系统性能的优劣结论，还应揭示具身智能体在感知理 解、策略规划、行为执行等方面的能力短板或瓶颈，指 导模型或系统的持续优化。 d）动态扩展与迭代更新。随着具身智能技术的 发展，系统将呈现出更多异构性与演化性。因此评测 标准应支持模块化构建与动态更新，能够灵活扩展新 能力维度（如迭代学习、跨平台迁移等），保持与技术 发展的同步性。 e）安全性、伦理性与合规性保障。评测内容和方 法应严格遵循安全保护、数据隐私、公平性原则等伦 能力为基础，系统梳理关键技术维度，为标准及评测 体系构建提供结构化支撑。结合当前主流研究成果 与具身智能系统演化趋势，标准及评测工作可聚焦以 下 8个核心技术方向（见图 1），构建系统性能力结构与 可量化评估基线，兼顾能力识别、行为建模与指标落 地，实现从静态能力到动态演化的全景化评价框架。 a）多模态感知与语义建模能力。具身智能体需 图1 具身智能核心技术与关键评估维度 伦理合规与功能安全机制 功率等， 典型场景包括软体机器人、仿生平台、工业协作臂等。 d）自适应学习与知识迁移能力。具身智能系统 需具备通过交互积累知识、跨任务迁移与在线增量学 习能力，实现从训练阶段向部署阶段的持续演化。自 适应学习是支持多场景复用、应对环境变化与未知任 务的关键路径，也是当前大模型技术在具身智能中应 用的前沿方向。该核心技术的代表性标准及评测指 标包括迁移成功率、历史知识保持率、学习样本效率、

自动或人工干预物理对象，更好满足业务目标 扩展： 基于业务需要的深层次知识获取与表达 基础： 对象在业务活动中演化的数字化表达 数字孪生体 行为状态 静态构成 子部件 协作对象 协作方式 T+2 T+1 传感与数 采 Pera Corporation Ltd. All 数据模 型 系统仿 真 机理仿 真 演化 (t) 工艺 能耗 质量 组成 材料 结构 动力 传动 转向 rights reserved 环和设计验证循环并 行进行，体系工程 4 个方面的过程分析通 过体系分析与控制活 动进行平衡 ，通过平 衡找到体系设计的合 适的方案 体系工程以解决体 系的构建与演化问题为 目标，其研究对象是体 系（超复杂系统） ， 区 别于系统工程所针 对 的 简单系统对象 ， 在过程 原理上两者间 存在本质 的差异。 体系工程源于系统工程，但高 于系统工程，是解决系统工程

伊朗、尼日 利亚等国与其他国家的差距则进一步扩大。中国的地缘辐射效应尤为明显，对周边国家数字生态发展呈 现出显著的带动效应。 本报告同时着重探讨了人工智能产业发展的内在逻辑。数字基础是人工智能演化的系统地基，数字 能力是人工智能生态跃迁的核心引擎，数字应用为人工智能嵌入生态提供场景载体，数字规制保障人工 智能生态共演的制度边界。数据表明，创新驱动是我国人工智能产业发展头部城市的核心引擎，并且目 能技术推动各 产业变革，是推动经济社会高质量发展的题中应有之义。 从数字生态的视角来看，数字基础设施为人工智能提供发展条件，数字能力机制为其驱动生态演化， 数字应用场景为其创造系统价值，数字规制机制保障其持续运行，呈现出一种多向嵌套、动态演化的系 统性共构关系。目前我国人工智能产业发展还面临一些堵点：算力供给紧张、部分算力未能有效利用、 算法模型“知其然不知其所以然”、底层架构“受制于人 互倚关系——包括共生、竞争、合作与冲突等多种动态模式。这些关系形态本质揭示了主体及要素间深 刻的相互依存性。无论表现为协同还是张力，其底层逻辑均为系统内要素的功能互补与价值共生，即在 生态学意义上的互倚。 数字生态的发展演化，本质上是各领域数字化转型的集成显现，是数字技术在各个领域找到场景持 续应用与渗透。唯有通过技术落地，各要素与行动主体才能真正驱动生态系统的演进，主体与要素自身 也将在数字化转型中迭代升级。需强

发展所新兴的职业中已经初见端倪，包括人工智能伦理学家、提示词工程师以及 人机交互设计师等。其次，工程智能还将革新工程教育形式，通过个性化学习、 高保真仿真实践等，显著提升人才培养的质量和效率。更进一步地，人类与智能 的协作将逐步演化为“共生智能”的新模式，在此模式下，人工智能的目标不再 是完全替代人类的“完美机器”，而是作为“灵魂搭档”激发人类创造力和智慧， 实现人机优势互补与共同进化，让高价值、高难度的工程创新成果从偶然变为必 Engineering White Paper ©同济大学工程智能研究院版权所有。如需引用，请注明出处。 38 展奠定了坚实的计算基础。 5.3 数据资源层 在基础设施层之上，数据资源层构成了工程智能生成与演化的基础，其核心 使命在于系统化地汇聚、治理、管理和供给工程领域全生命周期、全模态的高价 值数据，为上层的模型训练与智能体应用提供丰富且优质的数据资源。 工程领域的数据具有来源广泛、形态多样、结构复杂、关联性强等特点，因 文本与二维图像不同，该基础模型专为理解工程领域的物理世界而设计，其核心 能力在于统一处理和理解工程数据固有的时空全模态特性。工程领域的对象，无 论是建筑、机械零件还是城市交通系统，都存在于三维空间中，并随时间演化； 其信息载体也极其多样，包括文本化的标准规范、符号化的二维 CAD 图纸、几 何化的三维 BIM 模型、以及图像、视频、点云和传感器时序数据等。该基础模 型通过特定的模型架构与训练方法，能够将这些来源和形态各异的数据映射到一

............................... 1 （一）全球大国博弈：中国高端制造崛起正当时...................... 1 （二）从传统机器人到具身智能：产业演化分析...................... 3 （三）未来具身智能产业：国家逻辑+市场逻辑双轮驱动..........8 二、影响具身智能产业变革的直接变量：技术............. 模型/数据、AI+制造/能源/ 生产资料、AI+生物医美/抗衰老/创新药、AI+现代服务业、AI+国防 无人系统），具身智能有望成为这些高潜方向的重要支撑。 （二）从传统机器人到具身智能：产业演化分析 回望历史，具身智能的“前身”——人工智能与机器人技术是彼此 交织、并进发展的。从二战后的跨学科交叉融合到如今的智能浪潮， 两者在理论突破、工程实践与产业化进程中持续的相互促进，形成了 现代科技史中独特的双螺旋进化路径。 态智能体，下游覆盖多场景定制化应用，生态协同性增强。 4 资本与政策新动能 资本涌入 AI 驱动的初创企业和跨界巨头，政策支持力度加大（如“十四五” 智能制造专项、“人工智能+”行动）。 在产业演化方面，传统机器人到具身智能的产业演化反映了从 “自动化”到“智能化”的范式跃迁。传统机器人以硬件+固定编程为核 心，具身智能以软件智能（大脑、小脑）+硬件升级（结构优化）为 核心，让“软件定义硬件，硬件产品承载软件剩余价值”成为趋势。

调度机构 分布式 决策模型 电力 市场 需 求 05 电力市场推演：电力市场仿真优化 设计计及多元电力市场主体非合作博弈的多智能体代理交易仿真和市场演化推演技术，搭建多元发电主体演化博弈仿 真平台，分析多元发电主体演化互动与博弈结果，推动多类型主体参与电力市场交易，为交易决策提供验证和理论支 撑 。 上层问题 优化后政策参数 系统稳态推演

无形成 本 附加价 值 顾客付出与得到 企业利润 企业付 出成本 利润 顾客付 出有形 成本 消费者价值认知 需要精细化研究 对可感有形、无形价值的数字化量化 有界信任条件的连续观点演化模型 (Deffuant,Bounded Confidence Model) 多主体模型（ Agent-based model ） 主体 : 态度 o [-1;1] ( 初始情况均匀分布 ) 百果园的嵌入迁移模型 • 基于 Magic 4 的新用户转化 • 高净值用户建设案例 • 横向模型：虚拟合成算法 • 百果园的数学化 • 常见的失败原因 百果园的嵌入迁移模型 空间演化聚合理论 • 有界信任条件的连续观点演化模型 (Deffuant,Bounded Confidence Model) • 多主体模型（ Agent-based model ） • 主体 : • 态度 o [-1;1]

架构、电驱动系统等新范式演进。与此同时，零部件 部门也迎来全新发展机遇与挑战，技术门槛、创新能 力和生态整合力成为企业突围与重构竞争优势的关 键变量，原有的供应体系正逐步重塑，产业链分工格 局呈现出更加动态、多元的演化趋势。 10 产业格局趋势 1. 价值重塑 新四化带来三电、智能驾驶、智能座舱等新的价值高 地，零部件产业链价值分布重塑。新能源三电、智能 座舱与智能驾驶等核心零部件板块正实现市场规模、 随着主机厂海外经营阶段的深化，零部件企业需进一 步深入海外本地化运营以支撑主机厂构建本地化制 造能力。国内主机厂的国际化经营正从最初的简单 出口贸易向全球经营演化，开始进行资源整合，实现 策划、设计、研发、生产、采购和营销等职能全球一体 化运营。在这样的背景下，供应链发展也经历了特征 演化，已经从围绕国内整车生产的全球原材料和零 部件进口贸易，转向以全球供应和全球制造为核心的 供应链协同模式，对零部件企业的全球布局能力和综

如复旦大学提出了一种强化学习逆设计框架并将其应用于变工况下 的变形翼型设计4，南方科技大学提出了基于合作型多智能体强化学 习的数字微流控芯片液滴路径规划5。在流动控制方面，通过实时预 测流场演化并施加主动干预，可以实现湍流抑制或传热增强。典型技 术包括结合强化学习的闭环控制策略，以及在线数据同化的自适应控 制方法，如利用传感器数据实时修正控制策略以维持流态稳定性。 参数优化实现产品性能全面优化。机器学习算法通过对工业设计 解算子，DeepONet 方法利用分支-主干网络结构，学习 从输入函数到输出函数的映射关系，可应用到高雷诺数湍流模拟参数 化几何流场预测。三是长短期记忆网络方法，可以捕捉时间序列依赖 关系，预测瞬态流场演化，典型应用包括涡街脱落周期预测非稳态流 动建模等。 结构仿真领域，利用卷积神经网络处理几何特征，循环神经网络 处理动态载荷序列或 Transformer 架构捕捉多参数间的长距离依赖。 通过 如 设 定 损 失 函 数 为 L = ωdataLdata + ωPDELPED+ωBCLBC,其中LPED通过自动微分计算纳维斯托克方 程残差，典型应用包括在心脏瓣膜流固耦合应力模拟等离子体演化预 32 Zhang, Bowen, et al. Advanced wake modeling in wind farm: A physics-informed frame work with virtual