不止具身，AI賦能製造，構築產業發展新優勢_風聞

2025年，一場由技術聚變催生的生產力革命正以前所未有的烈度重構中國經濟版圖。AI撕裂數據與實體的邊界，量子計算探索物理規則的邊緣，綠色科技重塑增長的倫理、低空經濟、機器人、大模型打開科技躍遷的大門一2025年的中國，新質生產力已非單純的技術選代，而是智能文明與產業基因的共振裂變。在這個大背景下，中國企業需要以智慧為座標，穿透技術、組織與商業模式的“三重結界”，在數字與實體的糾纏中鍛造新物種。

2025年7月25日，由融中財經、上海天使會主辦的“2025中國科創夏季投資峯會——AI未來創新企業峯會”在上海盛大舉行。

本次峯會將着力打造產業活動與資源的對接平台，圍繞AI算法算力、大模型以及應用開展話題討論，將邀請國內外頂尖創新與商業領袖，人工智能鏈主和龍頭創新企業以及上市公司、資本大咖齊聚一堂，共同展望2025產業發展、技術創新以及戰略性新興產業發展的前景。

會上，由瓦特曼副總裁李碩作為圓桌主持，芯控智能創始人，CEO陳立，東聲智能創始人，CEO韓旭，研視科技董事長兼總經理宋俊，雲跡科技副總裁謝雲鵬，帕西尼感知科技創始人兼CEO許晉誠，設序科技聯合創始人、首席產品官楊慶保作為嘉賓參與討論，圍繞“不止具身，AI賦能製造，構築產業發展新優勢”為題進行了精彩的討論與分享。

以下內容由融中財經整理。

具身智能落地工業，價值場景正加速打開

李碩（圓桌主持）：今年我們看到具身智能無論在項目上還是曝光度，以及投資熱點上，都是非常火熱的。隨着這些應用的豐富，比如在智能倉儲物流、智能裝配等一系列場景中，具身在工業製造中的應用空間和機遇主要體現在哪些方面，以及我們在過程中為客户創造了什麼樣的價值，以及未來的發展方向是如何的？

陳立：我們大部分的客户在汽車廠，有汽車製造主機廠和零部件商以及設備集成商；像汽車主機廠，理想、小鵬、奇瑞、吉利等都是我們的客户，而且長期使用我們軟件。這些大型客户在芯控軟件的使用中也得到了相應的好處和便利性，比如快速方案搭建、AI Coding、自生成程序、數據管理這方面。

在汽車行業，工業機器人的硬件本體有一部分過剩，本體從2萬小時收米到8萬小時以上，比如説FANUC能做到10萬小時，代表的是三代的汽車產品能持續使用這個硬件。硬件過剩後，這個工業大腦變得越來越重要了，怎麼能讓這個大腦控制工業機器人在類似的場景裏重複去搭建新的生產用於新的車型？這就變成了比較好玩的課題。存量市場，比如像吉利杭州灣工廠有2萬多台機器人，但18月要換車型出一次，留給生產的只有6個月；以前的設計時間非常漫長、生產時間非常漫長，怎麼通過軟件數據的沉澱，軟件自生成新產品的機器人軌跡程序，讓它的調試時間從原先的兩個月變成一上午就能看到大致結果；汽車生產量從原先的300台變成350台，這是通過軟件賦能才能達到的。

韓旭：我們專注工業有十幾年，我們看到無論是消費電子還是汽車、鋰電，雖然大家現在生產製造的自動化水平已經非常高了，但我們看到還有大量的工人在現場，為什麼上下料還是對設備的操作，以及物料的搬運，我們看到這也是具身智能在工業應用時非常需要的缺口。就像3C領域有一個客户目前放出來的需求就是一個工廠要幾千台，因為這個動作非常簡單，我只需要針對這個工位物料靈活的上下料。剛才宋總問上下料六軸能不能搞定，其實那些都屬於把程序寫死了的，你的產品流過來，我固定的程序把它放到哪個夾制具上，其實有不同的工位，有不同的料，甚至是前道工藝處理完，你要把推盤搬過來，搬過來之後再一個個上。

包括汽車各個領域，這也是我們看到具身智能在垂直領域發現有很大的落地空間和市場的訴求。

宋俊：接着韓總的話，我們也是服務於工業的，但我覺得工業這個概念非常大，工業裏面包含了147個門類，每一個門類所需要的技術和場景的特點，包括對技術的接受程度、適配性其實是不一樣的。

今天我在這裏不敢妄談工業，我只講我熟悉的領域，我們公司一直是服務於冶金鋼鐵行業的。我們這邊是重工業，包括對具身、人形的應用有天然的侷限性，主要是機器人的負載以及場地工況惡劣的程度，和大家傳統理念認知的不一樣。

我覺得對於一個行業裏面使用新技術，不管是具身、人形還是AI，真正要回答的問題是給用户提供的價值流怎麼體現。從製造業角度來説，製造業無非是分為兩種，一種是流程製造，一種是離散製造。像我們我們所處的這個鋼鐵行業，它是一個典型的長流程的一個製造。流程製造當中最重要的其實是提流程穩定性。

許晉誠：在汽車領域我提幾點，在那種對於人而言比較危險和高危的領域，比如組裝電池，它是相對具備高度價值的，可能在安裝中需要對應各種突發狀況，需要高泛化模型，或者本體的感知能力需要做提升。在組裝的過程中，它伴隨的危險能不能把人給去掉，直接用機器人做，這樣既能保證人的安全，也能把任務完成。這是我認為AI在汽車工業領域非常具有價值的。現在像寧德等等的都有這樣的想法想把這方面給問題掉。

人對於高污染的環境一定是有損傷的，無論有再多的防護，在當下的環境裏面肯定或多或少吸收到污染。對於機械行業而言，這個是我們加速幫助汽車領域或者工業領域裏面進行提升，或者整體能力上的擴展，這是我們想把AI或者具身智能放在汽車工業領域的提升，並且伴隨着算法、算力跟模型數據越來越大的情況下，這個問題也會迎刃而解。

許晉誠：具身智能或者AI在工業裏面的用途非常明確，我為大家説一下，有的人對於工業裏面為什麼要用具身智能或者人形機器人，會抱着很多疑問。

在工業裏面，包含我們自己的股東，汽車廠裏面大部分在總裝線上是需要人形機器人的，如果你去到比亞迪工廠，進到裏面，一堆人在忙活，在裏面佈線，這些是需要人形機器人的地方。

具身智能在工業裏面的應用非常明確，我們造出來的機器人就是在總裝線上幫助工人或者讓這個工人有更多的休息空間，進而幫助他們。在總裝線上，我們是以觸覺為主，物理接觸模態感知能力提升的人形機器人在柔性線束組裝或者插拔有非常極大的幫助，可以通過大量的觸覺感知能力，讓這個裝配成功率更高。這是具身智能在工業領域非常顯著，尤其是這些車廠為什麼大量的投資在人形機器人或者具身智能的領域。

我們也提供這些大量的技術給他們，從而在總裝線上從現在只有10%的自動化率或者20%自動化提升到50%，甚至80%。

楊慶保：剛才許總提到汽車焊裝，這個我非常熟悉，因為我之前在主機廠幹過。接着焊裝這塊，我們公司並不多做具身智能，很多是服務於具身智能，大家看到的焊裝線、總裝線，在物理世界佈局之前已經在虛擬空間裏面設計過一遍了。

具身智能是一種新的人形機器人的可達，它在設計端要保證足夠的物理空間，以及控制它的節拍。理想跟現實或者設計跟物理永遠都是有差異的，你在物理空間還要做一些差異的校驗，在前期的設計空間要排除大的障礙或者大的不合理性，我們是聚焦在這一端。在你前期設計的時候，在只有初步方案規劃的時候，我們幫你生成三維空間的設計方案，這個設計方案包括了夾具、機器人的佈局，包括了生產節拍的驗證。剛才提到吉利，我們跟他們總裝工程師聊，設計工程師有一個非常煩的活，設計完成之後，總裝工程師要在設計數模上針對幾百條checklist進行校驗，答案是比較標準的，但人就是要重複在裏面找到對應的位置，進行對應的過程驗證。對我們來説，我們在前期設計空間裏面完成對人的重複設計、出圖、仿真動作，快速完成設計交付。設計交付之後，接下來就回到物理空間，這就是具身智能發光發熱的點了。

AI落地工業，價值兑現與瓶頸顯現

李碩（圓桌主持）：AI場景除了具身，還有非常多的應用和技術。AI在整個工業應用中，各個企業家看到最具潛力或者最有商業價值的在什麼環節？以及怎麼量化經濟效益給到客户？AI永遠不能只在技術層面討論，為客户帶來了什麼是最重要的。以及在這個過程中，我們的規模化遇到什麼問題，以及瓶頸是什麼？

陳立：最早的時候，我們想通用大模型介入我們芯工廠軟件，因為我這個軟件是用來做快速方案設計，所有工作交給大模型做程序自身成，後序就不需要人工介入，直接生成PLC程序、機器人程序；但通用型大模型接入進來之後，不管是採用LLM、VLM，都發現了大量落地使用方面的問題，在廣告、快速消費品、影視娛樂領域犯了一些小錯誤是可以被接受的，但是在工業領域，程序代碼看上去差不多，真的導入到設備裏面，能讓這個設備跑起來，那怕是80%，其實還是有一些千差萬別的。

我們現在的解決方案是把細節的數據再下沉，做一些標籤，類似於小腦配合大腦在做執行控制，把程序終局歸攏到標準化、統一化，得到了蠻好的效果，比如包裝機械，很難想象傳統的包裝機械現在在做相關轉型升級，裏面的彈簧、卡尺，稍微變化一點，都需要工藝工程師到現場進行細緻的調整。我們針對這個方面的細緻數據建模完成了之後，再導入到AI裏面做強化學習，才能把現場調試的工時完全降下來，並能實現遠程調試。

類似於自動駕駛行業要經歷的過程，我們工業自動化+AI也要經歷這樣的過程。到底是採用華為的技術，從L2慢慢過渡到L4，還是採用特斯拉的技術全面覆蓋，這是一直在探索的解決方案，是我們應該考慮的事。

包括芯控從原先全領域的覆蓋，到現在垂直到激光、汽車製造、科研教儀、物流行業，甚至細緻到工位，只能一步一步的採集數據來整合，才能得到下一步擁抱AI的機會，才能再有機會去覆蓋全行業。

韓旭：我們專注在AI視覺賽道，我們也不敢説AI在工業的哪個應用最具價值和最具商業化，我們只能説AI在視覺檢測領域起到的作用非常明確。我們有大量的鋰電包括汽車相關的檢測，像鋰電、汽車和食品這幾個領域，首先解決的是剛需問題。大家看到新聞這個月蜂巢能源剛着火，去年寧德時代也着了火，去年韓國LG也着了火，都是在生產過程中有些問題沒有及時發現，導致整個工廠燒掉了。大家知道新能源汽車停在路上，甚至充着電就着火了，一定是在生產和製造過程中留下了安全隱患。我們認為AI視覺在整個生產製造環節中，像質量安全、人身安全、食品安全等各種安全的問題，解決的是剛需痛點。

從另外一個角度講，我們做的視覺不是隻做這一個產品出貨前的終檢，我們是從整個產品的來料到核心的工藝到終檢，是貫穿於它整個生產週期。能解決什麼問題？提高良率，提高產能。因為有些缺陷可能在第一步就出現了，沒有必要等到最後一步才發現它，越早發現越早的可修復，在沒有增加產線的情況下，用了我們的視覺，它的良率和產能得到大大的改善。

還有最直接的，我們去年去越南，也是三星的一個核心供應商，他們的工廠一層樓裏面就有800人還在做目檢，人工通過顯微鏡在看手機某個零部件上的缺陷，一個工廠四五千人。也就是説，AI視覺能直接解決的是人力成本的問題，我們能幫很多企業省幾千甚至上萬人，節省的成本也是非常重要的。包括他們質量的可追溯、數據的可追溯、品控等各個問題，我們深扎視覺檢測十年時間，實打實地看到AI+視覺在工業質檢領域實實在在給行業帶來了很多價值和改變。

宋俊：主持人提了非常好的問題，這個問題也一直貫穿了我們這麼多年發展以來的內部思考和研究的路線。AI的價值到底在哪裏，要分幾個層面來解讀。

第一，AI能給客户帶來什麼？檢驗一個好產品的唯一標準就是有沒有客户願意為此買單。

第二，識別到AI的價值，除了認識到在企業端、客户端的價值之外，我們還要看對公司的價值是什麼。一個好的產品，客户願意為它買單付費，但這個產品未必在公司端是盈利掙錢的，對公司的價值也是我們需要去評估的。

我認為AI的價值在企業端和公司端。

我們也是做AI視覺檢測的，在創業初期也陷入到這樣的困惑或者迷思，總感覺很多產品的需求非常多，客户每天有數不清的需求提過來，我們感覺這個行業裏面遍地是機會。做到後面發現公司不掙錢，問題在於什麼地方？需求多是不是好事？未必，可能意味着需求碎片化。我們真正要把產品核心標準化的東西提煉出來，做到標準化、可複製、可複用。

第二，我覺得AI包括具身，它就是一種技術和工具，工具是為我所用的。我們真正在工業裏面做AI的產品化落地的時候，你會發現要具備的並不是簡簡單單用AI就可以了，比如我們公司，我相信韓總也會碰到同樣的問題，你的光學架構是什麼樣子的，機械架構是什麼樣的，往往大部分用户要的是一體化“交鑰匙”的解決方案或者具象化的產品，而不是某一個解決方案當中的模塊，這是很多做工業的AI公司要解決的。

最後，我建議做工業AI的企業，應該更多把注意力放在價值主張，給用户創造哪些價值，讓他買單，給我們自己創造什麼價值，能夠實現持續的盈利。

許晉誠：在汽車領域我提幾點，在那種對於人而言比較危險和高危的領域，比如組裝電池，它是相對具備高度價值的，可能在安裝中需要對應各種突發狀況，需要高泛化模型，或者本體的感知能力需要做提升。在組裝的過程中，它伴隨的危險能不能把人給去掉，直接用機器人做，這樣既能保證人的安全，也能把任務完成。這是我認為AI在汽車工業領域非常具有價值的。現在像寧德等等的都有這樣的想法想把這方面給問題掉。

人對於高污染的環境一定是有損傷的，無論有再多的防護，在當下的環境裏面肯定或多或少吸收到污染。對於機械行業而言，這個是我們加速幫助汽車領域或者工業領域裏面進行提升，或者整體能力上的擴展，這是我們想把AI或者具身智能放在汽車工業領域的提升，並且伴隨着算法、算力跟模型數據越來越大的情況下，這個問題也會迎刃而解。

楊慶保：AI在工業的價值點，不管是對客户、對自身還是對工業流程的價值點也好，有幾個方面。從前期的方案規劃到設計、仿真、製造、應用，甚至後期維護，生命週期很長。這中間都是AI可以切入的點。目前來説，我們比較切入的是研發端。

第二，該解決什麼問題？客户的需求呈現碎片化，有句話説客户根本不知道他想要什麼，但是知道這個東西不好，我們希望通過解決方案想讓它變得好。這些問題是需要類似於我們這種定位的公司來解決的，問題和需求一直都存在，我們一直在説AI，以前解決問題嘗試了很多方式，比如流程化、標準化、自動化，為什麼現在説AI？因為傳統方法的天花板比較有限。我們希望AI乾的事情是它可以從數據驅動，可以在新的場景裏面給我們泛化性更好的方案。

第三，客户不願意付費，可能就無法證明它的價值，或者這是偽需求。我們在和客户深入交流的過程中，我們更願意闡述數據方面的價值，很多客户都説自己有很多數據，他們也知道數據很重要，然後呢？客户在很多場景中是不知道怎麼用這個數據，我們給客户提供AI解決方案的時候，它的數據資產是從硬盤的資產或者存儲的資產變成智力資產，最大的價值不僅僅是當前的降本增效，而是經驗的持續積累。算法通過數據的迭代，後續可以持續賦能到研發環節和生產環節，並不會由於人員的轉換或者數據的丟失，導致這個經驗不是我們公司的，我認為這是更大的價值。

現在AI給客户從實用的角度來説是兩個方面，我們一直認為現在解決的是效率問題，加快研發流程。在某些環節，客户更想要的是你能幫我解決創造性的問題。我們認為創造性的問題，偏美學或者偏主觀判斷。但在工業流程裏面，客户經常説你能不能幫我設計一個比以前更好的方案，我可能説抱歉，現在我還做不到，但我可以加快，讓你現在這些方案設計有幾十倍的效率提升。

AI如何重塑工業環節，激發萬億級新動能

李碩（圓桌主持）：最後一個問題暢想一下，基於大家各自場景中，AI真正在哪些工業環節中帶來了革命性或者顛覆性的變革？讓這個產業或者環節真正發生了巨大的改變。

陳立：我講一下具身智能+AI。從我們的角度來講，具身智能是一個長期的有效課題，不是顯學，它能對應解決多方面的問題，包括人工成本、製造成本、人口老齡化等常見的問題，具身智能的確存在一個很好的好處，不需要學習成本，業主可以把機器認直接放到現場，這台機器自己就能把這個活幹起來了，所有的東西通過cloud學習，把知識輸入到本體裏面，它就按照僱主的需求，第一天就把活幹起來了，setup in one day,非常省成本，這是極具有活力的。

第二，目前經濟下行，具身智能有更好的收款方式，因為它的邊界很清晰。做自動化設備，邊界不清晰，今天定了一個需求和技術協議方案，客户第二天可以改，設備到了現場，客户還是會改方案；具身智能機器人就是一個產品，它能嫁接AI，它的邊界很清楚，就一個本體產品，能很好地收到錢。

韓旭：我覺得AI+視覺特別符合這個問題。因為視覺是蠻傳統的行業，大家如果知道製造業的話，康奈士（音）是40多年的企業，視覺在工業裏面蠻傳統的。但是人工智能來到視覺之前，之前的視覺技術更多是基於匹配，基於規則的對齊，這就是很大的悖論。如果缺陷的產生是有規律的，那這個規律就可以不產生，以現在中國製造的匠心能力來講，它既然有規律，我就可以在工藝端把它乾死。也就是説，缺陷的產生一定是無規律的，那基於匹配是解決不了的。

我們看到一個真切的事，AI來到工業視覺之後，把缺陷檢測這件事徹底盤活了。我們10年前在推這個概念，當年我們去拜訪客户的時候，給個人説我們用人工智能+做視覺、做圖像分析、做缺陷檢測，大部分客户認為我們是騙子。但是如果再在製造業説做缺陷檢測，現在客户統一口徑是如果你沒有人工智能，他認為你不行，認為你是騙子。我們看到這是非常大的改變，確實是通過AI技術的普及，給整個行業帶來很大的變革。

再一個感觸，今天楊總講了很多數據的事，大家去暢想，一直講的是智慧決策，其實智慧決策就需要數據的沉澱。以前產線出了問題，包括良率有問題、工藝有問題，要找一個經驗非常豐富的老師傅過來，其實這個老師傅本身就是數據的集合體，AI能幹的最大一個事就是把經驗的東西標準化，有了視覺，有了各種傳感器，有了具身智能，當數據維度越來越豐富，數據量越來越大的時候，我們認為智慧決策的可能性也越來越大，也要解決數據封閉、數據孤島和客户信任的問題。

宋俊：前面兩位嘉賓在發言的時候，我一直在思考這個問題，主持人的提問是AI給行業帶來了哪些變革。

對於我們所服務的鋼鐵行業，大家知道鋼鐵行業是“夕陽產業”，我第一份工作在寶鋼，我是一個標準的鋼鐵工人。我第一次進入寶鋼的時候就聽到這個詞，為什麼呢？從背後思考一下這個問題，並不是説鋼鐵這種材料沒有前途。到目前為止，它依然是人類使用最多的可再生金屬材料，往後幾十年之內，沒有看到什麼材料有這個前景能把它替換掉。為什麼説它是夕陽產業？我們國家第一家鋼廠就是湖北張之洞的漢陽制鐵所，1890年成立的。它是典型的工藝非常固化的產業，我們把先進的技術導入進去以後，我們指望這個產業能產生什麼變革呢？好像看不到。但從實際感受來説，我感覺到這些技術進去之後，對於行業的變革是潤物細無聲。

講一下我們行業裏面的數據，瓦特曼是做機器人的，數據可能比我這邊掌握的更詳實。2010年的時候，中國鋼鐵工業機器人每萬人大概是22台，2022年是37台，2025年是56台，2024年是75多台左右，今年的目標大概是123台左右。

前面韓總分享了關於視覺技術，若干年前講到用人工智能做圖像對比分析，對行業來説是天方夜譚，今天如果你不這麼做，可能被行業淘汰了，在我們行業也是如此，因為我們也是做鋼鐵行業工業視覺檢測，我第一次接觸到視覺檢測就是百事泰，2000年的時候第一次在寶鋼引入了視覺檢測系統，當時有卷積神經網絡用的，現在後面的算法全部更替升級了。目前行業裏面尤其是熱軋、冷軋產業，如果哪條產線不上表面缺陷檢測儀，可能產線的工廠設計都不會過關。

這個技術進程的速度越來越快，我們國內排名前面的企業都提出“無AI不鋼鐵”。再結合剛才楊總講的案例來説，我們公司現在也在做一件事情，前不久跟國內頭部鋼企籤的項目，在傳統視覺檢測的基礎上，進一步做升級。以往我們用圖像技術、視覺技術，發現一個產品缺陷之後，對它進行產線叫停，然後進行修正，但是沒有辦法對這個缺陷產生的工藝機理進行分析和判斷，因為造成缺陷的工藝機理，前面X變量太大了，你經驗再充分，但是做這樣的工藝推導是很難的事情。

許晉誠：在整個AI或具身智能會引起最大的變革，毋庸置疑，剛剛也有説到類似於卷積神經網絡之後，我們驗證了一件事情，Transformer架構在超大型數據之下，基本上可以把模型迭代到可泛化的能力。這個改革或變革基本上驗證了，在這個理論基礎之上，我能不能吞吐其他更大量的數據，而讓這個模型可以有更多的技能或者能力的提升。

對於現在把模型從文本數據提升到更多視覺觸覺、軌跡等，所有的數據加上去，可以藉由我們的架構讓整個能力變得更加凸顯，並且泛化性更高。

它最大的問題點其實是數據量的不足，在缺乏數據的時代，文本數據基本上已經是十萬級、百萬級、億級以上的數據量了，但文本數據是一維數據，我們需要在人形機器人或者物理世界裏面，我們需要的數據遠遠不止一維數據，我們需要三維、四維、五維，在此基礎上，如何加大力度把數據量跟維度進一步提升，並且把傳感器能力進一步提升，這非常重要。剛剛説到1萬人裏面只有100人有機器人……

宋俊：這個目標還沒實現。

許晉誠：包含埃隆馬斯克説每個人都要有一台機器人，現在只是100個人只有1台機器人，而且在工業領域，我認為還需要大幅提升。

楊慶保：現在AI給產業鏈帶來的變革，以及暢想一下未來帶來的變革。

我們現在在某個領域帶來的變革是什麼？因為我們聚焦於設計（研發），比如在研發設計端，以前的狀態是工程師同時完成多個設計任務，或者既要做上游的3D設計，也要做下游的2D出圖。現在某些客户實施的場景裏面，我們把設計過程拆的更加細，下面的事情通過我們的產品完成之後，他直接去做判斷題，把一個人的複合工作流程拆成流水線的作業過程，這是目前已經實現的改變。

第二，在這個過程中，本質是讓人的動作從“應用題”變成了“判斷題”。目前很多高級人才在花60%的精力幹初級人才的活，但是這些活都可以用AI快速替代。

設想一下未來的場景是什麼樣的，我們希望人未來做“選擇題”，我們現在大部分解決的是工業場景中效率問題，小部分是創造性問題。但我們真正的目標是未來幫你解決大部分的創造性問題。我們想到一個場景，訂單、到設計、交付，不管在什麼場景，我可能有一個快速的需求或者工藝輸入，像Agent一樣，它調用很多工具，我們到時候可能有一套算法，它快速完成方案設計、方案驗證，你選擇完成以後，直接到下游的加工過程，直接對接到無人工廠，完成整個設備的生產、加工、製造、發貨。真正實現地多品種、小批量、快速交付。現在還依賴於不同公司在局部標準化的實施，並沒有實現真正面向個人，比如To C真正變成個人的To B。

這是對未來的設想，到底什麼時候能實現，現在都不敢説。

李碩（圓桌主持）：其實關於這個問題，我有一點想分享的。我們在重工業場景中，尤其是在生產環節，比如鋼鐵的鋼包熱修作業中，正是由於各個細分技術上的變革和發展，最終推動了該場景的無人化進程：其中感知部分的發展包括硬件和算法兩個方面，硬件方面像傳感器的升級、激光雷達的技術升級及產品價格降低，以及3D相機、2D視覺、毫米波雷達等傳感器的發展；算法上則有多模態多傳感融合等，從借鑑自動駕駛技術在工業場景中的感知層應用；除了感知外，還包括軌跡規劃，以及到執行端的力控傳感器及力控算法，同時還包括了今天提到的具身智能中的仿真技術。我們認為這些技術進步使得機器人在重工業場景中實現去人化、無人化成為可能。

我們當初為什麼做鋼鐵行業？我們並不是鋼鐵人出身，但當時因為去到了鋼鐵和有色廠裏面，看到了年營收千億的集團中，很多高温、高粉塵、高污染的環境依然由人工操作。我們工程師回到酒店後，身上臉上都是灰黑色的，但這些工人卻常年在做這樣環境中工作，我們認為這樣的場景應該由AI和機器人去完成工作。正是由於每個模塊化的AI和傳感器的進步，在感知層面，無論面對多麼惡劣的工況，系統都能識別到目標；同時因為有力控，可以在各類複雜狀況下確保加工/打磨質量的一致性。相信未來AI在工業的發展，無論是視覺、機器人還是研發設計，以及各個零部件領域，都有非常大的空間。雖然説今天以鋼鐵為代表的重工業存在產能過剩問題，但它的體量實在太大了。在這麼大的體量中，其中一個細分場景對於AI行業來説都會是巨大的商業機會。