算法技术突破 - 大模型算法核心跃迁从被动处理任务转向主动进化策略 金融行业作为数据密集型和计算密集型场景迎来深度变革机遇[1] - OpenAI GPT-强化长文本因果推理能力 支持10万token以上上下文 突破金融机构对超长篇幅风控/投研文档处理瓶颈[1] - Google Gemini升级多模态动态交互算法 实现文本-图表-数据实时联动 高盛用其构建动态利率走势模型[1] - AlphaEvolve通过生成式策略优化(GSO)实现模型自动迭代 国内百度文心4.5和X系列模型、DeepSeekV\R等采用多模态+长思维链推理+智能工具调用架构[1] 业务融合与模型适配 - 核心业务与AI融合深度成为金融机构核心竞争力 大模型在员工场景(知识问答/报告撰写/资料汇总)优势明显[2] - 面向客户业务场景(信贷/风控/营销)和实时场景(反欺诈/秒级授信)存在准确率低和延迟反馈问题[2] - 专精模型结合金融合规规则库与动态风险因子库 通过领域数据定制实现深度场景适配[2] - 通用大模型在金融领域存在意图理解不准确/专业知识覆盖不足/幻觉率高等短板 未达生产级要求[2] 开发工具与平台演进 - 大模型工具链从技术导向转向业务导向 通过低代码/无代码平台让金融机构快速构建业务智能体[3] - 智能体在投研/投顾/信贷决策/风险管理等核心场景持续创造价值 开发平台支持MCP/AA及SFT工具链[3] - 2025年通用模型+专精模型协同管理成为主流 工具平台降低AI使用门槛 让业务人员用AI解决问题[3] 数据与知识体系构建 - 数据飞轮将零散数据转化为可复用结构化知识 形成业务-数据-模型闭环 适配高合规/高精准/高动态要求[4] - 金融机构对数据按敏感度分级构建可信环境 通过跨模态数据整合实现内外部协同 打破数据壁垒[4] - 构建高质量向量知识库和高价值知识工程 缓解高价值数据稀疏现状 促进模型多维度系统性升级[4] 算力架构演进 - 大模型向万亿级参数演进 训练算力呈指数级增长 异构计算集群和多芯混合训练兼顾高性能与低成本[4][5] - 百亿参数模型场景单机单卡可完成推理与微调 更高算力密度机器在训练微调与复杂推理中具效率优势[5] - 千亿/万亿参数场景采用DP+EP分离的大集群部署方案 通过数据拆分与专家层分工解耦提升算力利用效率[5]

核心观点 - 百度Robotaxi在武汉实现单车层面扭亏为盈 标志着行业从技术愿景转向商业化阶段 [2] - 自动驾驶车辆成本降至30万元人民币以下 单位经济模型可行性显著提升 [3] - 中国政策支持与数据积累优势推动规模化落地 2030年市场规模或达1830亿美元 [4][5][6] 商业化进展 - 百度二季度在武汉实现单车层面运营盈利 突破行业长期亏损困境 [2] - 上海将Robotaxi运营范围扩展至陆家嘴核心区 所有一线城市均已开放全无人商业化运营 [4] - 头部企业计划2025年底将车队规模扩大至千辆以上 进入规模化扩张阶段 [3] 成本结构突破 - 自动驾驶车辆总成本压降至30万元人民币以下 其中车辆本体与自动驾驶套件各占50% [3] - 激光雷达成本从2022年5000元人民币降至200美元（约1300元人民币） 降幅超70% [3] - 中国产业链极致效率追求为成本优化提供核心支撑 [3] 市场规模预测 - 瑞银预测2030年代初中国一线城市将形成30万辆Robotaxi车队 全国总需求达400万辆 [4] - 对应市场规模1830亿美元 成为全球资本关注的新兴产业 [4] - 政策测试许可互认机制（如深圳广州）降低企业测试成本和时间 [5] 技术竞争壁垒 - 自动驾驶本质是数据竞赛 真实路跑数据驱动算法迭代与场景处理能力 [4] - 商业化落地加速数据飞轮效应 核心区24小时运营使数据价值指数级增长 [4] - 数据壁垒一旦形成将难以逾越 快速巩固领先企业市场地位 [4] 政策环境支持 - 北京2024年4月实施新自动驾驶法规 为L3+级别运营提供法律框架 [5] - 政府要求科技企业与出租车公司合作 平衡新技术与传统行业关系 [6] - 政策将Robotaxi视为发展"新质生产力"和突破"中等收入陷阱"的关键环节 [6] 行业终局展望 - Robotaxi与量产车辅助驾驶（ADAS）路线长期必将交融 重塑社会出行形态 [6] - 出行成本下降与通勤时间再利用将重新定义城市物理边界 [6] - 全球科技巨头（Waymo/Cruise/百度/Pony.ai/特斯拉）竞争下一代城市基建定义权 [7]

公司商业化进展 - 机器人运动会获奖后公司400咨询电话被打爆 比赛后第二周有十几家酒店客户组团参观公司[1][7] - 公司机器人已进入小规模化交付阶段 与多家酒店集团 物业公司与养老社区签订订单[1] - 公司采用边量产出货边采集数据的商业策略 通过实际场景铺量实现数据飞轮迭代[3][12] 技术路径选择 - 公司未选择主流的VLA端到端路线 因当前行业缺乏海量机器人数据[2][18] - 采用感知操作解耦模型UniFlex 基于关键点模仿学习技术 通过5-10次数据采集即可学会新任务[16][17] - 开发UniTouch视触觉融合系统 但未安装实体高精度触觉传感器 因单个手指需增加6000-8000元成本且耐用性不足[20][21] 产品性能特点 - Wanda二代机为量产版本 定价8.8万元 采用自研关节方案实现可观毛利[24] - Wanda三代机配备全向四驱底盘 移动速度更快且负载更高 但尚未正式发布[26][28] - 机器人可完成酒店清洁 整理 收垃圾 铺床及打扫洗手间等复杂任务[9][12] 数据战略 - 通过酒店等类C端场景采集自然分布数据 强调数据多样性比质量更重要[13] - 目标部署数十万台机器人 认为需达到自动驾驶行业相近数量级才能训练优质模型[13] - 酒店场景数据回传不受工业保密限制 且容错率高利于机器人持续作业[10][11] 硬件开发策略 - 坚持全栈自研硬件 首要考虑硬件稳定性 上半年重点攻克供应链稳定性和生产品控[23][25] - 自研硬件可避免技术黑盒问题 成本更可控 并保障多代机型数据一致性[24] - 机器人底盘针对75-80厘米常规门宽设计 比赛遇到1米宽门时通过VR设备紧急重训技能[16] 应用场景规划 - 聚焦酒店清洁类C端场景 该场景技能可迁移至家庭 养老院 餐厅 快餐店及咖啡厅等场景[9] - 清洁场景相对容错率高 允许机器人关门独立作业 减少人机交互隐患[1][11] - 迎宾项目需处理机器人前进方向与拖拽行李车方向的非直线运动等硬件难题[7]

具身智能与人形机器人发展现状 - 具身智能仍处于"幼儿园孩子水平" 仅能完成抓取 走跑跳等简单动作 复杂长程任务能力薄弱 缺乏流畅性与协调性[1] - 面临硬件长期稳定性与一致性不足 软件泛化能力弱 数据匮乏无标准三重困境[1] - 需要搭建感知—推理—执行的完整链路 并通过数据飞轮实现模型能力与产品性能的持续提升[1] 数据规模与Scaling Law关系 - 模型性能遵循Scaling Law 参数规模突破阈值后才会涌现上下文学习 复杂推理等能力[2] - 依据Scaling Law经验推演 1亿条高质量行为轨迹数据是支撑具身智能大模型能力跃迁的关键门槛[2] - 行业正加速搭建"仿真-真机融合"数据训练场 通过并行机器人 远程操控等机制高效采集大规模数据[2] 数据采集技术方案 - 光学动捕精度达0.1毫米级 适用于手指灵巧作业等精度要求高的情况[8] - 惯性动补数据连续性更好 不怕遮挡 得应急救援等领域青睐[8] - 光惯融合技术方案实现集成化 智能化高质量数据采集 保证精度同时解决遮挡问题[8] 数据采集效率指标 - 单次采集任务实现83%稼动率 60秒任务时长中高效采集50秒有效数据[10] - 人机工效比从1:10优化到1:2 效率提升5倍 机器人完成任务时长仅是人工耗时的一倍[10] - 开发人体Human to Robot映射重定向算法 将人体25个关节30个手指关节参数转化为机器人运动控制参数[11] 仿真与真实数据融合训练 - 行业采用"仿真+真机"比例混合训练模型 理想模型基于10%真机数据生成80%仿真数据 再用10%真机数据验证Sim2Real效果[7] - 真实数据用于纠偏与对齐 仿真数据用于规模扩展和多样性覆盖 二者融合训练可有效兼顾效率与表现[7] - 通过设定URDF模型物理参数维度 保证仿真环境训练动作序列迁移真机过程中物理量的一致性[12] 全栈数据解决方案 - 从数据采集延展到多模态数据整合 结构化处理 存储 标注 仿真等环节 形成全栈数据解决方案[13] - 已与宇树 智元 傅利叶 睿尔曼等市占率较高头部企业实现适配 新款机型适配能在两三周完成[13] - 标注支持自动识别框选和人工标注框选 借鉴自动驾驶矩形框选 圆形框选模式[14] 数据量需求场景分析 - 商业服务场景如咖啡店需十万到五十万条数据 最多不超过一百万条可实现99%成功率[18] - 环境变化较大场景如便利店理货与分拣可能需要百万条以上数据[18] - 工业场景需达到99.99%成功率 需要千万条级别数据规模[19] 能耗与性能评估 - 人形机器人行走功耗约1000瓦 而人类行走仅需70瓦左右 能效远低于人类[18] - FZMotion Transformer评测软件15分钟完成160+项测试 实现动作自动语义分割[17] - 通过运动学与动力学分析优化关节运动轨迹 系统优化机器人功耗模型[18] 技术优势与产业布局 - 母公司凌云光2010年布局空间视觉领域 依托光学技术29年积累构建全链路能力[21] - 单条数据采集价格是国外同行的1/10[23] - 未来将持续深耕光惯融合方案 联合大模型技术公司提供结构化数据 优化训练效率[24]

行业背景与政策环境 - 人工智能医学指南数量在2018年至2024年期间持续增长，行业对AI的认知、重视与规范化需求日益提升 [1] - 《关于深入实施"人工智能+"行动的意见》于7月底审议通过，推动AI医疗进入规模化、商业化、生态化发展的新阶段 [1] 公司财务表现 - 2025年上半年实现营收2.99亿元人民币，同比增长30.26% [5][7] - 净亏损为7408.6万元人民币，同比大幅收窄42.86% [5][7] - 毛利润为1.54亿元人民币，同比增长26.96% [7] GBC三端业务发展 - G端业务中基层业务收入8381.2万元人民币，同比增长52.3% [8] - 区域解决方案业务收入5762.5万元人民币，同比大幅增长178.1% [8] - 核心产品"智医助理"覆盖全国697个区县、超7.5万个基层机构，累计完成超10.1亿次AI辅助诊断 [8] - B端医院业务短期回落10.0%，但需求有望在下半年集中释放 [8] - 医院解决方案在全国500余家等级医院落地，讯飞星火医疗大模型在全国20余家龙头医院应用 [8] - C端业务收入1.04亿元人民币，稳健增长10.1% [8] 技术研发与创新 - 3月发布星火医疗大模型X1，基于全国产算力训练，在诊断推荐、健康咨询等核心医学任务中表现超越GPT-4o及DeepSeek R1 [12] - 6月推出星火医疗大模型V2.5国际版及升级版AI健康助手"讯飞晓医APP" [12] - 8月21日星火医疗大模型以100.2分登顶MedBench榜单，在复杂医学推理、医学语言理解、医疗安全和伦理等多项核心能力位居第一 [13] - 讯飞晓医APP慢性病主动管理功能可为高血压、高血糖等患者自动跟踪关键指标、评估心肾风险并生成个性化干预方案 [15] 行业生态与标准化 - 公司在安徽省打造中国最大的区域影像数据互联互通互认的影像云平台，接入国家医保信息平台并实现异地读取数字医疗影像胶片 [9] - 上半年超1970家医疗机构和超3300名专家在安徽省影像云平台上注册，开展远程会诊服务量近980万次，数据服务使用量超1.3亿次 [9] - 5月参与编写《医疗场景下大模型应用效果评测专家共识》，7月牵头《医疗健康行业智能体标准体系》研制，主导10项子标准的制定 [16] 资本市场认可 - 万家健康产业基金将讯飞医疗列为第六大重仓股 [20] - 招银国际维持"买入"评级，目标价143.59港元；招商证券国际重申"增持"评级，目标价141.5港元；国泰海通维持"增持"评级，目标价上调至154.48港元 [20] - 多家券商目标价对应超30%潜在上涨空间 [20]

行业与公司 - 行业涉及**人形机器人产业链**，重点关注**大模型端**和**硬件端**的发展[1] - 公司提及**特斯拉**作为硬件定型的核心推动者[3][4]，以及国内企业如**银河通用**、**心动剂元**、**青铜视觉**、**凌云光**、**天奇**等[22][23][24] --- 核心观点与论据 **1 大模型是行业发展的关键卡点** - 当前行业瓶颈在于**模型端**，尤其是多模态大模型的智能水平，而非硬件控制成熟度[1][2] - 大模型为人形机器人提供“智能大脑”，是推动本轮发展的底层逻辑[2] **2 大模型发展的三条主线** - **多模态输入**：从C-CAN（仅语音）到RT1（动作+视频）、RT2（动作整合），再到Helix（200Hz频率）[5][6][11] - **频率提升**：RT2（1-5Hz）→ 派林（50Hz）→ Helix（200Hz，超过人类反应速度）[6][10][11] - **泛化能力**：通过增强推理能力（如PALM-E引入大模型分析）实现任务迁移[6][9] **3 数据飞轮与硬件定型的关系** - **数据不足**是模型停滞的主因，需真机数据形成闭环，但当前硬件未定型导致数据采集风险高[3][15] - **特斯拉的核心作用**：硬件定型后，行业才能规模化采集真机数据，推动模型迭代[3][4][16] **4 模型架构演进** - 从**分层模型**（大脑与小脑分开训练）到**端到端模型**（联合训练，效果更优但难度大）[7][8] - **快慢脑架构**（如Helix）：快脑（80兆Transformer）+慢脑（7B BLM），数据回传实现200Hz高频动作[11][12] **5 数据采集的现状与挑战** - **数据类型**：低质量互联网数据（预训练）、仿真数据（成本低但真实性不足）、真机数据（质量高但效率低）[13][14][15] - **动捕设备**： - **光学动捕**（亚毫米精度，成本高，如青铜视觉、凌云光）[19][23] - **惯性动捕**（IMU，灵活低成本，如诺伊腾，特斯拉采购Xs为观察指标）[18][19] - 当前真机数据采集效率极低（每小时3-4条，单条成本超10元）[16] --- 其他重要内容 **1 未来大模型方向** - 融入更多模态（语言、视觉、传感器等）[20] - **世界模型**：用数学符号模拟物理规律，实现仿真数据≈真机数据（英伟达Cosmos目前效果不佳）[21] **2 国内企业布局** - **银河通用**：全仿真数据路线，发布Grasp VLA模型（无序抓取高成功率）[22] - **心动剂元**：ERA大模型采用双系统架构（快慢脑），早于Figure提出[22] - **天奇**：工业数据采集代工+仿真数据训练[24] **3 投资标的建议** - **动捕设备**：凌云光（光学动捕）、青铜视觉[23] - **摄像头**：阿比[26] - **遥操作**：当红科技、景业智能（工厂及协作场景刚需）[25][26] --- 关键数据引用 - 动作频率：RT2（1-5Hz）、派林（50Hz）、Helix（200Hz）[6][11] - 动捕成本：真机数据单条采集成本超10元，100台机器人日采8-10万条[16] - 光学动捕精度：亚毫米级[19]

行业与公司 - 行业：人形机器人、巨生智能大模型、遥操技术、动作捕捉设备[1][2][3][4] - 公司：特斯拉（硬件定型关键）、凌云光（动补设备）、奥维中光（摄像头）、当红科技（遥操技术）、景业智能（遥操技术）、银河通用（全仿线模型）、心动纪元（双系统架构模型）、智源（VRLA架构）、诺依腾（惯性动补）、青铜视觉（光学动补）[4][18][20][22] 核心观点与论据 巨生智能大模型发展 - **数据飞轮机制**：需足够多机器人应用收集数据，特斯拉硬件定型是关键，硬件定型后企业才敢投入数据中心建设[1][3] - **发展主线**：多模态（输入端信息丰富度增加）、动作频率（如Helix达200赫兹）、泛化能力（推理能力增强）[1][6] - **模型架构共识**：分层快慢脑VLA架构为标准框架，当前重点为数据训练（预训练低质量数据+后训练高质量真机数据）[14] - **发展阶段**：人形机器人处于L2阶段（类比自动驾驶），需硬件定型后转动数据飞轮[5] 模型对比与演进 - **CCAN**：分层结构，仅语言指令，泛化性弱[7][8] - **RT one**：端到端结构，新增图像信息，训练难度高但效果更好[7][9] - **Palm 一**：提升推理能力，模型体量大但模态不足[10] - **RT two**：融合动作信息与推理能力，动作频率仅1-5赫兹[11] - **Helix**：分层端到端架构（快脑80兆Transformer+慢脑7B VRM），动作频率达200赫兹[13] 数据采集挑战 - **真机数据**：质量最高但效率低（每小时每台仅3-4条有效数据，成本十几元/条），硬件未定型导致沉没成本风险[15] - **仿真数据**：成本低但存在"seem to real"差距，当前使用比例占90%（真机数据10%）[15][16] - **未来趋势**：结合仿真与真机数据，世界模型开发或使仿真数据成主流[16] 动作捕捉技术 - **光学捕捉**：高精度（影视/CG领域），成本数百万至上千万[17] - **惯性捕捉**：价格亲民（数万至十万），但受空间限制[17] - **领先企业**：凌云光、青铜视觉（国内光学）；诺依腾（国内惯性）；OptiTrack、Vicon（国外光学）；Xsens（特斯拉供应商）[18] 遥操技术 - **核心需求**：视频/音频数据快速压缩回传+低延时解压缩，确保实时性[4][21] - **应用场景**：中期工厂长线程遥操（如墨西哥工人操作美国机器人），长期人机协作安全接管[21] 大模型发展方向 - **模态扩展**：融入触觉（灵巧手）、嗅觉、温湿觉等，现有VELA架构（视觉+语言+动作）[19] - **世界模型**：用数学符号表达物理规律，提升仿真精准度[19] 其他重要内容 - **政府支持**：北京/上海拨款支持动作捕捉技术，公开部分采集数据[18] - **标的推荐**：动补设备（凌云光）、摄像头（奥维中光）、遥操技术（当红科技、景业智能）为产业链核心关注点[22]

核心观点 - 特斯拉从2016年提出"Uber+Airbnb"共享电动车概念，到2024年转型为Robotaxi战略，通过纯视觉+无方向盘设计重新定义L4自动驾驶赛道[1][3][7] - 公司采用"数据飞轮"模式，仅用视觉传感器和Dojo超算实现算法迭代，相比Waymo等对手具有显著可扩展性优势[14][16][17] - 目标是通过OTA将数百万量产车升级为L4 Robotaxi，实现从几千台到数百万辆的指数级规模跃迁[15][21][25] - 当前试运营使用20辆改款Model Y，定价4.2美元/单，目标成本0.2美元/英里，计划2026年推出无方向盘Cybercab主力车型[9][27][28][35] - 机构预测美国Robotaxi市场将以90%年复合增长，2030年达70亿美元规模，但当前全球运营车辆不足1万台[45][44] 技术路线 - 采用纯视觉方案替代多传感器融合，通过HW4芯片(500-700TOPS)和Dojo超算支撑AI训练，HW5算力将超2000TOPS[20] - 2023年起在北美测试FSD无人监督版本，已实现从产线到客户的全自动交付[18][23][24] - 端到端AI模型通过海量数据自主学习，无需硬件改装或城市测绘，形成"数据-训练-部署"闭环[14][20][21] 竞争格局 - Waymo现有车队约2000辆，完成1000万订单；百度萝卜快跑达1100万订单，小马智行等中国公司加速中东布局[43] - 特斯拉凭借35%硬件成本优势和数据规模效应，可能形成赢家通吃局面[38][42] - 行业仍处投入期，小马智行Q1净亏损同比扩大80.77%，单位成本需十年才能优化至理想区间[51][52] 商业化挑战 - 需突破用户信任鸿沟，证明纯视觉方案安全性与多传感器方案相当[49] - 监管审批是规模化首要障碍，需符合各地上路标准[50] - 当前试运营限于德州奥斯汀指定区域，面积仅为Waymo一半[9][34]

工业AI的产业革命 - 工业AI正在以沉稳深刻的方式加速变革制造业，区别于生成式AI在内容产业的快速渗透[1] - 制造业存在"动脉血"(可见生产力)和"静脉血"(隐性经验知识)的双重结构，后者决定产品良率和竞争力[1] - 通用大模型难以捕捉工厂特定场景的工艺参数等隐性知识，形成工业AI落地的主要障碍[1] - 鼎捷数智发布企业级AI套件，旨在打通工业的显性与隐性知识体系[1] 鼎捷的破局方法论 - 采用"解耦式架构"分离知识库与执行器，实现模块化升级和行业适配[4] - 构建"三层火箭"产品矩阵：智能数据套件→企业智能体生成套件→AIoT指挥中心[5] - 智能数据套件已完成20多个主题域覆盖，沉淀6000+数据元和54个模型[7] - 首创MACP协议实现多智能体协同，案例显示经营决策效率从1周缩短至实时[8][10] - 工业机理AI融合物理模型与数据模型，实现工艺参数的数字化传承[12][13] 工业知识数字化技术 - 多模态采集技术单次可获取5种模态的工艺数据[14] - 构建严格的三元组知识图谱(如<工序A, 温度, 730℃±5>)确保精度[14] - 采用RAG技术平衡AI能力与数据安全，避免核心工艺外泄[15] 实际应用案例 - 嘉利股份改造后人均产值提升20%，不良率下降20%，获"未来工厂"称号[19] - 英飞特借助鼎捷平台用10人团队9个月完成原需600人维护的全球系统替换[21][23] 商业模式变革 - 从项目制转向平台订阅(AAR)+AI调用+生态分成的收入结构[25] - 形成数据飞轮效应：客户越多→模型越准→吸引力越强[26] - 估值逻辑可能从PE转向PS或ARR倍数[27] 行业竞争焦点 - 竞争维度从软件功能转向行业Know-how的AI化能力[28] - 决胜关键包括算法信任度、知识更新机制和生态繁荣度[28]

制造业机器人应用加速 - 智平方与东风柳汽签署战略合作协议，将具身大模型机器人"爱宝"投入汽车制造工厂，这是国产具身大模型首次获得汽车制造全场景验证 [1] - "爱宝"将在东风柳汽多个车间承担上下料、拖拽料车、贴挡风玻璃标签、收纳保护布等任务，覆盖装配、检测、物流和运维多个环节 [3] - 这些任务具有非结构化、长流程、多变动的特点，需要机器人具备多模态感知与运动控制能力 [5] 机器人从演示走向实战 - 机器人产业正经历从"能演示"向"能交付"的关键阶段，2024年国内人形或移动机器人企业已开启多个工厂合作项目 [3] - 任务类型从简单的搬运向质检、装配、运维等复杂工序延展 [3] - 具身智能技术正从"大模型+演示本体"转向"任务分解+现场部署"的新阶段 [5] 具身大模型的技术优势 - "爱宝"搭载的GOVLA具身大模型支持34+自由度全身协同控制，具备360°全域自主导航与多任务长链操作能力 [5] - 相比传统单臂机械臂，具身机器人强调"泛场景部署"与"自主适应"，可减少二次编程成本，提高部署效率与复用率 [5] - 2025年被视为"人形机器人量产元年"，量产标准从走路、起身转向具备"认知+动作"复合能力的交付闭环 [5] 数据飞轮驱动模型进化 - 部署机器人的长远目标是构建真实场景中的"数据飞轮"，通过海量、高质量、多样化的真实数据喂养AI大模型 [6] - 东风柳汽工厂提供高密度、全流程作业场景，机器人采集的数据包含动作轨迹、视觉误差、任务成功率等，具有显著训练价值 [6][8] - 智平方通过"技术-场景-数据-模型"的正向循环，用场景驱动模型演进，用模型反哺产品部署 [7] 行业竞争与挑战 - 宇树、加速进化、众擎等厂商已进入物流、动力电池等产业线协作试点 [5] - 加速进化的T1机器人在多个真实场景中部署，积累了"高碰撞率"数据 [7] - 能否构建长期有效的数据闭环是区分机器人公司"能量产"与"能泛化"的关键门槛 [7]