客户和合作伙伴（包括G2 Tech）在系统集成和概念验证活动上进行合作 [6] - GSI Technology是AI革命的先锋 拥有突破性的关联处理单元技术 专为数十亿项数据库搜索和高性能计算中无与伦比的效率而设计 公司的Gemini-I和Gemini-II创新产品提供了可扩展、低功耗、高容量的计算解决方案 重新定义了边缘计算能力 [7]

公司融资与资金用途 - Manifold AI（流形空间）完成超亿元天使+轮融资，由君联资本领投，梅花创投、华为哈勃跟投，老股东英诺基金、锦秋基金、同创伟业持续加注 [4] - 公司在半年内累计已获得数亿元融资 [4] - 所募资金将用于世界模型的迭代和具身大脑的应用落地 [4] 核心技术：世界模型 - 公司自研通用空间世界模型WorldScape，具备单图生成可交互空间的能力 [6] - WorldScape在生成质量、时空一致性、实时性等方面全面对标国外一线世界模型，如Google Genie3、李飞飞World Labs RTFM等 [6] - 公司依托海量物理视频数据预训练，使WorldScape具备强大的通用空间操作交互能力，补齐了世界模型落地到物理AI的最后一块拼图 [8] - 公司坚持World Model Action技术路线，利用自研世界模型作为基础模型替换通用VLM模型，使机器人大脑获得“超进化” [10] 技术性能与成果 - 实测表明，其模型在落地性能上显著超过了pi0.5等经典VLA模型，zero-shot泛化能力大幅领先当前具身模型 [10] - 相关模型即将在社区发布 [10] - 公司是世界范围内首个全域布局室外、室内、空域具身世界模型后训练的团队 [9] - 相关成果DriveScape、RoboScape、AirScape已分别发表在国际顶级会议CVPR2025、NeurIPS2025、ACM MM2025上 [9] - 多个场景的后训练基于同一个世界基座模型WorldScape迭代，提升了数据闭环效率和模型性能上限 [9] 产业合作与部署 - 公司已率先接入NVIDIA Jetson Thor用于具身世界模型的本体部署 [14] - 产业投资人华为哈勃的加入，将有利于提前布局国产化芯片和机器人大脑的集成，奠定规模化落地的基础 [14]

核心观点 - 公司在CES 2026期间发布并展示了其机器人视觉产品与制造能力的最新进展 核心在于通过发布新型3D相机、完成与英伟达先进算力平台的适配以及展示全球双工厂制造体系 强化其在机器人视觉感知与整机制造领域的生态布局和综合服务能力 [1][2][3] 产品与技术进展 - 发布专为机械臂腕部设计的超小型双目3D相机Gemini 305 [1] - 宣布其标志性产品Gemini 330系列相机已完成与NVIDIA Jetson Thor系统级模块的全面适配与验证 使机器人厂商能释放平台的高速处理能力并实现从3D感知到AI推理的端到端优化 [1][2] - Gemini系列与Jetson Thor平台的深度协同为具身智能应用提供了从感知到决策的完整视觉计算方案 旨在加速人形机器人、先进AMR等领域的创新与应用落地 [2] - 已完成Gemini 335Lg双目3D相机对NVIDIA Holoscan Sensor Bridge的适配与验证 为双目3D视觉数据在高带宽、低时延条件下的稳定传输奠定基础 [2] 制造与供应链能力 - 首次展示可支持全球客户的中国顺德与越南双工厂制造体系 [1] - 位于顺德的智能制造基地具备千万级传感器及百万级机器人终端量产能力 [5] - 越南工厂预计于2026年5月投产 将提供OEM服务、代料采购和可制造性设计分析服务 与顺德基地协同以提升全球交付效率与供应链韧性 [5] - 制造能力覆盖从新产品导入到大规模量产的全流程 面向全球机器人企业提供“研发+制造”一体化服务 [3] 客户与市场应用 - 公司已成功为多家全球领先的理疗机器人、智能割草机、人形机器人、仓储及清洁机器人企业提供机器人制造服务 帮助客户降低综合成本、缩短产品上市周期 [5] - 机器人整机制造能力正成为公司服务全球客户的核心优势 [3] 行业背景 - 随着NVIDIA Jetson Thor平台进入量产 机器人产业正迈入千TOPS级边缘算力新时代 [2]

英伟达发布物理AI技术栈与开源生态 - 公司创始人黄仁勋在CES 2026发表主题演讲，宣布物理人工智能的“ChatGPT时刻”已经到来，AI技术将从虚拟走向物理世界，机器人产业迎来规模化变革的关键节点 [1] - 公司发布了多款机器人“大脑”的开源基础模型，并宣布波士顿动力、Caterpillar、Franka Robotics、Humanoid、LG电子和NEURA Robotics等头部企业均在利用其机器人技术栈推出新的AI驱动型机器人 [1] 技术演进与核心模型发布 - 黄仁勋系统阐释了人工智能的四阶段演进路径：感知AI、生成AI、代理AI与物理AI，物理AI的核心在于让模型理解现实世界的物理规律，以破解机器人产业成本高昂、功能单一、编程复杂的痛点 [2] - 公司推出三大核心开源模型构建技术闭环：NVIDIA Cosmos Transfer 2.5与Cosmos Predict 2.5组成开源可定制的“世界模型”，可生成符合物理定律的合成数据并在模拟环境中完成策略评估，解决现实测试风险高、成本高的难题 [2] - NVIDIA Cosmos Reason 2视觉语言模型赋予机器类人化的视觉推理与决策能力 [3] - 面向人形机器人赛道的NVIDIA Isaac GR00T N1.6视觉语言动作模型实现关键突破，基于Blackwell架构优化，融合推理能力，可实现关节级全身精准控制，任务成功率较前代提升40% [3] - GR00T模型依托合成数据训练，将传统3个月的训练周期压缩至36小时，数据效率提升60倍，并支持自然语言指令与环境感知的多模态交互 [3] 开发工具与开源生态 - 公司在GitHub发布开源框架NVIDIA Isaac Lab-Arena，整合行业领先基准，为大规模机器人策略评估和基准测试提供协作系统，实现测试标准化 [4] - 云原生编排框架NVIDIA OSMO将合成数据生成、模型训练、软件在环测试等工作流整合至统一控制台，支持多环境部署，已被Hexagon Robotics采用并集成至微软Azure Robotics Accelerator工具链 [4] - 公司与Hugging Face达成深度合作，将GR00T系列模型及Isaac Lab-Arena框架整合至LeRobot开源机器人库，实现200万英伟达机器人开发者与1300万Hugging Face AI构建者的生态联通 [5] - 双方适配的Hugging Face Reachy 2人形机器人与NVIDIA Jetson Thor硬件无缝协作，桌面机器人Reachy Mini支持与NVIDIA DGX Spark联动 [5] - 公司2025年已在Hugging Face贡献650个开源模型和250个数据集，相关资源下载量在开源社区领先 [5] 硬件支撑体系升级 - 公司发布搭载Blackwell架构的全新Jetson T4000模组，作为现有Jetson Orin客户的升级选项，其在特定功耗下性能较上一代提升4倍 [6] - 面向高端场景的Jetson Thor机器人计算机成为产业合作焦点，NEURA Robotics、智元机器人、LG电子等企业已展示基于该平台的工业、家用机器人产品 [6] - 面向工业边缘场景的IGX Thor平台也宣布即将上市，形成覆盖不同算力需求的硬件矩阵 [6] 产业生态与应用落地 - 发布会现场展示了涵盖人形、轮式、桌面、清洁机器人及工程机械、无人机、手术辅助设备等多元场景的十余款机器人，直观展现了物理AI技术的跨领域适配能力 [7] - Franka Robotics、NEURA Robotics利用GR00T模型开展机器人行为仿真训练，大幅提升研发效率 [7] - 医疗领域的LEM Surgical借助相关技术优化手术机器人系统，提升手术精准度与安全性 [7] - 梅赛德斯-奔驰成为合作方，搭载英伟达相关模型的自动驾驶汽车今年将陆续上市，推动物理AI在智能交通领域的规模化应用 [7] - 波士顿动力、Caterpillar、Humanoid、LG电子等企业均在基于英伟达机器人技术栈打造全新AI驱动型产品 [7] - 公司拥有从Jetson处理器、CUDA架构、Omniverse仿真平台到开放物理AI模型的全栈技术，正赋能全球合作伙伴生态 [7]

公司动态 - LEM Surgical公司宣布将参加2026年国际消费电子展 [1] - 公司是下一代硬组织机器人手术领域的领导者 [1] 产品与技术 - Dynamis机器人手术系统已获得美国食品药品监督管理局批准，并在拉斯维加斯投入常规临床使用 [1] - 该系统将进行下一次升级，利用英伟达Jetson Thor、英伟达Isaac for Healthcare和英伟达Cosmos平台来定义硬组织机器人手术的未来 [1]

产品发布与合作 - 公司发布其首款用于工业领域的移动人形机器人Dex [1] - 公司与NVIDIA合作，利用NVIDIA Jetson Thor技术加速Dex在动态环境中的操作、实时推理和复杂任务执行，单次充电可运行整个工作日 [2] - 公司使用NVIDIA Isaac Sim仿真框架，通过“Sim2Real”流程缩短部署周期、提升安全性并加速新机器人应用的扩展 [3] 产品设计与性能 - Dex的设计基于全国超过450台机器人部署的经验，结合了Titan系列送货机器人的AMR技术和ADAM服务机器人系列的双臂精度 [4] - 公司出于工程和运营效率考虑，为Dex选择了轮式而非腿式平台，以实现快速制动、紧密机动性以及在人类共享环境中的稳定性，同时保持显著更低的能源和维护成本 [4] - Dex在移动模式下电池续航为4小时，并可从一个静态基座实现24/7连续运行，其双臂配备模块化末端执行器，并拥有四摄像头视觉系统以在快速变化的环境中导航和执行任务 [5] 市场定位与应用 - Dex能够处理广泛的轻中型工业任务，包括机器操作、零件分拣、物料搬运、质量检测和包装，使其成为制造业、物流及其他劳动密集型领域的即时生产力伙伴 [8][9][14] - 随着更多公司将制造业迁回美国，Dex为在不增加劳动力压力的情况下提高生产力提供了一条实用路径，可通过新数据训练并适应专业化工作流程 [6] - 公司启动了美国机器人数据计划，旨在通过投资国内培训和大规模数据收集来推动下一代物理AI的发展，并计划最终授权部分数据集以支持美国更广泛的物理AI公司 [7] 公司战略与展示 - 公司的战略支柱包括工业、商业和数据，致力于提供可靠的自动化、一致的服务性能以及大规模的持续AI驱动改进 [11] - Dex的 versatility 在GTC 2025上进行展示，机器人将现场演示使用工业机械组装棒球帽，以展示其灵巧性、移动性和AI智能 [9]

公司新产品发布 - 研华公司推出全新应用导向的边缘AI解决方案系列，该系列由NVIDIA Jetson Thor模块驱动 [1] - NVIDIA Jetson Thor系列为边缘AI树立新标杆，提供高达2070 FP4 TFLOPS的AI性能，并在CPU性能和能效方面有显著提升 [1] 解决方案技术架构 - 解决方案采用硬件-软件一体化集成方式，针对机器人、医疗AI和数据AI应用 [1] - 每个解决方案均包含特定应用硬件平台，并预集成JetPack 7.0、远程管理工具以及垂直软件套件（如Robotic Suite和GenAI Studio） [1] - 解决方案基于容器化架构构建，提供更高灵活性和更快的开发周期 [1] 机器人控制器解决方案 - ASR-A702和AFE-A702是专为人形机器人、自主移动机器人和无人车辆设计的机器人控制器 [2] - 支持通过GPU加速的SLAM进行实时AI推理，具备多摄像头GMSL、2D/3D传感器和IMU支持 [2] - 关键特性包括硬件时间同步、ESD保护、抗振动设计和OTA升级 [2] 医疗AI系统解决方案 - 通过结合NVIDIA Jetson Thor及Holoscan、MONAI等高级SDK，赋能新一代医疗AI板卡AIMB-294和系统EPC-T5294 [3] - 平台加速实时传感器处理、图像分析与流式AI管道、预训练模型和3D成像优化，专注于手术机器人应用，为手术室和临床工作流提供低延迟高精度支持 [3] 数据AI系统解决方案 - AIR-075提供强大计算能力，配备4个10GbE和GMSL接口，满足交通和工厂应用的数据AI需求 [4] - 结合NVIDIA AI、NVIDIA Metropolis、NVIDIA Triton、NVIDIA Cosmos Reason以及研华Edge AI SDK & DeviceOn，实现传感器融合、多模型推理、视觉AI代理和集中管理 [4] 开发者资源与生态系统 - 研华容器目录提供一系列即用型边缘AI应用集群，包括端到端计算机视觉和针对NVIDIA Jetson平台优化的边缘LLM环境 [5] - 容器化架构与WEDA完全兼容，支持从单节点设置到分布式边缘网络的可扩展边缘AI扩展 [5] - 公司与生态系统伙伴在传感器与摄像头集成以及热设计等关键技术领域紧密合作 [1]

投资事件 - 锦秋基金已完成对Manifold AI（流形空间）的投资 [2] - 锦秋基金是一家12年期的AI Fund，以长期主义为核心投资理念，专注于寻找具有突破性技术和创新商业模式的通用人工智能初创企业 [3] - Manifold AI近期的天使轮融资由锦秋基金领投，同创伟业、英诺天使基金跟投，种子轮由英诺天使基金领投、水木清华校友种子基金跟投，两轮融资共亿元，资金将用于下一代具身世界模型的训练与场景落地 [4] 公司技术与定位 - Manifold AI聚焦世界模型与具身智能，原创的具身世界模型技术旨在推动机器人大脑的规模化落地 [6] - 公司提出WorldScape具身基座世界模型方案，具备Reasoning-Dreaming-Acting三位一体能力，利用海量第一人称视角视频数据进行预训练，有望实现物理空间智能涌现 [10] - 预训练模型能力的提升使得绑定本体的动作映射只需极少量In Context Learning数据即可实现，大幅降低部署成本 [10] - 其技术孵化自清华大学电子系未来智能实验室，是世界范围内首个全域布局室外、室内、空域具身世界模型的团队，相关工作DriveScape、RoboScape、AirScape已发表于CVPR2025、NeurIPS2025、ACM MM2025等顶级会议 [10] - Manifold AI已率先接入NVIDIA Jetson Thor开发者套件用于具身世界模型的本体部署 [12] 行业背景与趋势 - 通用机器人面临本体多、数据少、应用分散的落地困局，基于视觉-语言-动作模型的方案存在预训练精度低、需大量本体数据进行模仿学习的问题 [6] - 海外如Tesla Optimus、Figure AI团队已转向使用海量第一人称视角视频数据的技术路线，从第一性原理出发模拟人类学习过程 [6] - 世界模型技术被视为本质解法，可使互联网上所有第一人称视角视频数据成为机器人学习素材，达到类GPT预训练范式所需规模 [7] - 近期行业进展包括OpenAI发布Sora2视频生成模型周活跃用户达8亿，Google发布Genie3世界模型将物理一致上下文视频窗口拉长至分钟级别，李飞飞World Labs发布RTFM世界模型实现单图实时生成可持久化交互3D空间，NVIDIA Cosmos和Meta V-JEPA2世界模型也在具身场景取得突破 [7] - 世界模型路线能撬动更多网络视频和人类训练数据，具有更大规模化潜力，其时空预测能力驱动交互更符合人类物理直觉 [16] 团队背景 - 创始人兼CEO武伟博士为前商汤科技高管，2015年加入商汤初创，有数百人团队管理经验，曾主导商汤开悟世界模型的研发和落地 [13] - 联合发起人包括清华大学教授、教育部长江学者，在AI模拟和世界模型方向早期整体布局，发表过包括十余篇Nature子刊在内的数百篇学术论文 [15] - 另一位联合发起人为清华大学信息学院助理教授，15岁考入清华，多次入选全球前2%顶尖科学家 [15] - 核心团队成员毕业于清华、北大、上交、港中大、UCLA等高校，曾在快手、Momenta、商汤等企业构建过超千万级用户的AI产品，具备机器人与大模型双重背景 [12] - 团队融合智驾产业落地经验和清华前沿实验室技术资源，是国内探索世界模型方向的先锋 [16]

文章核心观点 - 乐聚机器人公司的“夸父”人形机器人通过搭载NVIDIA Jetson Thor计算平台，在五大工业应用场景中实现了性能突破，加速了其人形机器人的产业落地和商业化进程 [1][3][15] 技术合作与平台优势 - “夸父”机器人拥有40余个高自由度的全身仿生结构，为复杂任务执行提供了灵活性与适应性，但同时也带来了更高的数据计算需求 [3] - NVIDIA Jetson Thor提供了2070 FP4 TFLOPS的AI计算能力，AI计算性能提高至75倍，具备轻量化、灵活部署及多模态感知等特性 [3][8] - Jetson Thor的带宽提升35%，支持更复杂的VLA模型，参数承载力提升3-4倍，有助于实现智能优化算法、迭代学习控制等模型的持续稳定运行 [5][15] 工业应用场景表现 - 在物流场景中，机器人展示了优秀的长时稳定性能，能够运用多模态感知学习并修正误差，维持和提升在真实环境下的分拣精度 [1][3][5] - 在智能制造场景的SMT料盘出库应用中，机器人展现出灵活的全身协调操作能力，能实现全流程高精度执行，包括准确识别分类、轻拿轻放避免物料损伤，并与产线系统无缝数据对接 [7][8] - 在3C电子场景的传输带物料分拣中，机器人实现了毫秒级内的识别与动作反应，体现了其在高速运动场景下的快速精准工作能力 [10] - 在汽车装配场景的空箱回收搬运训练中，机器人展现了自由执行的空间作业能力，能精准识别空箱空间位姿，自主调整抓取姿态，摆脱对固定位置推理的依赖 [12] - 在日化生产场景的产品定姿摆放中，机器人从容应对复杂衔接操作，展现出复杂的触/力觉感知、非刚性物体操作以及双臂协同的能力 [14][15]

技术整合与性能提升 - 乐聚全尺寸人形机器人“夸父”与NVIDIA Jetson Thor高性能计算平台深度整合，实现先进机器人硬件与AI算力的融合 [1][3][4] - “夸父”机器人全身拥有40余个自由度，其仿生结构设计为复杂工业任务执行提供了高灵活性与适应性 [5] - NVIDIA Jetson Thor平台提供2070 FP4 TFLOPS的AI计算性能，将性能提升至传统方案的7.5倍，并通过35%的带宽提升确保大流量多模态数据的稳定处理 [5] 工业应用场景验证 - 在物流分拣场景中，机器人通过高带宽架构实现长时稳定处理多模态数据流，具备连续作业中的误差自修正与性能维持能力 [8] - 在SMT料盘出库的智能制造场景中，机器人借助低延迟特性和强大算力精准支配各肢体关节，完成识别、抓取、核对和信息对接的全流程操作 [10] - 在3C电子产线的高速分拣场景中，机器人实现毫秒级内的动态视觉处理与运动控制高频协调，展现出优秀的手眼协同性能 [12] - 在汽车装配线的空箱回收任务中，机器人通过多模态感知融合自主调整抓取策略，灵活适配不同尺寸和重量的包装容器 [14][15] - 在日化生产的定姿摆放场景中，机器人通过7B+ VLA模型的实时推理（参数承载力提升3-4倍）理解抽象指令并进行多步骤任务规划 [17] 商业化进展与行业意义 - 此次技术整合与场景验证标志着硬件与AI算力融合的技术路径已在真实工业环境中展现出显著价值，加速了机器人产业化落地和商业化进程 [1][3][19] - 技术实践为人形机器人从工业级标准化场景向非标通用场景的演进提供了重要借鉴，公司通过在北京、江苏等地建设训练场持续优化机器人表现 [19] - 硬件与算力的协同创新已成为推动机器人技术从实验室走向产业化的重要引擎 [19]