• 2–5年 • eVTOL整机OEM 厂商 • 中国民航局 • 中国民航局 • eVTOL整机OEM 厂商 • 3–6个月，可在申 请TC期间申请 • 进行批量生产的基 础条件 • 如用于商业用途，则必 须获得相应资质 • 开展eVTOL销售的基础 条件 • 6–12个月 • 获得TC和PC后所需的 最短时间 • eVTOL运营公司 • eVTOL整机OEM厂商 （针对具体产品） 无人驾驶航空器空管信息服务系统；SILAS = 低空智能融合系统。 图4 | 案例：深圳eVTOL基础设施规划 波士顿咨询公司 2025年9月 中国载人eVTOL行业白皮书 8 1.3.4 产业端——产业链具备规模化，整机量产在即 在供应链本土化、航空先进技术与汽车现代化供应链体系融合创新等独特发展路径下， 历经多年的技术验证与产品迭代，中国多家领先eVTOL企业正加速从研发阶段向量产准备 转型。目前，多款面向个 GPS/AND单元 纵横通信 北斗星通 中兴 来源：专家访谈；分析师报告；公司公开披露；BCG分析。 图6 | 部分eVTOL核心子系统及代表性本土供应商 在产品设计与供应链能力逐步完善的背景下，eVTOL整机生产已具备快速放量的基础。 即将面世的领先产品不仅能有效满足国内个人飞行场景的初期需求，也为未来面向全球的 产品输出与生态复制提供了可行路径。 综合来看，中国在eVTOL多个关键环节上已实现从概念验证向产业体系搭建的跃迁。

先进的传感器与计算单元，让机器人具备更复杂的决策能力和任务执行能力，显著提升自主性；同时，依托制造工艺 和材料科学的进步，一体化关节模组还将采用更先进的制造材料与产品结构设计，通过降低自身重量、减小自身体 积，助力机器人 整机降低能源消耗。 GGII 数据显示，2024 年中国一体化关节模组市场规模约为 8.31 亿元，同比增长22.90%，其中协作机器人市场需求占 比约为 70%，预计 2025 年中国一体化关节模组市场规模有望超过 渐模糊，彼此借鉴优势，向更加安全、 灵活、易用和智能的方向发展。 除了在工业领域能够应用于各类人力密集型的制造工序，在商业、服务业领域亦表现出良好的可拓展性。集成商 通过将协作机器人整机、末端执行装置、传感器、作业设备、移动装置等有效整合，集成具有特定独立作业能力的 设备，包括复合机器人及协作机器人工作站，为服务业客户提供高度定制化、灵活高效的自动化解决方案。 在服务领域，因为 AI技术平台、各类工艺包等进行共融互通，实现各类延展性应用。 第二节 协作机器人核心技术分析 一、一体化关节 一体化关节指在机器人每个关节内完成伺服驱动器的装置以及底层电气设备的连接，使每个关节成为一个控制单 元，以简化整机走线，降低配套设备重量。为了满足对于安全性和灵活性的需求，协作机器人的走线和执行机构的穿 气管都在内部，因此要求电机、减速器、驱动器等都要放在一个大中空的结构里，编码器、驱动器、减速器、电机、 制动器等都需采用集成式设计。

通过非线性建模技术重构动态赋权机制，显著提升市场适应性。不同于经 典风险平价模型的静态风险分配逻辑，AI 融合 XGBoost 特征筛选与深度学习 的协同优势，创新性地引入信息系数平方加权、波动率敏感窗口等技术，实 现了自适应半衰期调整机制等功能。这种动态赋权体系能够捕捉因子间的协 同效应，在宏观因子与市场情绪的耦合分析中展现独特价值，有效应对市场 突变场景。 AI 能将大盘择时与行业轮动相结合，提升策略解释力与前瞻性。多因子择时 要通过以下技 术机制实现：模型首先通过风险预算约束限制单一因子的影响力，例如设定单因 子权重上限不超过 45%，避免单一因子的短期剧烈波动对整体策略产生过度干扰。 同时，引入基于波动率的自适应窗口调整机制，动态控制观测周期长度——市场 波动率升高时缩短窗口以增强对近期信号的敏感性，波动率降低时延长窗口以平 滑噪声。这一设计通过弹性调节时间维度上的信号权重，兼顾了对市场变化的响 应能力与长期稳定性。 、风控模块等基础设 施搭建，也未制定灰度机制相关流程（即通过小规模资金、限定标的试运行逐步 扩大应用的过渡方案）。当前研究重心在于回溯测试的严谨性验证、模型对市场 状态切换的适应性分析以及动态参数调整机制的可解释性构建，为后续可能的实 战化转型积累方法论基础。 多因子择时输出的大盘风险暴露系数作为行业轮动的“顶层约束”。例如：当多 因子择时模型输出空仓信号时，使行业轮动模型进入“防御模式”，股票仓位整

4) 大模型企业、 MaaS 服务商租用推理池，按月 / 按年起租，按月结算； 5) 接入上海市公共算力平台、浙江算力平台按卡时计费，按季度政府结算； 算力池 主卡 卡数（张） 服务器（台） 整机功耗 （ KW ） 适配机柜功率（ KW ） 机柜系数 机柜占用（个） IT 功率 （ KW ） 训练池 H200 16384 2048 （ 2 * 1024 ） 10.5 12 1

为设计者提供产品设计阶段所需的制造信息，从而使设计最优。设计部门和制 造部门之间在计算机网络的支持下协同工作，以统一的制造信息模型为基础，对数 字化产品模型进行仿真与分析、优化，从而在设计阶段就可以对所设计的零件甚至 整机进行加工工艺分析、运动学和动力学分析、可装配性分析等可制造性分析，以 获得对产品的设计评估与性能预测结果。 19 （ 2 ）生产为中心的虚拟制造 为工艺师提供虚拟

..122 7.1.1 项目里程碑与关键节点...........................................................124 7.1.2 进度监控与调整机制...............................................................125 7.2 风险管理与应对策略................. 示例： 通过以上方法，项目团队能够清晰地掌握每个阶段的工作重点 与进度要求，确保项目按计划推进，并在关键节点实现有效的质量 控制与风险防范。 7.1.2 进度监控与调整机制 为了确保项目按计划推进，进度监控与调整机制需贯穿整个项 目生命周期。首先，应建立进度基线，明确每个阶段的关键里程碑 和时间节点，并将其作为监控的基准。采用甘特图或关键路径法 （CPM）直观展示任务依赖关系和时间安排，确保团队成员对整体 后，应及 时调整资源配置或优化工作流程，必要时启动应急预案。例如，若 某模块开发进度延误，可通过调整开发人员的任务优先级或引入额 外资源来弥补时间损失。 为应对不可预见的风险，需建立灵活的调整机制。具体措施包 括： - 预留缓冲时间：在关键路径上设置一定的时间缓冲，以应对 突发情况。 - 任务重组：将部分并行任务改为串行执行，或合并某 些任务以提高效率。 - 资源再分配：根据实际需求重新调整团队成

.......................................................................... 9 图表 9： 主流 AI 芯片 8GPU 整机方案功率一览 ............................................................................................ 推理 的切换并不会改变功耗膨胀的大趋势，但是算力需求的结构性改变使得能效比和碳足迹逐 渐取代单纯的算力指标，成为衡量 AI 企业核心竞争力的关键维度。 图表9： 主流 AI 芯片 8GPU 整机方案功率一览 资料来源：Vertiv，各公司官网，华泰研究 0 1 2 3 4 5 6 H100 SXM A100 Pcle HGX H20 L20 PCIe

确定其可以访问的数据范围和操作权限，实现最小权 限原则。例如，普通政务人员只能访问公开和秘密级 别的数据，并且只能进行查询操作；数据管理人员可 以访问更高密级的数据，并且具有数据修改和管理权 限。 建立动态权限调整机制，根据用户角色的变化和 业务需求的调整，及时更新用户的访问权限。同时， 对数据访问进行实时监控和审计，记录用户的访问时 间、访问内容、操作类型等信息，发现异常访问行为 及时进行预警和处理。 控制用户对数据的访问。 例如，对于机密级别的政务数据，只有特定部门 的特定岗位人员在工作时间内通过内部办公网络才能 访问；对于公开的政务数据，任何用户在任何时间、 任何地点都可以访问。 建立权限动态调整机制，当用户的角色发生变化、 数据的敏感度发生调整、访问场景发生改变时，自动 更新用户的访问权限。同时，定期对用户的权限进行 审计和清理，回收不再需要的权限，确保权限的最小 化和合理性。 6

8*H100 SXM HGX B100 8*B100 SXM HGX B200 8*B200 SXM DGX GB200 NVL72 FP16 稠密算力 (PFLOPS) 服务器 单体功耗 (kW) 整机架功耗 (kW) 2.4 3 8 14 18 180 6.5 5.6 10.2 10.2 14.3 不适用 约26 约22 约40 约40 约60 约130 1 在此背景下，末端配电母线系

.....................................................................................129 6.3.2 动态调整机制.................................................................................................. 升弱模型表现。下表对比两种方法效果： 方法 训练集准确率 测试集准确率 方差 单一决策树 92% 75% 高 随机森林 89% 83% 中低 XGBoost 90% 85% 低 平衡策略 建议采用动态调整机制：  初始阶段使用简单模型（如线性回归）作为基线，逐步增加复 杂度。  监控训练/验证误差曲线，当两者差距大于 15%时触发过拟合 处理，反之则优化欠拟合。 通过上述方法可系统化控制模型偏差-方差权衡，确保量化策 策略收益的置信区间。若实盘夏普比率与回测结果的差异在±0.3 个 标准差内，且主要风险指标未显著恶化，则视为通过验证。此阶段 发现的所有异常行为必须记录至策略缺陷清单，作为后续优化的优 先级依据。 6.3.2 动态调整机制 动态调整机制是量化交易策略在实盘环境中保持适应性的核心 环节。该机制通过实时监测市场状态、策略表现及风险指标，自动 触发参数调优或逻辑迭代，确保策略在不同市场周期中持续有效。 以下是具体实施方案：