年中国服务机器人产业规模将增长至 1413.8 亿元。  特种机器人将从试点示范阶段转入规模化应用阶段。近年来 中国特种机器人作业边界不断扩展，被更多用户单位熟知和 认可，2023 年中国特种机器人产业规模为 94.4 亿元。“十五 五”时期，中国特种机器人将向硬件载体模块化、控制算法 智能化方向发展，并从试点示范阶段转入规模化应用阶段， 3 预计到 2025 年中国特种机器人产业规模将增长至 成一种去中心化、自组织、群策群力的统一行动的能力，该技术 的发展将使机器人能够进一步深入复杂多变的场景，执行应急救 7 援、野外勘探等任务。 仿生机器人已成为创新焦点，“十五五”时期有望规模化应 用。中国仿生机器人与欧美国家相比起步较晚，长期处于“跟跑” 状态。近年来，中国在该领域的研发投入持续加大，涌现出一批 创新实力突出的高校院所和新型研发机构，取得了一批高质量论 文和专利等 文和专利等创新成果。“十五五”时期，随着整机性能不断突破、 智能化水平持续提升，仿生机器人将充分发挥其环境适应力强、 执行任务通用性突出等优势，有望在应急救援、抢险救灾、资源 勘探、航空航天等领域规模化应用。特别值得一提的是，人形机 器人有望进入工厂和家庭环境，承担起更多的工作角色，这无疑 是行业发展中的一大亮点。 机器人灵巧手将替代部分传统末端执行器，“十五五”时期 有望推广应用。当前机器人装配的夹爪、吸盘、焊枪等末端执行

力，让智能机器人能理解人类 语言指令，实现流畅对话。在 物流、医疗等复杂场景，大模 型可整合多方面信息，辅助智 能机器人完成复杂任务。 4 激光雷达 激光雷达随着在智能驾驶系统 中的规模化落地，已大幅降价。 据国联证券测算，2024年用于 ADAS系统的激光雷达均价，将 同比下跌15.56%至3800元。 3D视觉相机 六维力传感器 六维力传感器的生产涉及高精 度的制造工艺和复杂的装配流 细的运动控制系统也称为研究的主要方向。 大模型 人形机器人的保有量仍有待提升，未形成规模化使用导致人形机器人在多样化应用 场景的训练经验与数据积累有限。人形机器人结合数字孪生场景，可实现在不同地 形和环境中进行不同环境的数据采集。目前，数字孪生模型的精细度、准确度与感 知数据的准确性等有待提高。 数字孪生 大模型 群体智能是实现人形机器人在工业、商业服务等重要场景规模化应用的关键。目前, 软件架构的优化是推动群体智能发展的 止对人无意或恶意产生影响等。 在安全层面，人形机器人面临功能安全、网络安全、 个人信息安全、数据安全、国家安全等诸多安全问题。 为应对这些问题，应首先加强技术研发，确保机器人 的可靠性和安全性。在研发验证到规模化落地的阶段 内逐渐完善法律法规，明确人形机器人的权利与义务 边界，同时开展伦理教育，引导公众正确看待人机关 系，推动人形机器人在符合人类价值观的前提下健康、 可持续发展。 目前人形机器人行业仍面临大规模商业化难题。受技术发

来源：Strategy& 分析 ( ( ( 9 所选成功因素 战略、经验数据以及人工智能框架 每个用例可能需要不同的AI配置 方法 要从起点到规模化成功，对人工智能和数据的全面视角至关重要。 来源：Strategy& 分析 B 用例 什么？（？） 探索 发展 A 影响 D 抱负 （为何？） 路线图 哪种方式？（） 愿景/抱负 • • • • • • • • • • • • • • 10 领先者迅速从人工智能基础转向大项目。 来源：Strategy& 分析 数据与人工智能发展阶段：从起步到规模化 （影响时间）的增幅 从基础开始 短期（1-2年） 与高价商品一起成长 中长期（3-5年） 与重大变革一起扩展规模。 长期（5年以上） 显著的商业价值 数据/模型效率 主 目标 已知、可测量和快速 价值创造与其他 行业领域 内部结构化数据基础 内部非结构化数据基础 多领域和多所有者数据基础 虚拟客户服务 中心/助理 车载个人 助手 生成式车辆 零件设计 协作机器人制造 应用 实现规模化的自动化 驱动 自动驾驶车辆 软件生成 并且测试 本报告来源于三个皮匠报告站（www.sgpjbg.com），由用户Id:349461下载，文档Id:614001，下载日期:2025-02 人工智能在汽车领域的机遇

考试流于形式：通过⾮正常⼿段完成公司任务 代表⼼⽣抵触情绪：影响⼯作积极性 难以规模化：培训⽼师⼈⼒与精⼒有限 代表学习改进， 在下次拜访中做的更好 新⽅式 AI 辅助实践， 实践中提升能⼒ 反馈更真实：通过真实拜访和⾃讲过程发现问题 激发代表学习的⾃驱⼒：发现问题，⾃发改进 提升代表⼯作效率：代表把⼯作和学习结合在⼀起 可规模化：借助 AI 规模化打分，不再有培训⼈⼒瓶颈限 制 代表培训： AI 辅导，实战中提升专业能

未反映真实⽔平：培训与拜访脱节，实战能⼒难考察 考试流于形式：通过⾮正常⼿段完成公司任务 代表⼼⽣抵触情绪：影响⼯作积极性 难以规模化：培训⽼师⼈⼒与精⼒有限 反馈更真实：通过真实拜访和⾃讲过程发现问题 激发代表学习的⾃驱⼒：发现问题，⾃发改进 提升代表⼯作效率：代表把⼯作和学习结合在⼀起 可规模化：借助AI规模化打分，不再有培训⼈⼒瓶颈限制 线上线下拜访 AI打分与建议 代表学习改进，在下次拜访中做的更好 语⾳⾃动转录拜访⽂字

在 面对AI开发需求时，企业可根据自身对算力、算法、应用开发、数据安全、 时延保障等方面的要求，综合考量，采用公有智算资源、专属智算集群、自 建智算集群等方式，开展训练和推理业务，满足成本和规模化的考量。 场景三：构建企业创新能力。随着大模型带来的新的AGI场景的兴起，企业需 要引入更多的AI原生开发工具能力，构建“AI+”应用。同时，企业还对研 发、测试、交付过程的效率提出了更高的要求。因此，企业需要不断引入新 速增长以及行业大模 型需求的快速发展，企业对AI算力的规模化、质量、成本以及AI/大模型工具链的 复合型能力都提出了远高于以往的要求。 AI算力规模化：企业对加速芯片的多样性有较高需求，以适应不同规模和复 杂度的模型的开发和应用。同时，为了应对不断变化的工作负载，企业还需 要计算和存储资源具备弹性扩缩的能力。为了实现更好地管理规模化和异构 的算力资源，超大规模计算集群需要支持智能调度，特别是面对行业大模型 升，并严格把控投资回报，是企业在多云时代实现可持续发展的关键。 从训练走向推理，让应用离模型更近 市场对大模型训练的火热投入为AI应用的持续繁荣奠定了坚实基础，随着基础大 模型、行业大模型的逐步成熟，规模化应用落地训练成果将成为趋势，推理任务 的工作量将快速增长，这将对数据传输、计算资源访问的性能等维度提出新的要 求。IDC预计，����年，AI推理服务器市场规模将会超过训练服务器。 ����

资料来源：中国政府网，国元证券研究所 近年来，工信部等部门陆续颁布多项智联网汽车相关政策，助推智能驾驶从“小范围测试验证”加速迈入“规模化落地”，加快高阶 智能驾驶的普及应用和商业化进程。随着智能网联汽车技术快速迭代和辅助驾驶的大规模应用，“车路云一体化”正处于转入规模化 应用的关键时期，建成将具有巨大潜在价值：一方面，当车辆大规模接入车路云网络后，交通的通行效率将得到大幅提升；另一方面， 该网络中 面赋能，加速高阶智驾商用落 地。随着端到端大模型优化，头部车企推出“车位到车位”功能，覆盖全场景并具备全程无接管能力，2025年智 驾市场将进入“车位到车位”功能的竞争阶段。 高阶智驾技术进步和规模化生产推动成本下降，10-20万元车型将成为渗透主力市场。预计2025年，智驾市场的车 企之间围绕“车位到车位”功能的成熟度和用户体验，技术角逐将更加激烈；同时，NOA高阶智驾市场将迎来商业 化拐点， 2024年4月，华为推出了新品牌乾崑及其新一代智能驾驶解决方案ADS 3.0，以GOD网络（通用障碍物检测）和PDP网络 （预测-决策-规划一体化）为核心，通过全栈自研的AI芯片、操作系统和融合感知传感器，实现了端到端技术的规模化 量产。华为通过构建云端AI训练平台进行大量的数据训练，根据2024年6月发布的信息，ADS智能驾驶系统的云端学习训 练算力达到7.5EFLOPS，训练数据量已达日行3500万公里，意味着每过24小

. 20 四、“机器人+人工智能”工业应用展望 ..................... 22 （一）具身智能机器人将进一步变革工业生产形态 ......... 22 （二）工业人形机器人规模化应用仍需经历长期技术迭代 ... 22 （三）行业应用将从汽车电子向其他制造业领域渗透 ....... 23 附：苏州市“机器人+人工智能”工业应用案例 ............... 24 （一）智能产品案例 自动化水平高、结构化、封闭式的工业场景是当前技术条件下智 能机器人最大的应用市场。工业环境相对标准化，生产流程固定，对 机器人的自主性和泛化性要求较低，部分领域如汽车、电子信息等已 3 经率先实现了工业机器人的规模化应用。根据国际机器人联合会 （IFR）在 2024 年 10 月发布的《2024 年世界机器人报告》，2023 年 全球工厂中运行的工业机器人数量超过 428 万台，同比增加了 10％， 创下 智能阶段，机器人展现出较高的自主性和适应性，能够进行自我学习 和优化，执行复杂的任务；第五阶段是超级智能阶段，机器人理论上 将具备超越人类的智能水平，能够进行创新和自我意识的决策。 在工业领域，机器人的规模化应用正在从中度智能向高度智能过 渡。随着深度学习算法的优化以及多模态感知技术的融合，工业机器 人将具备更强大的感知、认知和决策能力，能够更加精准地识别复杂 环境中的物体、声音和图像，理解人类的语言和意图。同时，工业机

算力中心供给分析 IV. 算力中心供需研判及未来展望 V. 附录 报告研究背景与主要研究结论 4 报告研究背景 • 纵观算力中心发展历程，移动互联网时代与云计算时代的技术革命催生了集约化、超大规模化的数据中心需求，由此孕育出了算力中心定制批发的业 务模式，并且该业务模式在2015-2020年间实现了快速增长。然而，伴随着移动互联网用户红利见顶、新基建边际效应递减及后疫情时代经济周期波动， 定 训练完的模型参数量也会影响推理端算力 大模型训练 作为驱动人工智能发展的关键生产要素，数据规模多维度影响大模型的性能与应用场景：超大模型追求“能力上 限”，轻量化模型聚焦“应用普适性”，两者共同推动人工智能从实验室研究走向规模化商业落地。 17 资料来源：灼识咨询 大模型的发展及参数量变化 ➢ 规模法则（Scaling law）在当前人工智能发展中仍然占主导地位。目前，规模法则（Scalling Law）正在从预训练 15,528 18,831 22,087 2023 2024E 2025E 2026E 2027E 2028E 单位：MW 关键分析 • 在AI大模型训练的驱动下，算力中心正加速 向超大规模化、集群化的方向演进，这一变 革不仅为行业带来了前所未有的发展机遇， 也对算力中心服务商的提出了更高要求。 • 算力中心定制批发服务的需求方在选择服务 商时，需综合考虑多个维度，以确保所选算 力中心能够满足训练推理与应用的各项需求，

重语义/拓扑/规划 - 与端到端算法深度 融合 - 地图成为在线先验 与离线训练数据源 - 兼顾AP友好性 驱动: 感知算法进步 (Transformer, BEV等) 驱动: 成本压力/规模化 (数据闭环, 众源成熟) • 精度按需: 对绝对几何精度要求动态调整，部分场景下拓扑关系与 语义准确性优先度更高。 • 要素按需: 地图包含要素集根据智驾系统能力与应用场景动态调整， 旨在实现成本与功能的最佳平衡。 感知主导 & 语义规划增强期 智能规划 & AI训练核心期 探索与高精依赖期 成本高, 覆盖难, 更新慢 L3/L4 演示为主 图商主导定义 重感知、轻地图成共识 城市NOA规模化 推动SD地图能力提升 车企自研能力增强，与图商关 系重塑 HD Map在L2+量产前景黯淡 L4应用存疑 地图核心价值从“精度”转向“智 能” (规划、语义、训练价值)