运行维护等增值服务。 7 算力中心1产业链分析 上游：软硬件供应商 … … 基础电信运营商 第三方算力中心服务商 中游：算力中心服务商 下游：算力应用领域 互 联 网 金 融 泛 政 府 制 造 AI 冷却系统 基础设施管理系统 基础通信服务 芯片 行业客户 … … 服务器 资料来源：灼识咨询 云服务商 注：1.算力中心即数据中心，数据中心自2020年开始逐步向算力中心演变。 注：1.智能算力基于FP16计算；2.通用算力基于FP64计算。 27 资料来源：中国政府网，灼识咨询 算力中心行业相关政策梳理 能源政策：“3060”双碳目标下，算力中心行业高耗能问题亟待缓解 东数西算：驱动算力中心行业合理化布局，避免无序竞争 ➢ 在京津冀、长三角、粤港澳、成渝地区双城经济圈、贵州、 内蒙古、甘肃、宁夏等地区布局全国一体化算力网络国家 枢纽节点，建设数据中心集群，并结合产业发展需求优化 峰碳中和工作的意见》 2023年 12月 2023年 2月 2022年 1月 《关于深入实施“东数西算”工程加快构建全国一体化算力网的 实施意见》 《“十四五”数字经济发展规划》 《数字中国建设整体规划布局》 国家层面统筹布局算力中心，多维度政策引导算力发展：启动“东数西算”工程、东西部差异化定位、绿色低碳 发展、算网融合与调动，推动算力结构多元化配置，促进行业的有序与高效发展。（1/2）

77%/58%/36%。 AI 算力+双碳政策，中国绿色算力提升新能源需求端消纳 与海外不同，中国电网更加稳定，并不需要大量分布式电源直连去实现稳定 供应。2023 年发改委、工信部《深入实施“东数西算”工程加快构建全国 一体化算力网的实施意见》首次提出到 2025 年底，国家枢纽节点新建数据 中心绿电占比超过 80%。在十四五期间我国单位 GDP 二氧化碳排放降低 18%的目标约束下，我们预 年）》鼓励提升绿电使用比例。2022 年国家发展改革委、国家能源局发 布的《“十四五”现代能源体系规划》进一步鼓励数据中心通过绿电交易使用可再生能 源。2023 年国家发展改革委、工业和信息化部等发布的《深入实施“东数西算”工程 加快构建全国一体化算力网的实施意见》首次提出到 2025 年底，国家枢纽节点新建 数据中心绿电占比超过 80%。2024 年国家发展改革委、国家能源局发布的《加快构 建新型电力系统行动方案（2024—2027 2015 2017 3 四大行金融客户 2017 2020 3 南网 2017 中国移动 2009 2019 10 资料来源：《数据中心 HVDC 发展十年,开创泛在高压直流时代（胥飞飞，《数据中心建设+》2020 年 2 期）》，华泰研究 HVDC 保持高装机增速，但 UPS 仍居市场主流。纵向比较，由于 HVDC 行业相关统计较 少，我们通过HVDC新

在新能源汽车制造场景，人形机器人在替代人工工序上相对较有优势，能够在长时间工作状态下保持效率，且人形机器人标准化动作能力强，能够保持操作精确 程度，但暂时无法适应精细操作或复杂长链条任务。未来将逐渐通过泛化学习能力补齐短板。 搬运类 质检类 工站衔接 基础组装类 工 序 工 作 步 骤 已实现 测试中 无规划 工种 人形机器人功能规划: *Logo:已规划落地在该工种的人形机器人公司 Source: 要求安装精准度与速度 新能源车场景适配工种 vs 人形机器人能力需求 …不同工种对人形机器人关键能力提出不同要求。其中，关键指标涉及感知（图像识别等）运控（响应速度、精度、静态载荷等） 决策（避障策略、路线规划、任务泛化等）交互（语义理解等） 15 质检类 搬运类 基础组装类 工站衔接类 感知 运控 决策 交互 新能源车场景人形机器人适配工种 人 形 机 器 人 能 力 需 求 ✓ 图像识别能力 图像识别能力 要求对各类零件精准识别 ✓ 静态载荷平稳搬运 ✓ 响应速度 ✓ 复杂角度重心控制 Source: M2研究 & 分析；全球人形机器人企业专家访谈；转载引用内容请标明来源 ✓ 任务泛化 M2 2025 Proprietary and Confidential All Rights Reserved. 示例：某全球头部企业新能源汽车落地场景规划 人形机器人优先在电池组装环节

形成一个统一的大模型，使系统能够更直接、 高效地处理信息并作出反应。业内典型代表为特斯拉、Momenta、理想等。这种架构取消了模块划分，减少信息损 失的同时，对数据标注的需求也更少，同时具有更强的泛化性。从模块化端到端到一体化端到端是一种相对平滑 的过渡形式。随着算法优化，技术将逐步向一体化端到端或端到端+多模态大模型的冗余双系统架构演进。 感知“端到端”： 当前的主流感知算法路线 模块化“端到端”： Pipeline架构 MontionFormer Planner OccFormer 请务必阅读正文之后的免责条款部分 强化学习（RL) 策略蒸馏 多模态/先进结构 合成数据 模仿学习（IL) 条件模仿学习 泛化 可解释性 策略预训练 模块化端到端 图4：端到端发展历程 资料来源：Chen L, Wu P, Chitta K，et al，End-to-end Autonomous Driving： Challenges 2016年，英伟达开发了端到端CNN原型系统，推动了这一概念在GPU计算时代的发展。随着深度神经网络的进步，端到端自动驾 驶在模仿学习和强化学习方面取得突破，LBC中的策略蒸馏方法通过模仿优秀专家，提升了闭环性能。 为增强系统的泛化能力，尤其是针对专家策略和学习策略之间的差异，业内研究提出了在训练过程中聚合在线数据的策略。 2021年左右，端到端自动驾驶迎来重要转折点。随着传感器配置在合理计算预算内普及，研究重点转向融合更多感知模态和先

们预计5G到来后，LCP将成为终端天线和传输线主流，市场有望迎来爆发。 数据来源：国泰君安证券研究 LCP材料 LCP-FCCL LCP软板 LCP模组 Murata 可乐丽 松下电工 东丽 Murata 松下电工 宇部兴产 新日铁 旗胜 Murata 嘉联益 住友电工 臻鼎 东山精密 立讯精密 安费诺 信维通信 电连技术 价值量 PI软板 天线 MPI天线 资料来源：HIS，三利谱，国泰君安证券研究 偏光片国产化替代加速：偏光片是液晶面板关键原材料之一，占面板总成本的12%~15%，市场主要被日韩企业垄断，主要供应商包括LG化 学、住友化学、日东电工，三家厂商占据全球约60%的市场份额。随着国内厂商的不断突破，国产偏光片正在逐步突破大陆面板厂商，三利 谱作为国内偏光片龙头，2018年顺利切入京东方和HKC，实现了国内大尺寸偏光片从零到一的突破，我们预计未来几年，大陆面板厂商将进 更高的材料环节，以3M、日东为代表的美日企业仍占主 导，随着技术工艺进步，近年来国产材料厂商开始涌现， 电子材料已进入加速替代期。 2、电子功能材料国产替代已经开始： 胶带：全球主要供应商是3M（美）、日东（日）、德莎 （德），国内厂商新纶科技（002341.SZ）开始供货A客 户； 石墨片：全球主要供应商是Graftech（美）、松下 （日）、Kaneka(日)，国内厂商中石科技（300684.SZ）

7 李东朔于 2015 年创办了 UMU，并将 UMU 打造成为全球领 先的企业学习平台。他专注于利用数字化技术和 AI 推动组织 发展，助力企业提升生产力。目前 UMU 已覆盖全球 200 多 个国家和地区，服务超过 100 家世界 500 强企业，付费企业 客户超过 1000 家。在加入 UMU 之前，李东朔先生曾在硅谷 的科技巨头惠普和谷歌累计工作了 10 年。 李东朔 UMU 就像一个没有经验的实习生。因此，我们要 充分解锁 AI 的能力，让 AI 成为专家型的伙伴和业务助理。掌握 AI 力就是 解锁大模型的专家能力，是这个时代保持竞争力和创造力的核心素养。 ——李东朔 22 在 AI 的快速发展中，企业应以长远的视角来看待这场技术革命。在当前经济环境下，许多 中小型企业面临降本增效的压力，这无疑是生存的首要任务。然而，从中长期来看，AI 的 真正价值远不止于

DeepSeek-R1 Zero 及 R1 细节分析 RL 算法的创新： GRPO 及其技术细节 DeepSeek-R1 背后的 Insights & Takeaways ： RL 加持下的长度泛化 \ 推理范式的涌现 DeepSeek-R1 社会及经济效益 技术对比探讨 STaR-based Methods vs. RL-based Methods 强推理路径对比 (DS-R1 \ 未来后训练的重心会逐步倾向于 RL ，但是少量训练用于 SFT 可能还是必须的 强化学习技术不只局限在基于规则的数学、算法代码等容易提供奖励的领域，它还可以创造 性 地把强化学习所带来的强推理能力 泛化到其他领域 DeepSeek-R1 Takeaways 技术亮点总结： Part I 19 基座模型 (DeepSeek-V3 仁”被 Tokenization ，不同的领域 的不 DeepSeek-R1 技术剖析： RL 加持下的 Length 泛化 & 推理范式涌现 21 DS-R1 Zero 长度涌现现象 DeepSeek-R1 长度泛化复现： https://zhuanlan.zhihu.com/p/212904108 31 同语言编码是否有不同优势？ 社区复现结果

智能体通过观察和模仿专家（经验丰富的人类操作者或具 有高级性能的系统）的行为来学习任务。 • 优势：可以快速学习专家策略，无需复杂的探索过程 • 劣势：学习到的行为策略受限于专家数据，对于未见 过的情况泛化能力较差 强化学习—— 智能体通过与环境的交互来学习最佳行为策略，以最大化 某种累积奖励。 • 优势：能够通过探索环境学习未知的策略；可以处理 高度不确定和动态变化的环境 • 劣势：需要大量的探索和试错，学习过程缓慢；对于 劣势：对仿真器要求高，仿真环境与真实世界存在差 异；迁移过程中存在性能下降 基于真实世界数据采集——直接从现实世界数据中学习， 包括本体采集、遥操作、动态捕捉、视频学习等方式。 • 优势：数据更真实可靠 • 劣势：数据少、泛化性差；通过机器本体和人采集， 成本高、难度大、效率低 国内外厂商 大模型进展 04 Partone 16 银河通用抓取基础大模型 GraspVLA 04 17 资料来源：银河通用公众号，浙商证券产业研究院 达到了有史以来最大的数据体量——十亿帧「视觉-语言-动作」对，掌握泛化闭环抓取能力、达成基础模型；预训练后，模型可直接 Sim2Real 在未见过的、千变万化的真实场景和物体上零样本测试，全球首次全面展现了七大卓越的泛化能力，满足大多数产品的需求；而针 对特别需求，后训练仅需小样本学习即可迁移基础能力到特定场景，维持高泛化性的同时形成符合产品需求的专业技能。 Figure AI 人形机器人VLA通用大模型

进步？ 近年来，机器⼈技术在稳健和坚固平台的可⽤性⽅⾯以及在能⼒⽅⾯都取得了快 速进展。像波⼠顿动⼒的Spot和ANYbotics的ANYmal这样的机器⼈已经发展成 为可靠、多功能的⼯具，现在⼴泛⽤于在具有挑战性的环境中进⾏检查、监视和 搜救。⽀持这种转变的控制、规划和机器学习⽅法的技术进步现在越来越多地被 应⽤到新⼀代⼈形机器⼈平台上。 Ingmar Posner 应⽤⼈⼯智能教授 ⼯程科学系 ⼈形机器⼈硬件的快速发展毫⽆疑问将继续进⾏，尽管⽬前尚不清楚在这段时间 内这些系统将在多⼤程度上能够发展超出基本能⼒，如运动和拾取任务等。赋予 ⼤型预训练模型明确推理能⼒仍然是⼈⼯智能领域的⼀个前沿，将为机器⼈技术 的⼴泛部署打开⼤⻔，在那⾥代理⼈在物理世界中⾏动和交互。模型⼤⼩以及模 型在训练和推理中的能源消耗在将最新的⼤型模型部署到机器⼈技术中时仍然是 主要瓶颈之⼀，因为系统通常具有资源约束。我期待在这些领域看到更多激动⼈ 标签的数据中学习，使其更 加多功能且强⼤。 这⼀创新使得AI模型能够迅速扩展，这些模型的规模在不到5年的时间⾥增加了32000倍 。 如Bommasani等⼈（2021年）定义的基础模型是“在⼴泛数据（通常使⽤规模上的 ⾃我监督）上训练的任何模型，可以适应（例如，微调）各种下游任务”。 图5。人工智能的故事是一个不断增长和同质化的过程 来源：关于基础模型的机会和⻛险 基础模型对机器⼈的影

人工智能基础层 算力基础 数据基础 算法基础 Infrastructure for AI Technology for AI 人工智能技术层 人工智能应用层 Application for AI AI+泛安防 AI+金融 机器学习 计算机视觉 智能语音 知识图谱 自然语言处理 智算中心 智能云服务 2024年中国人工智能产业图谱 AI基础数据服务 数据集 向量数据库 数据治理 AI算法框架 术发展，也为Decoder-only的生成式 技术打下基础 • 2022年底，基于GPT 3.5的ChatGPT 生成式AI产品引爆业界，颠覆众多人们 对AI能力认知，以大模型基座推动AI泛 化、低门槛实践落地，诞生Minimax、 月之暗面、DeepSeek等大模型创企 • 2024年2月，OpenAI发布Sora模 型，为视频生成模型、世界空间模 型打下标杆产品案例 • AI产品在C端首次破圈，以程序员、文字工 作者、设计师为代表的用户率先广泛日常应 用AIGC产品 ◆ 2025年初，借助DeepSeek的C端产品上线与开源模型发布，AI产品在C端再度破圈， 将其影响力扩展到更泛职业、泛年龄层的C端用户群，并推动B端对开源生态的接入， 进一步从B端切入推动在C端的产品应用与市场教育 产品逻辑： 1）AI功能+产品融合：如抖音（AI 生成）、美图（AI渲染）等 2）独立AI产品：如豆包、kimi、秘