化仍在 加速中。蓝领群体规模达四亿，但劳动力仍存在较大缺口。相对于白领工作，蓝领存在很多繁重、危险的工作场景，年轻人对进入蓝领工作岗位的意愿较低。这 亟需机器人进厂进行岗位的人力替代、协作、补充。 • 目前AI平民化成为大趋势，人工智能融入国民生产生活中，民众对于AI相关应用的关注呈指数级增长，民众对于人工智能的接受度也逐渐上升。 资料与数据来源：国家统计局，《中国蓝领群体就业研究报告》，月狐数据 1 技能劳动者的求人倍率超过1.5，高级 技工的求人倍率甚至达到2以上，蓝领 高级技工的缺口达到了上千万人。 劳动力缺口大 2 蓝领群体的平均年龄也在继续增加，40 岁以上蓝领劳动者占比约50%，年轻群 体进入蓝领工作岗位的意愿较低。 年轻群体意愿低 3 工厂普工、建筑零工等工作环境危险、 任务繁重，工人精神与肉体压力大， 认可度低。许多危险性大或者繁重辛 苦的工种已经面临招工困难的局面。 如中航电测成功研发六维力传 感器。 集成边缘计算设备、第三方工 具和相关配件提升性能，3D机 器视觉与深度学习融合，使检 测、拣选更加智能化。 人机交互 算法 自主站立 算法 群体控制 算法 导航与定 位算法 自适应轨 迹规划算 法 8 驱动因素 产业环境驱动：中国智能机器人产业呈现稳健增长态势，从 产业企业发展情况和专利情况看强劲发展潜力 • 中国智能机器

能体。其工业应用包括两个层次，一是嵌入各类智能软硬件的机器人 产品在生产操作、物流配送等典型工业场景中的应用，二是智能化的 工业控制平台通过集成人工智能技术与工业机器人等设备，在产线优 化和试验验证等群体智能场景中的应用。 本报告分为研究背景、技术趋势分析、应用现状分析和前景展望 四个部分。首先，从技术突破、大国竞争和市场前景三个角度，分析 “机器人+人工智能”工业应用的发展背景；其次，从技术趋势的角 用贝叶斯优化算法及时纠正；又如在平面移动中，快速探索随机树 （RRT）算法能够先构建一条复杂但可行的路径，然后对其进行优化 来避免碰撞。另外，蚁群算法、粒子群算法等群体算法能够通过模拟 自然界生物群体的行为，实现群体优化协调。在感知交互方面，基于 机器视觉技术的识别类模型应用比较成熟，在机器人的操作取物、移 动避障等各类功能中应用广泛，部分企业甚至开始了针对表面缺陷、 产品特征识别 动轨迹进行计算并转化到关节空间，提高机器人的稳定性，转变成高 精度操作机器人；二是移动优化类，具有平面活动需求的移动机器人 能够感知到障碍物优化移动路径，成为自动避障移动机器人；三是协 同优化类，单一的机械控制转变为群体控制，包括机器人群体的高效 协作、任务分配和调度、无人物流机器人系统、多种机器人协同系统 等等。 感知交互类模型使得机器人“能看见”或“能听见”从而实现与 操作对象或人类的互动。一是识别类，搭载机器视觉技术的机器人取

在业务层面，AI 应用践行者作为连接 AI 与具体业务的桥梁，是企业 AI 落地的实践者。这 个群体主要包括产品经理、设计师、运营人员等，他们需要深入参与 AI 业务场景应用，将 AI 整合到日常工作流程中，通过理解和应用 AI 工具来提升工作效率。 介于技术与业务之间的 AI 技术赋能者，是企业 AI 创新的重要推动力。这个群体通常由业 务架构师、AI 产品经理等组成，他们的主要职责是将AI技术转化为切实可行的业务方案， 行的业务方案， 推动业务创新与增长。这要求他们既要具备扎实的技术背景，又要对业务有深刻的理解。 作为技术基础的奠定者，AI 技术领航者是企业 AI 能力的重要保障。这个群体主要包括数 据科学家、算法工程师等技术专家，负责开发和优化 AI 算法系统，为企业提供坚实的技 术支持。他们需要精通 AI 技术开发与应用，持续推动技术创新。 15 然而，在 AI 人才短缺的困境中，企业似乎忽略了一个重要事实：解决方案可能就在眼前，

位” • 提升训练速度同时保持精度，降低硬件门槛 数据蒸馏技术 • 从海量数据中提炼⾼价值信息，提升模 型 学习 效率 • 蒸馏垂类⼩模型能⼒，不输于全尺⼨模 型 GRPO( 群体相对策略优 化 ) • ⼤道⾄简，⽤强化学习跳出题海和⼩ 测 让模型⾃⼰学会 思考 DeepSeek 的创新突破 效果体验惊艳，成本极致压缩 8 成本优势 技术震撼 开源引爆 垂直适配 知识图谱可关联临床试验数据与 RWE 试验， 去观察有潜⼒的适应症 试验设计优化 • 患者分层：基于⼤模型的语义理解能⼒， 从历史数据中识别符合⼊组标准的“数 字孪⽣”患者群体，提⾼招募效率 • 剂量探索：通过强化学习算法模拟不同 剂量⽅案的效果，缩短 1 期的试验周期 试验执⾏多元 • 去中⼼化试验⽀持：居家数据采集与 依 从性管理 • 院外数据的⾃动采集和综合分析

FPBn混合精度训练 • 从海量数据中提炼⾼价值信息，提升模型 学习效率 • 蒸馏垂类⼩模型能⼒，不输于全尺⼨模型 数据蒸馏技术 • ⼤道⾄简，⽤强化学习跳出题海和⼩测 让模型⾃⼰学会思考 GRPO(群体相对策略优化) 效果体验惊艳，成本极致压缩 8 为什么⼈⼈都爱DeepSeek? 成本优势 • 550万美元预训练成 本达到GPT-4级别性 能，打破“算⼒军备 竞赛”魔咒 • 技术成本的下降，为 数量等选择潜在靶点（需RAG未公开数据） • 知识图谱可关联临床试验数据与RWE 试验，去观察有潜⼒的适应症 研发⽅向探索 • 患者分层：基于⼤模型的语义理解能⼒， 从历史数据中识别符合⼊组标准的“数 字孪⽣”患者群体，提⾼招募效率 • 剂量探索：通过强化学习算法模拟不同 剂量⽅案的效果，缩短1期的试验周期 试验设计优化 • 去中⼼化试验⽀持：居家数据采集与依 从性管理 • 院外数据的⾃动采集和综合分析

先直派企业和解，实现消费类诉求的快速流转和办理。北京市还强化了新词追踪、 热词词云、社情民意感知、事项分析平台等功能的建设，动态调整高频问题的答 复内容，显著提升了“京京”智能问答机器人的服务能力。针对特殊群体，依托 14 北京 12345 微信公众号等渠道，增加了“助残辅助类型”标识，进一步提升了适 老助残服务的精准性。此外，对于复杂多样的民情民意，“接诉即办”改革坚持 贯彻十九大报告要求和北京 回复 处理。 第三，特需群体诉求表达的保障能力削弱。在当前信息技术发展与数字鸿沟 加剧同时发生的背景下，数字弱势群体（如老年人和残障人士）对电话式的传统 热线更加依赖。但是，热线归并和网络渠道运用不足客观上加大了热线电话的接 入压力。新冠肺炎疫情期间，涉及日常生活物资采购、慢性病用药、急诊就医、 心理健康维护、妇婴养护等内容的诉求量显著上升，对数字弱势群体的专线建设 需求日益突出。

先直派企业和解，实现消费类诉求的快速流转和办理。北京市还强化了新词追踪、 热词词云、社情民意感知、事项分析平台等功能的建设，动态调整高频问题的答 复内容，显著提升了“京京”智能问答机器人的服务能力。针对特殊群体，依托 14 北京 12345 微信公众号等渠道，增加了“助残辅助类型”标识，进一步提升了适 老助残服务的精准性。此外，对于复杂多样的民情民意，“接诉即办”改革坚持 贯彻十九大报告要求和北京 回复 处理。 第三，特需群体诉求表达的保障能力削弱。在当前信息技术发展与数字鸿沟 加剧同时发生的背景下，数字弱势群体（如老年人和残障人士）对电话式的传统 热线更加依赖。但是，热线归并和网络渠道运用不足客观上加大了热线电话的接 入压力。新冠肺炎疫情期间，涉及日常生活物资采购、慢性病用药、急诊就医、 心理健康维护、妇婴养护等内容的诉求量显著上升，对数字弱势群体的专线建设 需求日益突出。

Reserved. M2观点：家庭场景（以疗养服务为例）人形机器人产业发展判断逻辑 人形机器人未来将在老龄化加速、疗养服务人员缺口拉大背景下，作为“具身智能生活助手”，为有需求\有能力\有意愿的客户群体提供价值… 31 Why? 中国 英国 美国 韩国 法国 日本 德国 1860 1920 1940 1960 1980 2000 2020 ~126年 ~40年 ~65年 ~18年 ~24年 ~21年 图：典型国家从轻度老龄化踏入中度老龄化时间跨度 全球老龄化进程加速，疗养服务人员需求缺口大 What? 产品定位：具身智能生活助手 Who? 目标客户群体画像 用户 需求 功能 价值 耦 合 有能力：购买力… 有意愿：新技术爱好者… 敬请期待… 有需求：老人/子女… Source: M2研究 & 分析；转载引用内容请标明来源 图片由AI生成

⾃1960年以前，较发达地区的家庭规模⼀直在缓慢下降。1960年时，为2.9。到2 050年，我们预计这⼀数字将降⾄1.9。  较不发达地区的家庭规模直到1990年代才开始下降，但在所有发展群体中下降速度最快 。  1992年，平均家庭有4.8⼈，但预计到2050年将降⾄3⼈。 家庭规模在不发达地区开始在21世纪初缓慢下降（2000年平均5.4⼈），预计到2050年将 达到4.6⼈。 对于最不发达地区，家庭数量增⻓最快，尽管基数较⼩。最不发达地区在1960年 拥有4400万⼾家庭，预计到2050年将达到4.2亿⼾家庭（增⻓了9.5倍）。  图16. 发展群体的平均家庭规模 图17. 发展群体的家庭数量（单位：百万） 6 2,000 更发达地区 较不发达 地区 5 1,500 更发达地区 较不发达 地区 最不发达地区 4 1,000 3 500 2 0 GPS: 全球视⻆与解决⽅案 2024年12⽉ 2023年的发展中/新兴经济体。我们预测到2035年这将增⾄700万/4300万，到2050年将 进⼀步增⻓⾄800万/5900万。 图23. 各发展群体保洁员人数（以百万计） 图24. 商业清洁/维护机器人总单位预测（以百万计） 40% 25 70 新兴和发展中经济体 ⾼级经济 体 所有新兴和发展 35% 经济 60 20 30% 50 25%

人工智能在汽车领域的机遇 Strategy& 注：示例性公司特定AI解决方案。缩写：SW = 软件，E2E = 端到端，AD = 自动驾驶，EV = 电动汽车，Org. = 组织 预期对于特定转型领域及参与者群体的AI影响力程度。条形图填充越多，影响越显著。 来源：Strategy& 分析、公司网站（检索日期：2025年1月）和新闻稿（发布日期：2023年3月-2024年12月） … … … … …