值得一提的是，今年特别推出"中国绿色生态、中国科技创新、中国出海、中国知识产权"等十大影响力专项榜单，用以表彰那些重视科技研发、推动绿色 可持续发展、积极拓展国际市场的优秀品牌。宁德时代（300750）、凤凰卫视、华润知识产权和呼伦贝尔农垦等品牌荣膺入榜。既保证了奖项的全面性， 也使榜单有了独特视角。在评估品牌忠诚度时，参考了我信品牌(iTrust Rating)评级数据；在评估品牌领导力尤其是ESG（环境、社会和治理）表现时，参 考了超级财经(SuperFinance)ESG数据库。品牌影响力评估则借用了BrandAI的先进模型，涵盖AI对品牌的创意、视觉、数据分析与检测等多维度指标，确 保评选更具科学性和时代性。 世界品牌实验室的一项新研究发现，全球供应链流程中，通过数字孪生模型展示道德采购和可持续发展实践的全球品牌，可以提升其品牌形象，并吸引有 社会意识的消费者。麻省理工学院(MIT)数字供应链转型实验室主任玛丽亚 萨恩斯教授（Prof. Maria SAENZ）认为，人工智能不仅仅是一种工具，更是一 个能够感知、互动、适应和学习的动态伙伴。人机协作能极大提升供应链的韧性和创新能力，从而做出更明智的运营 ...

事件概述 - AI辅助人类数学家团队在48小时内攻克了已悬置50年的数学难题Erdos1026问题，并给出了正式证明 [1][4] - 该问题由传奇数学家保罗·埃尔德什于1975年提出，在2025年12月被快速解决 [5] 问题定义与转化 - 埃尔德什原问题较为模糊：给定一串不同的实数，定义S为所有单调子序列（递增或递减）的最大可能和，探讨该函数的性质 [7] - 问题被清晰化为一个游戏：Alice将N枚硬币分成n堆，Bob可选取一个单调的子序列拿走硬币，研究Bob至少能拿到总硬币数的比例c(n) [7] - 当n为平方数时，例如Alice将硬币分成k²堆并特定排列，Bob最多拿到1/k的比例，即c(k²) ≤ 1/k [10] - 已有研究给出下限：c(n) ≥ (1/√2) / √n，因此√n·c(n)的极限值在1/√2和1之间 [10] 关键进展与猜想 - 通过手算小n值得到：c(1)=1, c(2)=1, c(3)=2/3, c(4)=1/2, c(5)=1/2, c(6)=3/7 [11] - 基于数据，Stijn Cambie提出猜想：c(k²) = 1/k，这意味着当n很大时，Bob能保证拿到约1/√n的比例 [11] AI的介入与证明 - 2025年12月7日，Boris Alexeev使用AI工具Aristotle在证明辅助语言Lean中自动证明了c(k²)=1/k [12] - 几乎同时，Koishi Chan给出了一个优美的人类证明——“膨胀法” [12] - 随后发现，该结果其实已存在于2016年的一篇论文中，并引用了更早的“膨胀法”工作，只是未被链接到埃尔德什的原问题 [12] - 陶哲轩使用另一个AI工具AlphaEvolve探索c(n)，通过让AI尝试构造使S尽量小的序列，得到了n=1到16的数值结果 [13][15] - 从AI生成的看似杂乱的分数序列中，Boris Alexeev提炼出精确公式：c(k²+2a+1) = k / (k²+a)，其中 -k < a < k [17] - 该公式对应的1/c(n)图像，正是对√n的分段线性逼近 [19] 与经典问题的关联及最终证明 - Lawrence Wu指出，该问题等价于一个正方形填充问题（埃尔德什问题106） [21] - 他证明c(n) ≥ 1/f(n)，并展示了如何从AlphaEvolve给出的序列构造出正方形填充 [22] - 通过AI深度搜索，找到了2024年Baek、Koizumi、Ueoro的论文，其中证明f(k²+2c+1) ≤ k + c/k [24] - 结合Praton的嵌入论证，恰好给出c(k²+2a+1) ≤ k/(k²+a)，与之前得到的下界吻合，猜想完全得证 [24] 协作模式与影响 - 陶哲轩强调，此次成功依赖于汇聚了不同背景的人、文献和工具的协作网络，所有关键环节在48小时内完成 [24] - 传统模式下，一两位数学家凭借简单工具可能需要数周甚至数月才能完成 [4][24] - 此次协作遵循了“平衡的AI政策”，鼓励公开说明AI的使用情况并反对隐瞒，同时要求用户自行仔细核查AI生成的内容 [25][27] - 这标志着一个数学研究新范式的开始，即人机协作能极大加速研究进程 [1][25]

文章核心观点 - 文章探讨了以财经作家吴晓波为代表的传统内容创作者在AI驱动的媒体工业化浪潮下面临的挑战与定位 文章认为AI在内容生产的效率、规模与成本上具有压倒性优势 但人类创作者在基于生命体验的洞察、战略判断和价值观引领等方面仍具独特价值 未来的趋势是人机协作 各自发挥比较优势[1][2][4][6][9][10] 一个财经作家的倔强 - 资深财经作家吴晓波坚信AI不可能写出比他更好的财经作品 这被视为一种坚守文字手工艺的“倔强”[1][2] - 吴晓波自2001年起坚持每年写作一本书 每年采访上百家企业 保持着高强度的内容输出[2] - 其写作习惯严谨且投入 每天在书房工作约8小时 这种“匠人精神”是其创作的基础[2] 媒体工业化浪潮已至 - 媒体产业正经历一场深刻的工业化革命 核心特征是内容生产的标准化、规模化和人机协同化 AI已成为内容生产线上不可或缺的环节[4] - AI在优秀财经写作的多个要素上正以指数级速度逼近人类水平 包括准确的数据、严谨的逻辑和生动的叙事[4] - AI能瞬间分析百家上市公司财报 能在分钟级别生成行业分析报告 能根据用户偏好定制个性化内容[4] - AI在效率上具有压倒性优势 因为它不眠不休 不计报酬 不会情绪化 且能保持稳定的输出质量[5] 匠人精神还是人机协作 - 面对AI浪潮 更理性的选择是思考如何在人机协作的新生态中重新定位人的价值[6] - 吴晓波高度结构化的素材整理方式与AI的数据处理逻辑有天然契合度 预示了人机协作的可能性[6] - 在未来财经内容生产链中 AI可承担基础信息收集、数据初步分析、初稿生成等标准化工作 而人类创作者可专注于战略判断、深度访谈、逻辑框架构建和价值观引领等更高层次的创造性劳动[6] - 理想状态是匠人精神与人机合作结合 如同现代制造业流水线 各自发挥比较优势 共同提升产业效率和品质[6] 个体的坚守与产业的进化 - 吴晓波等一代财经作家的独特价值在于其亲身经历中国商业从荒芜到繁盛的全过程 其文字包含时代的体温和个体的情感体验 这种基于生命体验的洞察力是当前AI难以完全复制的[7] - 媒体产业进入工业化时代后 市场面临选择：是否愿意为人类创作的“手工艺品”支付溢价 用户是否愿意放弃秒级获取80分分析 去等待数天获取可能95分但方差更大的深度解读[7] - 这是所有内容创作者共同面临的时代命题[8] 未来已来，唯变不变 - 历史表明 每次技术革命都会重塑产业格局并重新定义从业者价值 例如古登堡印刷术、互联网 以及现在将内容生产带入工业化时代的AI[9] - 面对变革 从业者会有不同选择 或坚守旧时代 或拥抱变化开创新局 没有绝对对错[10] - 对吴晓波这类创作者而言 真正挑战在于能否在产业大变革中找到自己的独特位置 并将多年积累转化为新时代的竞争优势[10]

文章核心观点 - Kosuge教授及其团队历经六年研发，将2019年提出的协作机器人（Co-worker Robot）构想具体化为基于AI的智能缝纫系统，旨在解决全球服装制造业的劳动力短缺与自动化瓶颈问题 [2][3][4] - 该系统聚焦于被视为“软材料处理终极挑战”的服装制造领域，特别是汽车座椅套等高端市场，通过免夹具、免编程的3D缝纫技术，实现小批量、多品种的柔性生产 [8][9][17] - 技术的核心价值在于赋能工人而非简单替代，通过降低对工人技能的依赖并提升单人管理多工序的效率，同时有望通过颠覆性的成本结构和轻量化商业模式（如按需付费）推动商业化 [19][20][37] 技术演进与核心理念 - 研究从2019年提出的“Co-worker Robot PaDY”框架演进而来，核心理念是让机器人从替代重复劳动转变为在个人赋能、社会价值和国际竞争力三个维度上重构制造业未来 [5][8] - 经过六年技术深耕，团队将场景聚焦于服装制造，旨在破解该行业自动化率极低（2025年仍为个位数）的难题，其SewingDX项目目标是实现免夹具和去技能化的织物加工关键技术 [8][9] - 技术哲学在于尊重软材料的“无限自由度”，放弃用刚性夹具去“征服”的传统思路，转而通过智能系统适应布料的特性，从而释放自动化生产的灵活性 [8] 智能缝纫系统的技术突破 - **无源抓取技术**：采用名为“PAL Grip”的无源末端执行器，利用不同织物层间的摩擦系数差异实现选择性抓取，成本低、无需布线、通过更换指尖模块可适配数十种面料 [12][13] - **布料对齐与除皱技术**：使用集成吸附装置和激光厚度传感器的“RollUP”机构，能吸附、卷起并对齐布料，通过实时监测和容错系统确保高成功率，并利用双臂机器人协调施加微张力以消除褶皱 [14][15] - **3D缝纫与闭环控制**：破解了缝纫机送料系统的核心控制难题，通过专门设计的控制器实现系统线性化与稳定性，使缝纫机可根据布料实际位置动态调整 [15] - **高速视觉引导**：系统以每秒20针（每分钟1200针）的速度进行3D缝纫，同时由高速相机以120次/秒的频率检测布料边缘，视觉延迟仅8-10毫秒，即使初始放料有偏差也能在3-5针内自动收敛到目标轨迹 [16] - **核心机构创新**：在缝纫针附近设计了一种特殊的、极简的“机器人化机构”（采用线接触方式），而非使用昂贵的通用机械臂，以确保布料绕针旋转时不产生褶皱，这是解决软布料变形的关键，但目前具体机械原理属于商业秘密 [27][29][30] 目标市场与商业化潜力 - **首选切入市场**：汽车座椅套被确定为最佳商业化切入点，预计到2028年，全球汽车座椅市场规模将逼近30亿美元，仅配套缝纫设备就有3.63亿美元的市场空间 [9] - **市场契合点**：汽车座椅套具有产量大、产品价值高、3D曲面复杂但有规律性的特点，正好匹配该缝纫机器人技术的优势 [9] - **成本优势**：通过模块化设计和供应链优化，系统总成本有望控制在传统基于夹具的自动化方案的一半以下 [19] - **商业模式创新**：系统“无需编程即可操作”、“可与不同形态的机器人硬件适配”的特性，为“按需付费”或“卖缝纫能力”的服务模式提供了技术基础，可降低工厂的初始投资门槛 [19] - **市场驱动力**：欧盟国家及传统低成本地区劳动力成本持续攀升，与不断增长的市场规模形成对比，构成了自动化缝纫系统商业化的关键推动力 [22] 竞争格局与行业挑战 - **现有竞争**：基于夹具的缝纫机器人解决方案已主导市场十多年，既得利益方的商业模式建立在销售模板与复杂系统之上，可能对突破性技术持保留态度 [18] - **成本结构**：目前系统中计算机系统是最昂贵的部分，此外传感系统、控制器和机械机构也占显著成本 [18][34] - **技术极限**：团队正尝试用Transformer模型解决软面料的动态规划问题，但训练数据收集极其困难，因为每块布料的物理属性都不同，传统仿真难以复现 [22] - **市场接受周期**：制造业决策周期长，尽管技术演示已吸引多家头部企业（包括欧盟最大汽车座椅制造商）的关注，但投资转化仍需时间 [18][22] 发展计划与未来展望 - **近期计划**：团队计划尽快完成融资，用于招募软件和机械工程师，目标在1-2年内实现首批产品的产出 [22] - **技术扩展**：正在开发新技术以解决不等长弹性布料的缝合问题，相关论文已被接收，未来系统将更好地支持工业4.0的按需生产模式 [32] - **场景聚焦**：目前全神贯注于工业缝纫应用，暂不考虑家庭场景，因为工业与家庭场景的安全逻辑和成本要求完全不同 [20][33] - **多机器人协作愿景**：未来技术路线可能引入具备双臂协调能力的移动机器人或人形机器人，在不同工序间流转，以完全替代人工操作员，但这属于长期愿景 [38] - **合作与生产**：已找到拥有专业工程团队的公司合作，对系统进行重新设计和产品化，并认为中国在制造方面具备极好的合作潜力，但需谨慎保护核心技术不被仿制 [35]

人工智能对就业市场的影响与性质 - 人工智能特别是大语言模型的出现已经对就业市场产生影响 但该影响并非单方面的 不能简单定义为有利或破坏就业 任何颠覆性技术都是“双刃剑” [3][7] - 人工智能对就业的影响在中国尚未充分体现 但预计很快会产生影响 若处理不当 可能导致劳动力市场两极分化 [1][5] 应对人工智能就业挑战的“三驾马车”策略 - 第一驾马车在“事先” 即在技术与劳动力进入市场前 需处理好两者关系 在人工智能行业称为“对齐”或“对标” 强调人工智能发展应对标就业优先发展 [4][7] - 第二驾马车在“事中” 即当人工智能与人类劳动力共同进入市场时 需实现最佳匹配与人机协作 其核心在于人力资本的培养 [4][7] - 第三驾马车在“事后” 即无论采取何种措施 最终结果仍可能存在弊端与两极分化 因此必须建立普惠的社会保障制度以“抑恶扬善” 从而充分发挥人工智能优点并分享其红利 [4][7]

赛事概述 - 赛事名称为RoCo Challenge 2026 (Robotic Collaboration Challenge)，由南洋理工大学感知与具身智能实验室、A*STAR、卡耐基梅隆大学等机构联合主办，旨在推动机器人在复杂生产与操作环境中的自主决策、协同规划与安全交互能力的研究与落地 [1] - 赛事核心主题为“人机协作装配”，围绕齿轮箱装配场景，考察机器人在预测与协助、人机交互、错误检测与恢复、自主延续等关键环节的智能协作能力 [5] - 赛事总奖金为2000美元，优胜队伍将获得在AAAI 2026主会场特设环节进行成果演示的机会，其作品还将被推荐至顶级学术期刊与开源社区展示 [2] 赛道设置与任务 - 赛事包含仿真和现场两大赛道，覆盖从虚拟仿真环境中的人机协作任务规划到真实机器人平台的多模态操作执行等环节 [1][5] - 仿真赛道任务分为三大场景：从零装配（机器人需自主完成整个装配流程）、部分续作（机器人需感知当前状态并正确衔接后续步骤）、错误检测与恢复（机器人需识别并纠正系统注入的错误） [7][10] - 现场赛道将在新加坡ARTC (Advanced Remanufacturing and Technology Centre) 举办，机器人需与人类操作者通过手势等交互指令协同装配标准化齿轮箱套件 [12] 赛事日程与安排 - 赛事分为三个阶段：Phase A 公布与注册（2025年11月10日开始）、Phase B 线上赛（2025年11月至2026年1月10日）、Phase C 现场总决赛（2026年1月24–26日于新加坡ARTC举行） [13][14][15] - 最终成绩将在AAAI 2026特设环节公布，入围决赛的团队将受邀前往新加坡ARTC参加现场总决赛，并在AAAI 2026 Human-Centric Manufacturing Workshop进行成果演示 [12][13] 行业背景与目标 - 随着具身智能与大模型技术的快速发展，机器人正从执行工具迈向具备理解与协作能力的智能体，实现高效、安全的人机协作成为智能系统在工业制造、服务机器人等领域落地的关键挑战 [5] - 赛事旨在构建统一的评测平台，推动机器人在复杂环境下的感知、规划与协作研究，聚焦多模态理解、任务共建与人机互动等前沿议题，以助力智能制造与具身智能的发展 [5]

企业采用意愿与市场潜力 - 62%的受访企业计划在未来三年内部署人形机器人，显示出强烈的采用意愿和巨大的市场潜力[1] - 具体部署计划为：12%的企业在2025年投资，29%在2026年，21%在2027年[4] - 物流仓储、制造业和客户服务是未来三年最可能部署的领域，采用率分别达到85%、79%和70%[11] 产品类型部署趋势 - 复合机器人（移动底座+机械臂）采用速度最快，21%的企业计划在2025年部署，2026年扩大至48%，2027年达到64%[3][4] - 轮式人形机器人的部署比例为2025年8%、2026年37%、2027年58%[7] - 双足机器人部署比例最低，为2025年6%、2026年17%、2027年41%[9] - 企业对轮式人形机器人的部署意愿（21%）强于双足机器人（3%），37%的企业预计同时部署两种类型[4] 产品成熟度与满意度 - 仅有23%的受访者对当前人形机器人产品表示满意，53%持中性态度，25%表示不满意[1][14] - 制造业企业满意度相对较高，而工业和服务业企业表现出净不满意状态[16] - 在性能指标的"优秀/良好"评价中，只有42%-57%的潜在采用者给出正面评价，表明产品改进空间巨大[18][24] 性能需求与成本门槛 - 人机协作能力（70%）、物联网集成（57%）、精细操作能力（57%）和自学习功能（49%）是最受期待的功能改进方向[18] - 92%的受访者认为人形机器人单价需降至20万元人民币（约2.8万美元）以下才能实现大规模采用，其中40%的企业认为10-20万元是理想价格带[18] - 可靠性和安全性（83%）、预期应用和功能性（79%）、总成本（75%）和投资回报率（64%）是企业最重视的采购决策因素[25] 品牌格局与市场关注度 - 宇树科技是参与度最高的集成商，60%的可能采用者与其有接触，其次是云深处(28%)、优必选(23%)和美的(17%)[20] - 宇树科技在未来三年增加部署的前景展望中处于领先地位(47%)，其次是云深处(15%)和优必选(11%)[22] - 优必选在可靠性（82%）和功能性（64%）方面表现突出，而其他厂商在各项评价中差异不大[18][24] 投资前景与策略 - 行业长期前景积极，但产品化进程仍处于早期阶段，规模化放量需要时间[3][27] - 该主题预计在2026年保持市场关注度，主要驱动因素包括科技巨头新产品推出、政府补贴政策扩大及相关企业IPO等[27] - 投资策略更偏向于广泛应用的零部件厂商，这些公司将更早受益于行业发展，因核心器件需求将率先放量[3][27]

文章核心观点 - 智能建造机器人在建筑工地应用取得显著成效 在效率、质量、安全方面相比传统人工施工展现巨大优势 并获得一线工人的高度认可[3] 抹灰机器人性能表现 - 施工效率极高 人工需一天的工作量抹灰机器人仅需2小时即可完成[3] - 人机搭档模式使整体施工效率翻了两倍多[3] - 施工质量稳定且高于验收标准 机器人抹灰垂直度平整度误差大部分可做到垂二平二 优于允许偏差不超过4毫米的垂四平四标准 具体测量误差为1.8毫米[3] - 机器人用力稳定均衡 有效避免了人工因力道差异可能导致的开裂空鼓等后期问题[3] 抹灰机器人安全与操作特性 - 机器人无需依赖脚手架即可进行5米高墙面施工 消除了工人攀爬脚手架的安全风险[3] - 工人可站在升降机上完成边角修补精细活 安全性大大提升[3] - 机器人外形尺寸为长宽均约1米 高约1米8 体形与家用双开门冰箱相近[3] - 操作方式为工程师轻点机器屏幕设置参数后 机械臂即可自动进行砂浆均匀喷涂[3] 行业应用与工人反馈 - 抹灰机器人获得拥有二十多年经验的泥工老师傅高度认可 从认为机器人施工是噱头转变为积极希望学习操作技术[3] - 建筑行业"机器军团"还包括地坪研磨机器人等其他智能装备 能智能规划路径、自动调压研磨[3] - 地坪研磨机器人粉尘控制效果显著 作业区PM2.5浓度可控制在个位数 对工人健康更友善[3]

文章核心观点 - 麦肯锡全球研究院报告提出未来工作范式将是人类、AI智能体与机器人三者深度协作，而非简单替代 [2] - 这种价值协作重构是解锁巨大经济潜力的关键，预计到2030年在美国每年可释放约2.9万亿美元经济价值 [2] - 工作内容将经历从“任务执行”到“系统编排”的深刻转变，人类需学会与非人类智能体协作共处 [2][3][4] 自动化技术边界与职业影响 - 现有技术能力理论上可自动化美国约57%的工作时长，但重点是工作内容“重组”而非消失 [3] - 报告构建七种全新工作原型，其中“以人为中心”职业占34%，“以智能体为中心”职业占30% [3] - 物理机器人短期内难以完全自动化涉及精细运动技能和非结构化环境的工作（占美国工作时长35%） [4] 技能需求变化趋势 - 高度专业化、规则明确的硬技能受自动化影响最大，而依赖人性的软技能最“安全” [5] - 雇主对“AI流利度”需求激增近七倍，成为增长最快技能类别 [5] - 约72%现有技能既可用于自动化也可用于非自动化工作，使用方式发生根本转变 [6] 工作流程重构价值 - 真正生产力飞跃来自围绕人、智能体和机器人重新设计业务工作流程，而非单个任务自动化 [8] - 约60%潜在经济价值集中在行业特定垂直领域的工作流程重构中 [8] - 临床研究报告流程重构使人工接触时间减少近60%，错误率降低50% [8] 组织与领导力转型 - 仅不到40%企业报告了可衡量AI收益，因大多数仍停留在“技术争论”阶段 [9] - 未来管理人员需具备“双重双语”能力，既懂业务逻辑又懂机器语言 [10] - 绩效评估系统需转向衡量人类对AI输出的优化程度及关键决策判断力 [10]

文章核心观点 - 人工智能在软件产品开发中的广泛应用，可能导致产品经理、用户体验设计师和软件工程师等角色过度依赖AI而形成“人-智能体烟囱”，即单人决策孤岛，这并非最大风险[1] - 真正的机遇在于利用AI工具引导和增强人类优势，在多元思考者之间建立更丰富的协作，而非追求单一角色的能力扩展[1] - 在AI时代，决定团队能否脱颖而出的关键不在于使用哪些AI工具，而在于如何使用这些工具来促进协作和创新[3] 各角色的独特价值与AI影响 - 用户体验设计师在EPOCH框架（衡量共情力、存在感、见解力、创造力、希望力）中平均分最高，尤其在“共情力”和“创造力”方面表现出色，这些以人为本的元素是AI难以复制的[5] - 产品经理在EPOCH框架中得分略低于用户体验设计师，但在五种能力上均获高分，属于高度依赖人类且难以自动化的角色[5] - 软件工程师在“创造力”和“见解力”方面得分较高，在“共情力”和“存在感”方面得分中等，因此也不易被自动化取代，但非常适合由AI辅助[7] - 对共情、判断或创造力需求较弱的任务（如信息收集、总结、常规起草）更容易被自动化，但短期内这三种角色都不容易被AI取代[7] 角色融合的趋势与驱动因素 - 产品经理、用户体验设计师和软件工程师的角色正走向融合，主要驱动因素有两个：产品类型的转变以及AI工具拉平了技能差距[8] - 产品焦点从设计用户界面转向设计“人机系统”，新的设计问题（如AI自主权、人机安全交接）将重新分配各角色的职责[8] - AI工具帮助缩小个体技能差距，使得刚接触产品工作的人也能起草可靠的需求文档，这同样适用于不同学科[8] - 融合后的角色可能统一负责“体验与性能集成”，即平衡易用性、系统约束与产品产出[9] - 对于初创公司或小型团队，这种融合可让端到端决策更快；对于大型企业，传统结构可能持续更久，但主导权将转向管理“人机契约”的人[9] AI时代的新型协作原则与风险 - AI的真正优势在于连接不同观点并将集体智慧转化为创新，研究显示AI增强型团队能更有效地沟通并减少“烟囱思维”[12] - 最成功的团队将共情力、创造力和技术精度与AI的速度和规模融为一体，其成功取决于成员间如何协调、辩论和互相信任[12] - 新型协作需关注四大关键领域：人机任务划分、交互与解释设计、模型生命周期治理、数据和反馈工程[13] - 团队协作需遵循以下原则：共享心智模型、清晰的决策权重和控制权、透明度和问责制、跨角色沟通、维护创造力和多样性[15][16][17][18][19] - 过度依赖AI存在风险，哈佛商学院研究发现，顾问在超出AI能力范围的地方使用AI，准确率会下降19个百分点[10] - 缺乏AI素养（滥用或不理解如何应用AI）以及AI模式驱动特性导致的思想同质化，都是新的挑战[10][11]