机器人行业技术发展 - 机器人操作认知需解决泛化性和鲁棒性两大核心问题 泛化性要求机器人理解见过和未见过物体 鲁棒性确保任务稳定执行[1] - 限制机器人"大脑"成熟的关键因素在于具身模型架构与数据闭环迭代 而非芯片算力和硬件[1] - 行业对机器人智能化提升保持信心 重点关注数据规模 数据类型和大脑结构选择[1] 穹彻智能技术突破 - 公司开发出泛化性极强的机械臂控制技术 在柔性物体操作和食材处理场景展示技术通用性 如叠衣服和削黄瓜[2] - 提出"数字基因"框架 将具身智能从语言理解推进到说明书级执行 使机器人能按说明书稳定通用地执行任务[2] - 数字基因方法将物体解析为程序化模板 统一表达结构 功能 可供性和操作属性 形成万能说明书[4] - 该方法大幅降低操作数据生成成本 从手工生成的150元/2小时降至0.006元/秒（单GPU） 成本降低1万倍 实现数据资产规模化[4] - 自研端到端力位混合机器人行为模型 实现抓取 折叠 刮削等技能 在食品加工行业落地百套规模[6] 应用场景进展 - 双臂自适应机器人平台可完成开关冰柜 手工舀挖冰淇淋 清洗挖勺等连续复杂任务[6] - 机器人挖冰淇淋球时实时判断厚度和颜色状态 自主规划取料位置与路径 并随表面起伏调整力度[6] - 操作接触时间从秒级短程接触提升至分钟级长程接触 要求每毫秒对结果负责 模型优化难度几何级上升[6] 行业融资环境 - 2024年美国私人AI投资达1091亿美元 中国为93亿美元 差距近12倍[7] - 国内单个具身智能创业公司融资额约为美国同行的七分之一[7] - 与大模型和自动驾驶赛道相比 国内具身智能融资规模仍偏弱[7] 企业发展策略 - 在资金约束下 企业需依靠科学见解和技术路线判断进行聚焦 而非盲目试错[8] - 技术决策需具备顶尖科学素养和前瞻判断力 谨慎选择技术路线[8]