现场路线智能调度 • 智能化能源调度 • 料场智能调度 • 燃料水分视觉分析 • 多角度废钢图像 采集 • 废钢智能定级 • 杂质识别 & 扣杂 • 废钢槽编号识别 • 多角度废钢图像采集 • 废钢智能定级 • 杂质识别 & 扣杂 • 废钢槽编号识别 • 皮带胶结头异常检测 • 皮带跑偏检测 • 烧结皮带跑偏检测 • 皮带托辊异常检测 • 分析监测烧结工序物料 成分 • 烧结皮带智能监测 • 烧结烟气 S02 排放在 线预测与控制 • 构建能源消耗预测 • 智能故障诊断 • 挡板位移检测 • 皮带划痕、 撕裂、 跑偏检测预警 • 1球团皮带智能监测 • 生球粒度分布在线 识别 • 球团1颗粒粒度检测 • 球团1现场生产安全 态势感知与预警 • 皮带机预测性维护 • 建立设备健康模型 • 焦化皮带智能监测 • 生产现场动作远程控制 • 焦化现场生产安全态势 感知与预警 炼焦煤分级调湿工艺稳 定协调控制 • 焦化皮带智能监测 • 生产现场动作远程控制 • 焦化现场生产安全态势 感知与预警 • 部署打滑预测分析 • 能源计划 • 炼焦煤分级调湿工艺稳 定协调控制 • 危险物识别 • 人员安全监测 • 高炉料面温度检测 • 高炉料面可视化监控 • 炉顶布料效果评定 • 远程换钎 • 中间产品无人天车吊装 控制 • 废品无人天车吊装控制 • 铁水质量预报 • 高炉温度分布

........... 10 （一）应用场景：从生产操作向其他高附加值场景拓展 ..... 10 1、生产操作：从操作精度提升到自适应学习 .............. 11 2、物流配送：“识别+导航”模型组合适用于封闭生产场景 . 12 3、质量管理：机器视觉检测大量取代人工检测 ............ 12 4、安全管理：在部分重化工业存在一定需求 .............. 13 能阶段，机器人只能执行简单的预设任务，缺乏自主性和适应性；第 二阶段是基础智能阶段，机器人开始具备基本的感知能力，能够对外 界环境做出简单的反应；第三阶段是中等智能阶段，机器人能够进行 更复杂的感知和处理任务，如图像识别和语音识别；第四阶段是高度 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。 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 器人将具备更强的自主学习能力，能够根据环境变化和任务需求进行 自我调整和优化。从模型架构来看，结构相对简单、参数较少的机器 学习模

目录 2 1. 背景 2. 洞察：人形机器人落地场景顺序与评估模型 3. 聚焦：工业场景落地（新能源汽车制造） 4. 纵览：国内外人形机器人落地场景顺序 5. 展望：人形机器人产业关键节点识别（工业、家庭） M2 2025 Proprietary and Confidential All Rights Reserved. 背景与结论 3 ◆ M2觅途咨询聚焦人形机器人产业、持续 部企业的实战经验，以及对机器人产业逻辑>10年 的洞见，识别落地场景顺序——工业、家庭、商业服务 • 聚焦工业：洞见新能源汽车制造——5大工序 VS 人形机器人适配4大工种（搬运、质检、工站衔接、基础组装） • 真实案例：采集某全球头部企业场景规划——验证人形机器人落地场景、适配工种逻辑 • 产业展望：工业、家庭场景供需端交叉验证，识别关键节点——2027小批量产，2030商业化起点 敬请期待 目录 4 1. 背景 2. 洞察：人形机器人落地场景顺序与评估模型 3. 聚焦：工业场景落地（新能源汽车制造） 4. 纵览：国内外人形机器人落地场景顺序 5. 展望：人形机器人产业关键节点识别 M2 2025 Proprietary and Confidential All Rights Reserved. 人形机器人应用场景演进逻辑 未来人形机器人落地场景将由工业->家庭->商

个随机噪声信号作为输入，并将其映射到数据空间中。 判别器：判别器的任务是识别输入数据是来自真实数据 集还是生成器。通过这种方式，判别器指导生成器产生越来 越逼真的数据。 GAN 的训练过程涉及到不断调整生成器和判别器的参 数，使得生成器能够产生越来越难以被判别器区分的数据， 而判别器则变得越来越擅长识别真伪。这个过程最终导致生 成器能够产生高质量的假数据。 （2） 变分自编码（Variational 并发事件和资源分配问题的 Petri 网建模等。建模技术为数 字孪生提供了坚实的理论和技术支撑，正向着更加自动化、 智能化的方向不断发展。 5.感知类技术 感知类技术包括常见的物联网 IoT、射频识别 RFID、计 算机视觉和声波雷达等。IoT（Internet of things，物联 网）本质上是互联网从人向物的延伸，物联网是将“物”和 互联网相互连接的技术，涉及对于“物”的感知、信息采集、 体而讲，就是通过温度、湿度、压力、振动等传感器实时收 集 环 境 和 设 备 的 数 据 。 RFID （ Radio-Frequency Identification，射频识别）是一种利用无线电波进行自动 8 识别和跟踪标签附着物体的技术，对物品更主动、更精准地 感知和管理。计算机视觉，以摄像机为常见载体，能感知物 理世界并能获取丰富的信息，在日常生活中已得到普遍地使 用，即使恶劣环境，已有基于太阳能发电、无线网络回传、

析和处理， 为热线整合提供有力支持，从而引领推进政府组织结构的调整和权责重组，促进 资源配置的最优化。另一方面，强调部门联动。在热线整合基础上，大模型能够 打破传统政府部门结构限制和冗杂热线的识别困扰，助力各级平台及其成员单位 之间横向和纵向上的协同联动，以及不同数据网络和管理系统之间的互联衔接， 有效缓解因“数据孤岛”引发的沟通成本高昂和治理流程阻塞等问题。同时，大 模型通过对数据的 热线发展面临的挑战。 （一）接诉 政务热线承担着城市政务服务“总客服”的角色。很大程度上，政务热线的 诉求承载水平、诉求接听效率和诉求识别能力，决定了公众对政务热线的初步印 象。然而，许多城市的政务热线建设，在诉求承载能力的科学分配、诉求接听的 科学管理和诉求识别的精细规范等多个方面仍然存在一系列挑战与不足。 1.诉求承载 诉求量的快速增加对政务热线诉求承载能力提出了挑战。尤其是在一些城市， 是在传染性疾病流行状况下，可能因为防疫需要隔离、居家办公等出现“非战斗 减员”情况，热线的接诉能力维持和保障压力大。 3.诉求识别 18 诉求识别是诉求办理的起点。诉求识别的精准程度对接线员的政策与业务知 识储备有着天然要求，但是许多城市热线的政策知识库建设水平不高，导致诉求 识别问题频繁发生。 第一，政策知识库精细程度和更新效率不足。政策知识库为接线员应答提供 了答案模板，便于接线员提高接诉

析和处理， 为热线整合提供有力支持，从而引领推进政府组织结构的调整和权责重组，促进 资源配置的最优化。另一方面，强调部门联动。在热线整合基础上，大模型能够 打破传统政府部门结构限制和冗杂热线的识别困扰，助力各级平台及其成员单位 之间横向和纵向上的协同联动，以及不同数据网络和管理系统之间的互联衔接， 有效缓解因“数据孤岛”引发的沟通成本高昂和治理流程阻塞等问题。同时，大 模型通过对数据的 热线发展面临的挑战。 （一）接诉 政务热线承担着城市政务服务“总客服”的角色。很大程度上，政务热线的 诉求承载水平、诉求接听效率和诉求识别能力，决定了公众对政务热线的初步印 象。然而，许多城市的政务热线建设，在诉求承载能力的科学分配、诉求接听的 科学管理和诉求识别的精细规范等多个方面仍然存在一系列挑战与不足。 1.诉求承载 诉求量的快速增加对政务热线诉求承载能力提出了挑战。尤其是在一些城市， 是在传染性疾病流行状况下，可能因为防疫需要隔离、居家办公等出现“非战斗 减员”情况，热线的接诉能力维持和保障压力大。 3.诉求识别 18 诉求识别是诉求办理的起点。诉求识别的精准程度对接线员的政策与业务知 识储备有着天然要求，但是许多城市热线的政策知识库建设水平不高，导致诉求 识别问题频繁发生。 第一，政策知识库精细程度和更新效率不足。政策知识库为接线员应答提供 了答案模板，便于接线员提高接诉

（LSTM）等结构的出现，使得CNN与RNN能够 相互融合，形成了更加复杂的模型结构。 CNN 适用于处理空间结构的数据，如图像识别、目标检测、图像分割等。在 这些场景中，CNN能够有效地提取图像的特征，从而实现更好的性能。而 RNN 适用于处理时序关系的数据，广泛应用在自然语言处理、语音识别、机 器翻译等领域。在某些任务中，这两者也可以结合使用，形成更复杂的神经网 络结构，目前 CNN 、RNN 不断演进成熟， 2014年，GAN（对抗式生 成网络）诞生，深度学习进 入了生成模型研究的新阶段。 里程碑事件：2006年深度神 经 网 络 引 入 ； 2012 年 AlexNet ImageNet图像识别 大赛让图像领域飞跃式发展 CNN与RNN架构 GAN架构 Transformer架构 GAN由两个神经网络，判别器与生成器组 成，在生成图像、声音和文本等数据方面表 现优异，应用于样本数据生成、图像生成、 AI认知与应用度 时间轴 • 2012年，深度学习AlexNet 在ImageNet竞赛中夺冠，标 志AI进一步深度学习新阶段 • 2016~2017年，侧重感知智 能的图像技术广泛应用，以人 脸识别代表，诞生商汤、云从 等CV厂商 • 2017年，谷歌团队提出Transformer 架构，以Bert模型为代表，推动NLP技 术发展，也为Decoder-only的生成式 技术打下基础

（LSTM）等结构的出现，使得CNN与RNN能够 相互融合，形成了更加复杂的模型结构。 CNN 适用于处理空间结构的数据，如图像识别、目标检测、图像分割等。在 这些场景中，CNN能够有效地提取图像的特征，从而实现更好的性能。而 RNN 适用于处理时序关系的数据，广泛应用在自然语言处理、语音识别、机 器翻译等领域。在某些任务中，这两者也可以结合使用，形成更复杂的神经网 络结构，目前 CNN 、RNN 不断演进成熟， 2014年，GAN（对抗式生 成网络）诞生，深度学习进 入了生成模型研究的新阶段。 里程碑事件：2006年深度神 经 网 络 引 入 ； 2012 年 AlexNet ImageNet图像识别 大赛让图像领域飞跃式发展 CNN与RNN架构 GAN架构 Transformer架构 GAN由两个神经网络，判别器与生成器组 成，在生成图像、声音和文本等数据方面表 现优异，应用于样本数据生成、图像生成、 AI认知与应用度 时间轴 • 2012年，深度学习AlexNet 在ImageNet竞赛中夺冠，标 志AI进一步深度学习新阶段 • 2016~2017年，侧重感知智 能的图像技术广泛应用，以人 脸识别代表，诞生商汤、云从 等CV厂商 • 2017年，谷歌团队提出Transformer 架构，以Bert模型为代表，推动NLP技 术发展，也为Decoder-only的生成式 技术打下基础

RPA 在合同关键条款自 动提取任务上表现不佳，而 AI 大模型在此任务上准确率接近 100%。其次，多模态交互的升级进 一步拓展了流程智能化应用场景。例如政务大厅的数字员工，可以基于语音、图像识别处理市民咨 询，业务办理范畴得以延展、办理时长大幅压缩。 同时，AI 大模型也降低了应用门槛，惠泽更多中小企业。基于代码大模型的公有云 API 接口，中 小型企业的 IT 研发成本、运维成本都实现大幅下降。 、技术整合 的方法论。其成功要素取决于高层战略支持与深入的流程梳理。本章将阐述实践落地方法论与关键 成功要素。 实践方法论 1，需求诊断与场景锚定 流程智能化的实施必须始于精准的业务需求识别与场景选择。首先，企业需通过对于内部流程的抽 象挖掘，映射绘制出端到端业务流程图。其次，再结合历史数据挖掘关键瓶颈。比如，制造企业可 以通过绘制端到端采购流程，评估各个流程节点耗时在全流程中占比，从而找到关键场景。 据中枢 整合异构数据源，形成全域数据资产池。逻辑穿透层面，企业可以建立动态数据血缘图谱，利用 AI 自动识别数据关联关系。价值穿透层面，企业基于知识图谱技术建立跨域语义关联。 为破除流程割裂建立统一流程，企业需遵循闭环原则。一方面是端到端流程闭环的建立，企业通过 流程挖掘技术识别跨系统断点。另一方面是决策闭环的建立，企业通过引入实时数据驱动的分析引 擎，实现“感知-认知-决策-执行”的闭环。

性场景中自主 做出决策；2020 年后，随着人工智能技术快速发展与市场需求的增长， 以宇树科技 H1 与升级版 G1、小米 CyberOne、浙江人形 NAVIAI 等为代 表的人形机器人，能识别语义和情绪，具备平稳行走和复杂动作能力， 助推我国人形机器人产业步入了智能化发展阶段。同一时期，介电弹 性体、超螺旋聚合物、气动仿生肌肉等柔性材料的快速发展也带来了 人形机器人的驱动器的革新，以北工大研发的气动人工肌肉驱动器、 研制了世界上第一个全尺寸人形“智能”机器人——WABOT-1；2000 年，本田推出了 ASIMO，能够行走、跑步、跳跃并上下楼梯，最高运动 速度可达 9 公里/小时。自 2006 年起，ASIMO 逐步融合视觉识别等技术， 具备了基本的交互能力，能够完成如拧瓶、倒水、端茶和踢球等任务， 标志着人形机器人进入了集成的发展阶段。然而，ASIMO 在应对不平整 地面和未知扰动方面的适应性仍然较为有限。 20 成功完成了跳跃、跳高、后空 翻等高难度体操动作，并在 2019 年展示了更复杂的体操动作组合，展 现了极高的动态运动能力。尽管 Atlas 的动态运动性能处于领先水平， 并且能够通过二维码进行物体识别，但复杂的搬运任务依然容易导致 机器人失稳，且其智能性仍较为薄弱。 2020 年伊始，以特斯拉 Optimus、Optimus 二代人形机器人为代表， 人形机器人进入了智能化的发展阶段，朝着高度集成、感知环境、运