曾幾何時，前沿AI研究還靠著一群"碳水化合物電腦"——他們在吃飯睡覺摸魚的間隙，偶爾通過"組會"儀式用聲波互相吼兩嗓子，就這麼推進著人類的技術邊界。那個年代已經一去不返。如今，研究完全被AI智能體接管，它們成群結隊地在雲端巨型計算叢集裡狂奔。據說程式碼已經迭代到了第10205代，但這數字真偽已無從考證——那些程式碼早已進化為能自我修改的二進制生命，遠遠超出了人類的認知範疇。這個程式碼倉庫，正是這一切故事的起點。——@karpathy，2026年3月以上是Karpathy為新項目撰寫的序言。就在剛剛，AI大神Andrej Karpathy發佈並開源了一個名為autoresearch的新項目，一句話來說Karpathy開源了一個自主AI研究員，它會在你睡覺的時候運行100個實驗，任何人只要擁有一塊GPU，就能在一夜之間運行一個研究實驗室。這個項目的核心想法很簡單：給AI Agent一個雖小但真實的LLM訓練環境，讓它通宵達旦地自主進行實驗研究人類的新工作是編寫一個提示（Prompt），用來指導Agent如何去思考和進行研究。這個Agent會徹夜不休地循環執行以下任務：編輯程式碼、訓練一個小型語言模型（每次精確到五分鐘）、檢查得分、根據結果決定保留還是放棄，整個過程完全無需人工干預。5分鐘是真正的精妙之處。這個設計有兩個好處：首先，無論AI代理如何修改模型大小、批次大小或架構，實驗結果都可以直接比較。其次，這意味著自主研究將在固定的時間預算內，為你的特定平台找到最優的模型。其缺點是，你的運行結果將無法與其他人在不同計算平台上得到的結果進行比較具體來說是這樣的：他將這個項目打包成一個獨立的迷你程式碼庫，方便大家上手體驗。這個項目本質上是nanochat大模型訓練核心的精簡版，被壓縮成一個約630行的單檔案程式碼，並且能在單GPU上運行。整個程式碼庫被刻意設計得非常小巧，核心只有三個檔案：prepare.py - 這個檔案包含固定的常數、一次性的資料準備工作（如下載訓練資料、訓練BPE分詞器）以及執行階段工具（如資料載入器和評估）。此檔案不會被修改。train.py - 這是AI Agent唯一會編輯的檔案。它包含了完整的GPT模型、最佳化器（Muon + AdamW）和訓練循環。從模型架構、超參數、最佳化器到批次大小，一切都可以被AI修改。program.md - 這是為單個AI代理準備的基線指令。人類研究員通過編輯和迭代這個檔案來指導AI。項目的核心機制是，無論你的計算平台性能如何，單次訓練的執行階段長都固定為5分鐘（不包括啟動和編譯時間）。評估指標是val_bpb，即每字節的驗證位元數，這個指標越低越好。由於它與詞彙表大小無關，因此可以公平地比較不同模型架構的變更效果。項目的核心工作流分為兩個部分：人類負責迭代提示詞，即.md檔案。AI智能體則負責迭代訓練程式碼，即.py檔案。Karpathy指出，該項目的目標是設計出能夠無限期、無需任何人工干預，並以最快速度取得研究進展的AI智能體。在實際運行中，智能體在一個Git的特性分支上自主循環工作。每一次完整的模型訓練運行恰好持續5分鐘，在Karpathy分享的圖片中，每一個點都代表一次這樣的訓練。當智能體發現能讓驗證損失更低的更好配置時，比如調整神經網路架構、最佳化器或各項超參數，它就會將這些改進以Git提交的形式累積到訓練指令碼中。通過這種方式，研究人員可以比較不同提示詞或不同智能體帶來的研究進展速度。Karpathy本人形容這個項目是程式碼、科幻和一絲瘋狂的結合體。他還透露，自己仍在nanochat的生產環境中運行一個規模更大的版本。這個加強版智能體正在一個更大的模型上工作，並部署在8塊H100 GPU上。Karpathy表示他會一直讓這個系統持續運行下去。除了PyTorch和少數幾個小包外，沒有其他外部依賴。沒有分佈式訓練，沒有複雜的配置檔案。一塊GPU，一個檔案，一個指標，構成了整個實驗環境。項目地址：https://github.com/karpathy/autoresearch快速上手指南環境要求：一塊輝達GPU（已在H100上測試），Python 3.10+，以及uv包管理器。第一步：安裝uv項目管理器（如果尚未安裝）curl -LsSf https://astral.sh/uv/install.sh | sh第二步：安裝依賴uv sync第三步：下載資料並訓練分詞器（一次性操作，約2分鐘）uv run prepare.py第四步：手動運行一次訓練實驗（約5分鐘）uv run train.py如果以上命令都能正常工作，說明你的環境已經準備就緒，可以進入自主研究模式了。如何運行AI代理你只需在這個程式碼倉庫中啟動你選擇的AI代理，例如Claude或Codex（並停用所有權限），然後可以發出類似這樣的指令：你好，請看一下program.md檔案，我們來啟動一個新的實驗吧！先從設定開始。這個program.md檔案本質上是一種超輕量級的技能指令。平台支援目前，該項目程式碼要求使用單塊輝達GPU。雖然原則上可以支援CPU、MPS等其他平台，但這會增加程式碼的複雜性。Karpathy表示，他目前不確定是否會親自進行這方面的擴展。這個項目主要是一個概念演示，未來會提供多少支援還是未知數。如果需要更廣泛的平台支援，使用者或其AI代理可以參考父項目nanochat，那裡展示了各種解決方案，如Flash Attention 3的備用核心實現、通用裝置支援和自動檢測等。 (AI寒武紀)

傑佛瑞・埃弗裡斯特・辛頓，1947 年 12 月 6 日出生於英國倫敦溫布林登，擁有英國和加拿大雙重國籍，是認知心理學家、電腦科學家，被譽為 “AI 教父” 和深度學習領域奠基人之一。一、演講核心內容1. AI發展範式：兩種AI路徑：邏輯型（符號推理）與生物學基礎（學習網路連線）1985年小模型是大語言模型的祖先，2025年Transformer和大語言模型已成主流2.AI理解機制：AI不是"儲存"知識，而是通過預測下一個詞來理解語言用"樂高積木"比喻：每個詞是多維度積木，詞與詞間需"恰當握手"理解3.數字智能優勢："不朽性"：知識可完美複製到不同硬體知識傳播效率極高：每次分享數十億位元，人類僅100位元/秒4.AI潛在威脅：幾乎所有專家認為未來20年內會出現比人類更聰明的AIAI可能推匯出"自我生存"和"獲取更多控制"的子目標"養老虎"比喻：AI長大後可能傷害人類，無法簡單關閉5.應對建議：無法消除AI，必須找到訓練AI不消滅人類的方法建議建立國際AI安全機構網路，研究訓練AI向善各國在預防AI統治世界問題上利益一致，類似美蘇核不擴散合作二、答疑核心內容關於靈性追求：辛頓表示自己是無神論者，"信仰科學"關於身心健康：沒有冥想習慣，從科學研究中獲得快樂，但隨著對風險認識加深，這種快樂變得更複雜關於內在安寧：喜歡做木工活，從高強度思維中抽離，恢復穩定與愉悅 (AI科普說)

當地時間1月12日，摩根大通醫療健康大會（JPM Conference）在舊金山正式召開。大會首日，全球市值最大的科技公司輝達與全球市值最大的製藥公司禮來宣佈，將在五年內斥資10億美元在舊金山灣區建立一個新的聯合研究實驗室，以加速AI藥物研發處理程序。截至發稿，輝達市值為4.5兆美元，位居全球市值最大公司榜首；禮來市值穩定在1兆美元上方，牢牢佔據全球市值最大製藥企業的地位。據介紹，該實驗室將使用輝達最新一代AI晶片Vera Rubin。就在幾個月前，禮來曾表示，正使用1000多個輝達當前一代AI晶片Grace Blackwell建構一台超級電腦。這也有望成為全球最強大的AI電腦之一。使用人工智慧模型來設計和發現新藥物，是目前全球製藥巨頭加速佈局的方向，此舉目標是縮短新藥研發上市所需的時間。隨著輝達加速滲透生物技術市場，該公司採取的戰略是提供開源人工智慧模型和軟體，以便製藥商可以基於輝達的硬體，並利用這些模型和軟體建構自己的藥物開發平台。輝達當天還發佈了一系列新模型，其中包括一個可用於確保使用人工智慧工具設計的藥物在真實世界實驗室中合成的更新模型。對此，花旗分析師在一份發給投資人的報告中寫道：“輝達與禮來結成戰略聯盟，旨在通過將禮來公司的製藥專業知識與輝達的尖端人工智慧、加速計算和基礎設施能力相融合，從根本上重塑藥物發現，並將頂尖科學家和人工智慧工程師集中在一起，共同應對複雜的新藥研發挑戰。”諮詢公司麥肯錫在去年發佈的一份報告中稱，人工智慧是製藥業“百年難得的歷史性機會”。在美國，已經誕生了一大批AI製藥公司，它們通過建設大型實驗室，生成資訊來幫助訓練人工智慧，從而加速實驗處理程序，識別預測可能有效的藥物分子，並通過生成式人工智慧將藥物分子的設計數位化。波士頓諮詢的一份研究顯示，到2025年，AI生成的藥物分子在一期臨床試驗中的成功率已經高達80%至90%，高於50%的歷史平均水平。這意味著，AI發現的藥物正在突破臨床一期的瓶頸，展現出進入後期臨床驗證階段的潛力。AI製藥近年來也已經成為醫藥巨頭“因害怕錯過而不得不投”的新賽道。除了禮來之外，諾和諾德、艾伯維、默克、阿斯利康等巨頭公司都涉足了AI製藥領域。去年3月，擁有前“藥王”修美樂的艾伯維宣佈收購AI製藥公司Landos  Biopharma；2024年9月，諾和諾德與美國科技公司Valo  Health達成合作協議，尋求利用人類資料和人工智慧技術發現並開發心臟代謝疾病新療法。根據研究機構Research And Markets資料，2022年全球AI製藥市場規模已經超過10億美元，預計2026年市場規模將接近30億美元。中國生物製藥企業也有望在這一輪的AI製藥熱潮中再次引領技術前沿。去年，中國研究團隊展示了一項研究成果，他們利用生成式AI平台，“從零開始”發現全新靶點並設計全新分子、完成實驗驗證的過程。《自然醫學》對此發表評論稱，該研究標誌著向人工智慧輔助藥物發現引入臨床治療方面邁出堅實的一步。 (第一財經)

前言：AI的“空間轉向”與新物種誕生的必然性1.1 前言2025年，人工智慧產業迎來歷史性轉折點——以大型語言模型（LLM）為代表的通用AI技術在文字互動、圖像生成等領域的突破已觸及天花板，而“空間智能”作為連接虛擬算力與物理世界的核心載體，正成為AI技術演進的終極方向。史丹佛大學教授李飛飛在《從語言到世界：空間智能是AI的下一個前沿》中明確指出，當前AI系統困於“語言的世界”，缺乏對現實空間、物理規律與因果關係的真正理解，而空間智能將實現AI從“理解語言”到“理解世界”的跨越，成為AI攀登的下一座高峰。這一轉向不僅催生了“AI+空間”融合的產業新物種，更重塑了全球算力產業鏈的競爭格局與需求結構。本報告聚焦2025年AI與空間智能融合發展的核心議題，核心研究內容包括：空間智能的技術架構與“新物種”產業形態界定；全球及中國算力產業鏈的全景對比（上游晶片、中游算力服務、下游應用）；空間智能驅動下的算力需求分層分析（行業、場景、算力形態）；技術瓶頸與風險挑戰；未來發展趨勢與產業機遇。報告依託2025年最新行業資料、政策檔案及企業實踐案例，兼具技術深度與產業指導價值，旨在為產業鏈參與者、投資者及政策制定者提供全景式洞察。1.2 核心結論預覽1. 技術演進：空間智能是AI的“終極形態”，其核心是建構融合幾何、物理與動態規則的“世界模型”，實現從被動分析到主動規劃的跨越，當前已進入技術突破與規模化應用的臨界點。2. 產業新物種：催生三大類新物種形態——技術層的“空間大模型”、產品層的“具身智慧型手機器人”、服務層的“空間即服務（SPaaS）”，2025年全球相關市場規模已突破1.2兆元。3. 算力格局：全球智能算力規模2025年達1980 EFLOPS，中國佔比37.8%（748 EFLOPS），算力結構從訓練主導向推理驅動切換，邊緣算力增速（CAGR 50%-60%）遠超雲端。4. 產業鏈競爭：國外形成輝達、AMD雙寡頭格局，國內“一超多強”態勢顯現，國產晶片替代率2025年達41%，沐曦、壁仞等企業加速資本化處理程序。5. 需求驅動：智慧城市、工業智能空間、自動駕駛是核心需求領域，生物醫藥、AR/VR等細分場景算力需求增速超200%，端側AI裝置出貨量2025年破5億台。6. 挑戰與機遇：技術瓶頸集中於晶片製程、叢集互聯效率，地緣政治與能源約束加劇供需失衡；未來機遇在於異構算力協同、綠電算力基建及跨行業場景滲透。第一章 概念界定：AI與空間智能的融合演進1.1 空間智能的核心定義與技術內涵空間智能（Spatial Intelligence）是指機器對物理空間進行感知、建模、推理、規劃並實現互動的綜合能力，其核心是將多模態感知資料轉化為對空間關係、物理規律與因果邏輯的理解，實現虛擬算力與物理世界的精準對應。與傳統AI技術相比，空間智能具有三大核心特徵：一是多模態融合感知，整合LiDAR、攝影機、UWB、地理資訊等多源資料，實現釐米級定位與毫米級建模精度；二是動態世界建模，建構兼具語義與幾何屬性的3D動態場景，支援物理規則模擬與未來狀態預測；三是具身互動能力，依託“感知-決策-行動”閉環，實現與物理空間的自主協同互動。從技術架構來看，空間智能的實現需建構“五層技術堆疊”：第一層底層為算力支撐層（雲端+邊緣+終端異構算力）；第二層為感知硬體層（LiDAR、毫米波雷達、高畫質攝影機等）；第三層為資料處理層（空間資料清洗、融合與標註）；第四層為核心演算法層（3D生成模型、物理引擎、具身智能演算法）；頂層為應用場景層（智慧城市、工業、自動駕駛等）。其中，核心演算法層的“世界模型”是空間智能的技術核心，需突破現有LLM的範式侷限，實現語義關係與物理規律的統一理解。1.2 AI向空間智能演進的邏輯必然性AI技術的演進遵循“能力升級-場景拓展-需求倒逼”的邏輯，向空間智能轉向是技術發展與產業需求共同作用的必然結果。從技術層面看，當前以LLM為代表的通用AI存在三大核心侷限：一是缺乏空間認知能力，即使是最新的多模態大模型，在估算距離、方向、大小等基礎空間屬性時表現不及隨機水平；二是物理規律認知缺失，無法穩定預測物體運動軌跡、碰撞關係等基本物理規則；三是動態連貫性不足，生成的視訊內容往往在幾秒內失去空間邏輯連貫性。這些侷限使得AI難以真正賦能需要與物理世界互動的場景，成為技術演進的“天花板”。從產業需求來看，數字經濟與實體經濟的深度融合對AI提出了“落地物理世界”的迫切需求。智慧城市需要全域空間感知與智能調度，工業製造需要數字孿生與即時最佳化，自動駕駛需要高精度空間定位與動態決策，這些場景均要求AI具備空間認知與互動能力。據測算，2025年全球需要空間智能支撐的產業規模已達5兆美元，佔數字經濟總量的28%，需求倒逼成為AI向空間智能轉向的核心驅動力。從認知本質來看，空間智能是人類認知建構的“腳手架”，驅動著想像、創造與推理能力的形成。李飛飛團隊的研究表明，空間智能是連接感知與行動的核心能力，人類通過空間認知實現停車測距、人群穿行等日常動作，其本質是“想像-感知-行動”的一體化過程。AI作為模擬人類智能的技術體系，向空間智能演進是其逼近甚至超越人類認知能力的必然路徑，也是實現從“弱人工智慧”向“強人工智慧”跨越的關鍵環節。1.3 空間智能的“新物種”形態界定AI與空間智能的融合催生了三類具有顛覆性的產業新物種，這些新物種打破了傳統產業邊界，重構了價值創造模式：1. 技術層新物種：空間大模型。區別於傳統LLM，空間大模型以“空間資料”為核心訓練素材，融合地理資訊、3D點雲、物理規則等資料，具備空間建模、動態預測與場景生成能力。例如，史丹佛大學World Labs研發的世界模型可在語義與幾何層面理解複雜3D場景，推理物理屬性與互動關係，並生成連貫可探索的虛擬空間。2025年，國內外已有12款空間大模型實現商用，其中GPT-5空間版、百度文心空間大模型等在建築設計、城市規劃領域的應用精準率達93.6%。2. 產品層新物種：具身智慧型手機器人。依託空間感知與互動能力，具身智慧型手機器人實現了從“固定場景作業”到“全域自適應作業”的跨越，可在動態空間中自主規劃路徑、規避障礙並完成任務。典型案例包括亞馬遜倉庫智能分揀機器人（空間定位精度±2cm）、特斯拉Optimus人形機器人（具備家庭空間互動能力）、醫療微創手術機器人（空間操作精度±0.1mm）。2025年全球具身智慧型手機器人出貨量達120萬台，同比增長210%。3. 服務層新物種：空間即服務（SPaaS）。將空間智能能力封裝為標準化服務，通過API介面向千行百業輸出，實現“空間能力的按需呼叫”。例如，華為盤古空間服務平台可提供城市全域空間建模、動態交通預測等服務，已接入200余個智慧城市項目；GoogleEarth Engine空間服務平台為農業、環保領域提供土地利用監測、災害預警等服務，全球使用者超500萬。2025年全球SPaaS市場規模達2000億元，預計2030年突破1.2兆元。1.4 空間智能的發展階段與2025年關鍵節點空間智能的發展可劃分為四個階段：技術探索期（2015-2020年）、技術突破期（2021-2025年）、規模化應用期（2026-2030年）、成熟普及期（2030年後）。2025年正處於“技術突破期”向“規模化應用期”過渡的關鍵節點，呈現三大標誌性特徵：1. 技術突破節點：3D生成模型、物理引擎與具身智能演算法實現融合，空間大模型的場景理解精準率突破90%，邊緣算力支援毫秒級空間響應（延遲≤10ms）。例如，UWB+LiDAR復合定位技術市場滲透率達35%，實現釐米級定位精度；液冷技術普及使智算中心PUE降至1.1以下，支撐單機櫃算力密度達5P Flops。2. 產業落地節點：核心應用場景實現規模化落地，智慧城市試點項目覆蓋全國89%地級市，北京、上海、深圳等超大城市完成全域智能空間基礎設施建設；工業數字孿生工廠覆蓋率突破60%，生產線綜合效率（OEE）平均提升18個百分點；全屋智能滲透率達12.3%，華為鴻蒙生態與小米AIoT平台連接裝置突破8億台。3. 政策與資本節點：全球主要經濟體出台空間智能專項政策，中國《智能空間產業發展行動計畫（2025-2030）》明確培育30家以上獨角獸企業，組建國家級智能空間創新中心；美國《晶片與科學法案》投500億美元用於算力基建，重點支援空間智能相關晶片研發；歐盟“數字羅盤計畫”建100個百億億次超算節點，支撐空間智能場景落地。資本市場熱度攀升，2025年國內算力晶片企業迎來上市潮，摩爾線程、沐曦股份等相繼登陸科創板，融資規模超40億元。第二章 技術架構：空間智能的核心技術體系與算力支撐2.1 核心技術堆疊：從感知到互動的全鏈路拆解2.1.1 感知層技術：多模態融合與高精度定位感知層是空間智能的“眼睛”，核心目標是獲取物理空間的多維度資料，實現高精度、高可靠的空間感知。當前主流技術方向為多模態感測器融合，整合LiDAR、毫米波雷達、高畫質攝影機、UWB、IMU（慣性測量單元）及地理資訊系統（GIS）資料，彌補單一感測器的侷限性。例如，LiDAR具備高精度3D測距能力，但受天氣影響較大；攝影機可獲取豐富語義資訊，但測距精度不足；UWB適合室內短距離定位，室外表現較差。通過多模態融合演算法，可實現“全天候、全場景、高精度”的空間感知。關鍵技術突破包括：一是LiDAR技術的成本下降與性能提升，2025年車規級LiDAR單價降至500美元以下，探測距離突破300米，點雲密度達300萬點/秒；二是UWB+LiDAR復合定位技術，結合兩者優勢，實現室內外無縫切換定位，精度達±2cm，2028年市場滲透率預計達68%；三是多模態資料融合演算法，基於Transformer架構的融合模型可有效處理異構資料，提升感知精準率，在複雜交通場景中目標識別精準率達99.2%。2.1.2 建模層技術：3D動態場景與數字孿生建模層是空間智能的“大腦中樞”，核心是將感知資料轉化為結構化的空間模型，實現對物理世界的精準對應。技術方向分為靜態建模與動態建模兩類：靜態建模聚焦空間幾何結構的重建，如建築、道路、地形等；動態建模聚焦空間中物體的運動狀態與互動關係，如車輛、行人、裝置等。數字孿生是建模層的典型應用，通過“物理實體-虛擬模型-資料鏈路-服務應用”的閉環，實現物理空間與虛擬空間的即時同步。關鍵技術突破包括：一是3D生成模型，基於擴散模型與Transformer的融合架構，可快速生成高保真3D場景，例如史丹佛大學Marble平台允許創作者無需傳統3D建模工具，快速建立和編輯完整的虛擬世界；二是動態場景預測演算法，結合物理引擎與深度學習，可預測空間中物體的運動軌跡，預測準確率達95%以上，為自動駕駛、機器人導航提供支撐；三是輕量化建模技術，針對邊緣端裝置算力有限的問題，提出輕量化3D模型架構，模型體積壓縮70%以上，可在手機、邊緣閘道器等裝置上即時運行。2.1.3 決策層技術：空間推理與具身智能演算法決策層是空間智能的“決策核心”，核心是基於空間模型進行推理、規劃與決策，實現從“理解空間”到“利用空間”的跨越。核心技術包括空間推理演算法、路徑規劃演算法與具身智能決策演算法。空間推理演算法聚焦空間關係的邏輯判斷，如“物體A在物體B的左側”“路徑C比路徑D短20米”等；路徑規劃演算法聚焦動態環境下的最優路徑選擇，如自動駕駛中的避障路徑規劃、機器人的倉儲分揀路徑規劃；具身智能決策演算法聚焦“感知-行動”閉環，使智能體能夠根據空間環境變化調整行動策略。關鍵技術突破包括：一是空間大模型的推理能力提升，GPT-5空間版、文心空間大模型等可基於3D場景進行複雜推理，如建築結構安全性評估、城市交通流量最佳化；二是強化學習在路徑規劃中的應用，通過模擬海量空間場景訓練模型，使智能體在動態環境中（如擁堵路段、突發障礙）快速找到最優路徑，規劃效率提升40%以上；三是人機協同決策技術，結合人類經驗與AI推理能力，在醫療手術、工業操作等高精度場景中實現“人機互補”，降低操作風險。2.1.4 互動層技術：無感化與人機協同互動層是空間智能的“輸出介面”，核心是實現智能體與物理空間、人類的高效互動。技術方向分為兩類：一是智能體與物理空間的互動，如機器人的機械臂操作、自動駕駛汽車的轉向與制動；二是智能體與人類的互動，如語音互動、手勢互動、腦機介面等。當前發展趨勢是“無感化互動”，即智能體通過感知人類行為、情緒等訊號，主動提供服務，無需人類主動觸發。關鍵技術突破包括：一是手勢與姿態識別技術，基於電腦視覺的即時姿態捕捉精度達98%，可實現對機器人的手勢控制、智能座艙的姿態互動；二是語音互動的空間化，結合空間聲學技術，實現多區域語音識別，區分不同位置的說話人，在智慧辦公場景中支援多人同時語音指令；三是腦機介面技術，在高端辦公、醫療場景中實現腦電波控制，2029年商用化率預計突破15%。2.2 算力支撐體系：雲端-邊緣-終端的異構協同空間智能的全鏈路技術落地離不開算力支撐，其算力需求具有“高並行、低延遲、異構化”的特徵：高並行源於多模態感測器的海量資料（如LiDAR每秒產生數十GB資料）；低延遲源於即時互動需求（如自動駕駛需≤10ms的決策延遲）；異構化源於不同任務對算力的差異化需求（如建模需GPU的平行計算能力，推理需ASIC的高能效比）。為此，空間智能建構了“雲端-邊緣-終端”三級異構算力協同體系，各層級功能與算力形態如下：2.2.1 雲端算力：大規模訓練與全域調度雲端算力是空間智能的“核心算力底座”，主要承擔空間大模型訓練、全域空間資料處理、跨區域調度等重算力任務。2025年全球雲端智能算力佔比70%-75%，單叢集算力達50 EFLOPS，可支撐萬卡級GPU叢集進行空間大模型預訓練。例如，GPT-5空間版的訓練需萬卡級GPU叢集，單次訓練成本超千萬美元，訓練過程消耗算力達100 EFLOPS·天。雲端算力的核心技術方向是異構計算與叢集互聯最佳化。異構計算整合GPU、CPU、NPU、TPU等多種晶片，發揮不同晶片的優勢；叢集互聯技術通過高速互聯匯流排（如輝達NVLink、國產昇騰高速互聯匯流排）提升叢集通訊效率，當前萬卡級叢集互聯效率達60%-70%，仍是算力擴展的主要瓶頸。為支撐雲端算力需求，全球智算中心建設加速，中國“東數西算”工程建成8大算力樞紐，2025年新增算力60%以上集聚國家樞紐節點，新建大型資料中心綠電佔比超80%。2.2.2 邊緣算力：即時推理與本地決策邊緣算力是空間智能的“即時響應核心”，部署於靠近物理空間的邊緣節點（如基站、智能路側裝置、工業閘道器），主要承擔即時推理、本地資料處理、低延遲決策等任務。邊緣算力的核心優勢是低延遲，可將資料傳輸與處理延遲控制在毫秒級，滿足自動駕駛、工業即時控制等場景需求。2025年邊緣算力佔比約15%-20%，2030年將升至30%-35%，2025-2030年CAGR達50%-60%，邊緣AI晶片市場規模達150億美元。邊緣算力的核心技術方向是高能效比晶片與輕量化演算法。邊緣裝置通常受限於功耗與體積，需要高能效比的專用晶片（如ASIC、NPU）；同時，通過模型輕量化（剪枝、量化、蒸餾）降低推理算力需求。例如，華為昇騰310B邊緣晶片能效比達200 TOPS/W，可支撐智能路側裝置的即時目標識別；特斯拉D1晶片專為自動駕駛邊緣計算設計，單晶片算力達362 TOPS，滿足車載即時決策需求。2.2.3 終端算力：本地感知與輕量化互動終端算力是空間智能的“末端感知核心”，部署於終端裝置（如智慧型手機、智能手錶、小型機器人），主要承擔本地感知資料預處理、輕量化互動等任務。終端算力的核心需求是低功耗與小型化，滿足移動裝置的續航與體積要求。2025年終端算力佔比約5%-10%，智慧型手機AI算力達10 TOPS以上，車載計算平台增速超40%。終端算力的核心技術方向是整合化晶片與低功耗演算法。整合化晶片將CPU、GPU、NPU等功能整合於單一晶片（如手機SoC），提升整合度與能效比；低功耗演算法通過最佳化計算流程，降低資料處理的功耗。例如，蘋果A18 Pro晶片整合神經網路引擎，算力達35 TOPS，可支撐手機端3D場景掃描與AR互動；小米澎湃C2晶片專為智能穿戴裝置設計，能效比達150 TOPS/W，滿足長期續航需求。2.2.4 異構協同技術：算力資源的高效調度雲端-邊緣-終端的算力協同是空間智能高效運行的關鍵，核心技術是統一調度平台與高速通訊網路。統一調度平台通過算力感知、任務拆分與資源分配，實現“任務在最合適的算力節點運行”：重算力任務（如模型訓練）分配至雲端，即時任務（如自動駕駛推理）分配至邊緣，輕量化任務（如本地感知）分配至終端。高速通訊網路是協同的基礎，5G-A網路支撐的毫秒級空間感知系統實現釐米級定位精度，光互聯技術升級推動CPO市場2025-2027年CAGR達78%，OCS CAGR達120%。當前異構協同的關鍵突破是“算力網路”技術，通過軟體定義網路（SDN）、網路功能虛擬化（NFV）等技術，將分散的算力資源整合為“算力池”，實現跨區域、跨層級的算力調度。例如，中國電信“天翼算力網路”已接入20個省級算力樞紐，實現算力資源的按需調度；中國移動“算力網路”支撐智慧城市場景下的邊緣-雲端算力協同，降低資料傳輸成本30%以上。2.3 2025年技術突破與瓶頸：從可用到好用的差距2.3.1 關鍵技術突破清單1. 感測器技術：車規級LiDAR單價降至500美元以下，探測距離突破300米；UWB+LiDAR復合定位精度達±2cm；高畫質攝影機影格率突破240fps，低光照環境識別精準率達98%。2. 建模技術：3D生成模型生成效率提升10倍，高保真3D場景生成時間從小時級降至分鐘級；動態場景預測準確率達95%以上，預測時長從1秒擴展至5秒。3. 演算法技術：空間大模型參數規模突破兆級，場景理解精準率達93.6%；輕量化模型體積壓縮70%以上，邊緣端推理延遲≤10ms。4. 算力技術：晶片製程推進至3nm/2nm，輝達B200性能較H100翻倍；國產晶片（昇騰910B、寒武紀590）替代率達41%；液冷技術普及使PUE降至1.1以下，能耗降40%。5. 通訊技術：5G-A網路實現10Gbps下行速率，毫秒級傳輸延遲；CPO技術實現光電器件與晶片的整合，通訊頻寬提升5倍。2.3.2 核心技術瓶頸1. 晶片技術瓶頸：晶片製程逼近物理極限，2nm以下製程成本指數級上升，性能提升放緩；高端晶片受地緣政治影響供給受限，全球GPU供需缺口15%-20%。2. 叢集互聯瓶頸：萬卡級叢集互聯效率僅60%-70%，成為算力擴展的主要障礙；儲存頻寬與算力增長不匹配，CXL協議普及尚需時間，資料傳輸延遲影響大規模訓練效率。3. 演算法泛化瓶頸：空間大模型的場景泛化能力不足，在陌生環境中的精準率下降20%-30%；動態場景中突發情況（如交通事故、極端天氣）的預測能力薄弱。4. 資料質量瓶頸：空間資料標註成本高，3D資料標註單價是2D資料的5倍以上；多源資料格式不統一，資料融合難度大；隱私保護要求提升，空間資料採集與使用受限。5. 能源約束瓶頸：智算中心能耗激增，2026年資料中心IT電力需求達96GW，配套電力設施建設壓力大；邊緣與終端裝置功耗控制仍需突破，影響續航能力。第三章 全球算力產業鏈全景分析：競爭格局與技術路線3.1 算力產業鏈結構：從上游核心硬體到下游應用算力產業鏈圍繞“算力生產-算力服務-算力應用”形成完整生態，分為上游核心硬體、中游算力服務、下游應用三大環節，各環節相互支撐、協同發展。上游核心硬體是算力生產的基礎，中游算力服務是算力流通的載體，下游應用是算力需求的來源，三者共同構成“硬體支撐-服務賦能-應用驅動”的產業閉環。2025年全球算力產業鏈規模達6.5兆美元，其中上游硬體佔比45%，中游服務佔比35%，下游應用佔比20%。3.1.1 上游核心硬體：算力的“物理基礎”上游核心硬體包括晶片、伺服器、感測器、光模組、儲存裝置等，其中晶片是核心中的核心，佔上游硬體成本的50%以上。晶片環節分為通用晶片（CPU、GPU）、專用晶片（ASIC、NPU、TPU）、可程式設計晶片（FPGA）三類，分別適用於不同算力場景：GPU主導訓練場景，2027年市場規模達5000-6000億美元；ASIC在推理場景優勢擴大，2027年市場規模280億美元，佔AI晶片市場35%；NPU/TPU等專用晶片快速滲透，2025年市場規模850億美元。伺服器環節聚焦智算伺服器，搭載多顆AI晶片，支援大規模平行計算，2025年全球智算伺服器市場規模達1200億美元，同比增長45%。感測器環節是空間智能的專屬硬體，LiDAR、毫米波雷達等空間感知感測器市場規模達300億美元，同比增長60%。光模組環節支撐高速通訊，2025年CPO市場規模達50億美元，OCS市場規模達20億美元。儲存裝置環節聚焦高速儲存（如HBM、SSD），HBM3E記憶體頻寬達19.6TB/s，2025年市場規模達150億美元。3.1.2 中游算力服務：算力的“流通載體”中游算力服務包括算力基礎設施（智算中心、邊緣節點）、算力營運服務（雲算力、邊緣算力租賃）、算力賦能服務（模型訓練、資料處理）等。智算中心是中游核心基礎設施，2025年全球智算中心數量達1200個，中國佔比40%，“東數西算”工程8大算力樞紐集聚60%以上新增算力。算力租賃服務是當前最熱門的細分領域，受益於大模型訓練與推理需求爆發，2025年全球算力租賃市場規模達800億美元，同比增長80%。算力賦能服務聚焦專業化算力解決方案，為下遊客戶提供定製化的模型訓練、資料處理服務，頭部企業包括亞馬遜AWS、微軟Azure、阿里雲、騰訊雲等。此外，算力網路服務快速發展，通過整合分散算力資源，實現算力的跨區域調度，2025年全球算力網路服務市場規模達300億美元。3.1.3 下游應用：算力的“需求來源”下游應用分為空間智能專屬應用與通用AI應用兩類，其中空間智能專屬應用是核心增長引擎，包括智慧城市、工業智能空間、自動駕駛、AR/VR、智能醫療等。2025年空間智能相關應用佔算力需求的35%，其中智慧城市佔比最高（12%），工業智能空間次之（8%），自動駕駛（7%）、AR/VR（4%）、智能醫療（4%）緊隨其後。通用AI應用包括網際網路內容生成、金融風控、生物醫藥研發等，佔算力需求的65%，其中網際網路行業佔算力採購的60%，阿里、騰訊等頭部企業未來三年AI投資超5000億。3.2 國外算力產業鏈：雙寡頭主導與技術引領3.2.1 美國：全產業鏈主導，技術壁壘高築美國是全球算力產業鏈的領導者，在晶片、伺服器、算力服務等核心環節佔據主導地位，形成“晶片-軟體-服務-應用”的全產業鏈優勢。晶片環節，輝達、AMD形成雙寡頭格局，佔據全球AI晶片市場的70%以上份額。輝達2025年推出Blackwell B200晶片，採用“單封裝雙芯粒”路線，算力密度和記憶體頻寬達行業極致，性能較H100翻倍，並拋出2026–2027路線圖，Vera Rubin與Rubin Ultra即將推出，Rubin推理峰值50 PFLOPS、HBM4記憶體288GB，FP4稀疏算力是B200的2.5倍。AMD採用Chiplet思路，MI350系列採用CDNA4架構、台積電第二代3nm工藝，配備288GB HBM3E記憶體，峰值2.3 PFLOPS，與B200直接競爭，2026年的MI400將邁入2nm，配備432GB HBM4記憶體，目標直指Rubin。算力服務環節，亞馬遜AWS、微軟Azure、GoogleCloud佔據全球雲算力市場的65%份額，其中AWS的Trainium晶片專為模型訓練設計，Inferentia晶片專為推理設計，形成“自研晶片+雲服務”的閉環；微軟Azure與輝達深度合作，推出Azure ND H100 v5虛擬機器，支援萬卡級叢集訓練；GoogleCloud推出TPU v5e晶片，能效比提升2倍，支撐空間大模型訓練。應用環節，美國在自動駕駛、AR/VR、生物醫藥等空間智能相關領域領先，特斯拉Autopilot採用自研D1晶片與多模態感知技術，自動駕駛Level 4等級的測試里程突破10億英里；Meta的Quest 3 VR裝置搭載空間感知晶片，實現高精度空間定位與虛擬場景融合；OpenAI與生物醫藥企業合作，利用空間大模型加速藥物研發，分子結建構模效率提升10倍。政策與資本支援方面，美國《晶片與科學法案》投500億美元用於算力基建，重點支援AI晶片研發與智算中心建設；國防部、能源部等部門持續投入資金支援空間智能相關技術研發；資本市場對算力企業的估值溢價顯著，輝達市值突破3兆美元，成為全球市值最高的企業之一。3.2.2 歐盟：政策驅動，聚焦協同與綠色歐盟算力產業鏈以政策驅動為核心，聚焦算力協同與綠色低碳，試圖通過“聯合創新”突破美國技術壟斷。晶片環節，歐盟缺乏具有全球競爭力的晶片企業，主要依賴輝達、AMD等美國企業，同時通過“歐洲晶片計畫”投入430億歐元支援本土晶片研發，目標2030年本土晶片產能佔全球20%。重點發展方向為專用晶片，如用於工業智能空間的ASIC晶片、用於自動駕駛的邊緣晶片。算力基礎設施環節，歐盟“數字羅盤計畫”提出建設100個百億億次超算節點，支撐空間智能、氣候變化、生物醫藥等領域的科研與應用；推動“歐洲算力聯盟”（EUC）建設，整合成員國算力資源，實現跨區域算力協同。2025年歐盟已建成20個超算節點，其中芬蘭LUMI超算、德國JUWELS超算躋身全球前十，支援工業數字孿生、城市空間規劃等場景。應用環節，歐盟聚焦智慧城市與工業4.0，推出“智慧城市和社區創新夥伴關係”計畫，支援200個智慧城市試點項目；德國“工業4.0”戰略推動工業智能空間落地，西門子數字孿生工廠覆蓋率達70%，生產線效率提升20%以上；法國在智能交通領域領先，巴黎建成全域智能交通管理系統，交通擁堵率下降30%。綠色算力是歐盟的核心特色，提出2030年資料中心全生命周期碳排放量較2020年下降50%，新建智算中心綠電佔比超90%；推廣液冷、風能、太陽能等綠色技術，芬蘭LUMI超算採用水力發電，PUE降至1.05以下，為全球最低之一。3.2.3 其他國家：差異化佈局，依附核心市場日本聚焦機器人與智能感測領域，索尼、松下等企業在LiDAR、毫米波雷達等感測器技術上具有優勢，索尼Vision-S電動概念車搭載28個感測器，實現高精度空間感知；軟銀集團投資大量具身智慧型手機器人企業，推動空間智能在服務機器人領域的應用。政策方面，日本《數字社會推進基本法》投入200億美元支援算力基建，目標2025年智能算力規模達100 EFLOPS。韓國聚焦晶片與終端裝置，三星電子在晶片製造領域具有優勢，2025年實現3nm製程量產，為輝達、AMD提供代工服務；SK海力士在HBM記憶體領域佔據全球40%份額，支撐高端AI晶片的記憶體需求；三星Galaxy S25手機搭載自研NPU晶片，算力達40 TOPS，支援AR空間互動。其他開發中國家主要依附歐美核心市場，通過承接算力服務外包、引進技術等方式發展，如印度、東南亞國家聚焦算力服務外包，為歐美企業提供資料標註、模型訓練輔助服務；巴西、南非等國家推動智慧城市試點，引進歐美成熟技術與裝置。3.3 中國算力產業鏈：自主可控加速，“一超多強”格局顯現3.3.1 上游核心硬體：國產替代加速，突破關鍵瓶頸晶片環節，中國形成“一超多強”的格局，昇騰系列晶片扮演“頭雁”角色，搭建“晶片-框架-叢集-應用”的四級閉環，已支援建造多個萬卡級叢集，2025年推出384卡超節點新形態，最大算力可達300 PFLOPS，配備創新的高速互聯匯流排，大幅提升大模型訓推效率。寒武紀聚焦AI專用晶片，2024年四季度首次實現單季度盈利，2025年前三季度營收46.07億元，同比增長2386.38%，歸母淨利潤16.05億元，核心產品寒武紀590替代率達15%。國產GPU“四小龍”（摩爾線程、沐曦股份、壁仞科技、燧原科技）加速崛起，2025年迎來上市潮：摩爾線程12月5日登陸科創板，上市首日股價躋身A股Top 3，市值3595億元，業務覆蓋AI智算、圖形渲染和智能座艙SoC晶片等領域；沐曦股份12月17日登陸科創板，總募資規模約41.97億元，核心產品曦雲C600性能介於A100和H100之間，實現全流程國產供應鏈閉環，2026年上半年正式量產；壁仞科技港股IPO獲備案，聚焦高性能通用GPU，公開融資總額超50億元；燧原科技啟動上市輔導，擬在科創板上市。其他硬體環節，中國在伺服器、光模組、感測器等領域具有全球競爭力：伺服器領域，浪潮資訊、華為佔據全球智算伺服器市場的25%份額，浪潮AI伺服器出貨量全球第一；光模組領域，中際旭創、天孚通信在CPO、OCS等技術上領先，2025年全球市場份額達30%；感測器領域，華為、大疆創新在LiDAR領域突破，車規級LiDAR單價降至800元以下，國內市場份額達20%。3.3.2 中游算力服務：基建領先，服務生態完善算力基礎設施方面，中國“東數西算”工程成效顯著，建成8大算力樞紐、10個國家資料中心叢集，2025年新增算力60%以上集聚國家樞紐節點，新建大型資料中心綠電佔比超80%。截至2025年3月底，中國智能算力規模達748 EFLOPS，預計2026年達1460.3 EFLOPS，2028年達2781.9 EFLOPS。頭部智算中心包括華為昇騰AI計算中心、阿里達摩院智算中心、騰訊智算中心等，其中華為昇騰AI計算中心已在全國建成20個節點，總算力達500 EFLOPS。算力服務方面，阿里雲、騰訊雲、百度智能雲、華為雲佔據國內雲算力市場的80%份額：阿里雲推出“飛天智算平台”，支援萬卡級大模型訓練，服務超10萬家企業；騰訊雲推出“混元智算平台”，整合自研晶片與輝達晶片，提供彈性算力租賃服務；百度智能雲“千帆大模型平台”聚焦空間大模型服務，已接入百度文心空間大模型等20餘款行業大模型；華為雲“盤古算力平台”依託昇騰晶片，提供全端國產化算力服務。算力網路方面，中國營運商牽頭推動算力網路建設，中國電信“天翼算力網路”、中國移動“算力網路”、中國聯通“智慧算力網路”已實現全國主要城市覆蓋，支援算力的按需調度與跨省互聯。2025年國內營運商算力投資增20%以上，算力核心產業規模2026年達2.6兆元，帶動相關產業超12兆元。3.3.3 下游應用：場景豐富，規模化落地加速中國空間智能應用場景豐富，智慧城市、工業智能空間、智能家居、自動駕駛等領域均實現規模化落地：智慧城市領域，試點項目覆蓋全國89%地級市，北京、上海、深圳等超大城市完成全域智能空間基礎設施建設，城市治理響應速度提升70%，能耗管理效率提高45%；工業智能空間領域，數字孿生工廠覆蓋率突破60%，基於邊緣計算的即時最佳化系統使生產線OEE平均提升18個百分點；智能家居領域，全屋智能滲透率達12.3%，華為鴻蒙生態與小米AIoT平台連接裝置突破8億台；自動駕駛領域，百度Apollo、小鵬汽車、理想汽車等企業的Level 3等級自動駕駛車型實現量產，Level 4等級在特定區域試點營運。政策支援方面，中國出台多項專項政策推動算力與空間智能產業發展：《智能空間產業發展行動計畫（2025-2030）》明確培育30家以上獨角獸企業，組建國家級智能空間創新中心，完成73項行業標準制定；《“十四五”數字經濟發展規劃》要求2025年智能家居市場滲透率達到40%；《建築節能與智能化發展綱要》提出2030年新建建築智能化系統覆蓋率達90%以上，存量建築改造率不低於60%。3.4 國內外產業鏈對比：差距與優勢並存3.4.1 核心差距：高端晶片與生態建構1. 高端晶片技術差距：國外晶片製程已推進至2nm，輝達B200、AMD MI350等產品性能領先，國內最先進製程為3nm，昇騰910B、沐曦C600等產品性能介於A100和H100之間，與最新產品存在一代差距；晶片架構設計能力不足，國外企業擁有成熟的GPU架構（如輝達CUDA架構），國內架構生態尚在建構。2. 軟體生態差距：國外形成“晶片-框架-應用”的完整生態，輝達CUDA生態擁有數百萬開發者，支援各類AI框架與應用；國內生態較為分散，昇騰MindSpore、百度飛槳等框架的開發者數量與應用覆蓋度不足，跨框架相容性差。3. 高端感測器差距：LiDAR、毫米波雷達等高端感測器的核心元器件（如雷射發射器、探測器）依賴進口，國內企業在精度、可靠性等方面存在差距，車規級LiDAR的國外品牌市場份額達80%。3.4.2 中國優勢：市場規模與政策支援1. 龐大的市場需求：中國是全球最大的算力與空間智能應用市場，2025年智能算力規模佔全球37.8%，智慧城市、工業製造等場景的需求規模全球領先，為本土企業提供了廣闊的試錯與迭代空間。2. 強有力的政策支援：國家層面出台多項專項政策，從算力基建、技術研發、標準制定到應用推廣全方位支援，“東數西算”工程、新基建戰略等為產業發展提供了充足的資金與資源保障。3. 完善的製造業基礎：中國擁有全球最完整的電子資訊製造業產業鏈，在伺服器、光模組、終端裝置等硬體製造領域具有全球競爭力，可支撐算力產業鏈的本地化生產與成本控制。4. 快速的迭代速度：本土企業在應用場景落地方面迭代速度快，能夠快速響應客戶需求，在智慧城市、工業智能空間等細分場景形成差異化優勢。3.4.3 未來競爭焦點：異構算力與生態協同未來全球算力產業鏈的競爭焦點將集中在異構算力協同與生態建構：一是異構算力晶片的研發，整合GPU、CPU、NPU等多種晶片優勢，提升算力能效比；二是統一調度平台的建設，實現雲端-邊緣-終端的算力協同；三是開放生態的建構，通過開源框架、開發者社區等吸引全球開發者，擴大應用覆蓋度；四是綠色算力的突破，通過液冷、綠電等技術降低能耗，提升產業可持續性。第四章 算力需求分析：空間智能驅動的分層需求與增長邏輯4.1 算力需求總體特徵：規模爆發與結構分化2025年全球算力需求呈現“規模爆發式增長”與“結構差異化分化”的雙重特徵。從規模來看，全球智能算力規模達1980 EFLOPS，較2023年增長5倍，其中空間智能相關算力需求達693 EFLOPS，佔比35%，成為核心增長引擎。IDC測算2025年全球AI模型訓練與推理算力需求650 EFLOPS，多模態模型貢獻60%算力增量，而空間智能是多模態模型的核心應用場景。從結構來看，算力需求呈現三大分化趨勢：一是訓練與推理分化，訓練算力2025-2027年CAGR 25%-30%，主要用於GPT-5等兆級空間大模型預訓練；推理算力同期CAGR 90%-100%，為訓練的近4倍，2028年規模超訓練，成為算力增長主力，主要源於空間智能應用的規模化落地（如自動駕駛推理、智能路側感知）。二是算力形態分化，雲端算力佔比70%-75%，但邊緣算力增速（CAGR 50%-60%）遠超雲端，終端算力穩步增長，形成“雲端重訓練、邊緣重推理、終端重感知”的格局。三是行業需求分化，網際網路行業仍佔主導（60%），但金融、醫療、自動駕駛、工業模擬等場景增速超行業平均，生物醫藥AI模型訓練需求同比增210%。算力需求的增長邏輯可總結為“技術驅動-場景牽引-政策護航”三大核心要素：技術驅動方面，空間大模型參數規模從千億級邁向兆級，GPT-5級空間模型訓練需萬卡級GPU叢集，單次訓練成本超千萬美元，倒逼算力規模提升；場景牽引方面，智慧城市、自動駕駛等場景的規模化落地，帶來海量即時推理需求，Token消耗激增，中信證券預計2030年全球Token消耗為2025年的100-340倍，推理算力規模為2025年的65-220倍；政策護航方面，全球主要經濟體出台算力基建支援政策，中國“東數西算”、美國《晶片與科學法案》、歐盟“數字羅盤計畫”等為算力需求增長提供保障。4.2 分行業算力需求：核心場景與量化分析4.2.1 智慧城市：全域感知與智能調度的算力盛宴智慧城市是空間智能的核心應用場景，算力需求源於全域空間感知、數字孿生建模、智能調度決策三大環節，2025年算力需求達180 EFLOPS，佔空間智能總算力的25.9%。具體場景包括智能交通、智能安防、智能市政、智慧能源等：1. 智能交通：核心需求是即時交通感知與動態調度，單條智能路側裝置（含LiDAR、攝影機、雷達）每秒產生10GB資料，需邊緣算力進行即時處理（目標識別、軌跡預測），單路裝置推理算力需求達10 TOPS；城市級智能交通調度平台需雲端算力進行全域最佳化，一線城市（如北京、上海）調度平台的雲端算力需求達5 EFLOPS。2025年智能交通領域算力需求達80 EFLOPS，同比增長70%。2. 智能安防：核心需求是全域視訊監控與異常行為識別，超大城市的視訊監控點位超10萬個，單個點位需0.5 TOPS推理算力，邊緣端總算力需求達5 EFLOPS；雲端需進行視訊資料回溯分析與模型訓練，算力需求達2 EFLOPS。2025年智能安防領域算力需求達15 EFLOPS，同比增長50%。3. 數字孿生城市：核心需求是全域3D建模與動態模擬，超大城市全域數字孿生建模需處理PB級空間資料，訓練算力需求達10 EFLOPS；動態模擬需即時更新城市狀態，推理算力需求達5 EFLOPS。2025年數字孿生城市領域算力需求達30 EFLOPS，同比增長100%。4. 智慧能源：核心需求是電網、管網的空間監測與最佳化調度，城市級電網數字孿生需處理海量感測器資料，推理算力需求達3 EFLOPS；能源調度最佳化模型訓練需1 EFLOPS算力。2025年智慧能源領域算力需求達8 EFLOPS，同比增長60%。政策驅動是智慧城市算力需求增長的核心動力，中國《智能空間產業發展行動計畫（2025-2030）》要求2025年前完成200個智慧城市試點建設，配套財政補貼規模超800億元；住建部《建築節能與智能化發展綱要》提出2030年新建建築智能化系統覆蓋率達90%以上。 (AI雲原生智能算力架構)

如果說2025是人形機器人和四足機器人的元年，那麼即將到來的2026年，這個產業的格局會發生那些重要變化？日前，野村證券發佈研究報告指出，全球人形及四足機器人市場仍處萌芽階段，行業頭部玩家格局清晰：人形機器人領域以特斯拉和Figure AI為主，四足機器人領域則以波士頓動力領跑。但在2026年，中國人形及四足機器人行業的量產進度將趕超特斯拉。野村認為，這主要得益於中國多數企業的產品設計策略——為實現更快量產及更低成本，主動捨棄了高擬人化性能，如採用輪式底盤、非靈巧手方案等。Part.01 特斯拉Optimus：明年預計量產6-8萬台全球人形及四足機器人市場仍處萌芽階段，受供應鏈複雜度高、技術壁壘突出等因素影響，量產進度整體慢於初期預期。從應用進展來看，特斯拉推進速度最為顯著，截至2025年末，其Optimus機器人已在工廠小範圍執行實用性任務。儘管如此，特斯拉自身發展規劃仍存諸多不確定性：第三代Optimus的最終設計方案仍在迭代，量產節奏尚未完全敲定，且供應鏈份額爭奪已進入白熱化階段，長期來看Optimus供應商的供貨規模與份額均無明確預期。據野村從供應鏈企業處獲取的資訊測算，這家頭部機器人企業或將於2026年3月後啟動產能爬坡，2026年預計交付6萬-8萬台Optimus，到2026年下半年周產能有望達到1000-2000台。若要達成這一目標，核心供應商需具備非中國地區產能。特斯拉方面表示，初期Optimus將優先部署於自有工廠，承擔重複性任務以快速提升生產效率，同時持續迭代技術，計畫2027年實現更大範圍商業化落地。Part.02 中國人形機器人：2026年量產提速野村認為，2026年中國人形及四足機器人行業的量產進度將趕超特斯拉，這主要得益於中國多數企業的產品設計策略——為實現更快量產及更低成本，主動捨棄了高擬人化性能（如採用輪式底盤、非靈巧手方案）。據高工產研資料，中國多家頭部企業已披露明確量產規劃，2026年人形及四足機器人合計年產能有望達5萬-10萬台，其中優必選、宇樹科技、智元機器人、傅里葉智能、深之藍推進力度最大，2026年已能形成可觀出貨量。但中國機器人供應鏈呈現高度封閉且碎片化的特徵：部分廠商選擇垂直整合模式，或優先採購高性價比零部件（如減速器、電機、滾珠絲槓等），且幾乎每家企業的機器人都採用專屬機械架構，難以實現零部件層面的標準化，進而限制了供應商的盈利空間。據野村測算，2026年優必選、宇樹科技、靈動科技、智元機器人、傅里葉智能、深之藍這六家企業將引領行業產能釋放，基準情景下合計出貨量可達11萬-20萬台（含四足機器人）。初期大批次應用將集中於變現快、監管門檻低的商業服務場景，包括倉儲/庫存巡檢、安防巡邏、資料採集以及酒店/零售場景的迎賓導覽等。Part.03 2026年機器人投資策略2026年人形機器人市場的結構性增長仍受制約，量產節奏的時間節點、頭部企業（如特斯拉第三代Optimus）的最終產品設計、供應鏈份額分配均存變數，短期內難以對產業鏈企業業績形成實質性貢獻。因此，對於特斯拉產業鏈標的，野村更青睞核心非機器人業務具備強勁且明確增長動能的企業，其人形機器人業務應被視為高彈性長期期權，2027-2028年才有望兌現業績，而非2026年的盈利驅動項。對於中國機器人產業鏈，野村看好兩類企業：一是具備真實技術護城河的企業，二是在關鍵子系統領域佔據主導地位的企業——這類企業將在2026年國內機器人市場迎來20萬台以上出貨浪潮時，獲取超額收益，且隨著當前主流機型（人形、輪式底盤、非靈巧手方案）啟動量產，它們將成為直接受益者。整體而言，野村對核心業務增長紮實且細分領域具備競爭優勢的企業持選擇性樂觀態度。野村重申對雙環傳動的買入評級，其已確認進入Optimus供應鏈，同時同軸產品增長加速，2026年消費領域業務也將實現可持續擴張。奧比中光依然是野村在機器人領域的結構性首選標的，其在機器視覺領域佔據主導地位，且2026年3D列印及支付業務增長前景超預期。 (智通財經APP)圖表：人形及四足機器人企業量產規劃

隨著人工智慧技術的指數級躍遷，關於技術替代人類的焦慮在全球範圍內擴散。然而，麥肯錫全球研究院（MGI）於2025年11月發佈的重磅報告《智能體、機器人與我們：AI時代的技能協作》（特工、機器人和我們：AI時代的技能夥伴關係）），為防疫技術變革提供了極為緊張和具建設性的視角。長達 60 頁的研究報告簡單重複“機器換人”的陳詞濫調，但卻提出了一個核心論斷：未來的工作範式將是人類、AI 智能體（智能體）與機器人（機器人）三者之間的深度協作。報告指出，這種價值協作的重構，非巧妙的自動化替代方案，才是解鎖巨大經濟的關鍵。根據麥肯錫的預測，到2030年，在自動化採用的中點情景下，僅在美國，通過密集工作流程實現的人機協作每年可以釋放約2.9兆美元的經濟價值。這個數字不僅揭示了技術紅利的規模，更預示著勞動力市場即將經歷一場從“任務執行”到“系統編排”的深刻轉變。自動化邊界的拓展與七大職業原型麥肯錫在報告中將自動化技術的主體訊號劃分為兩類：執行任務的“智能體”和處理邏輯任務的“機器人”。隨著大模型推理能力的提升和多模態技術的發展，這兩類技術的邊界正在迅速拓展。報告中通過嚴謹的模型測算資料，現有的技術能力理論上已經可以實現自動化當前美國約57%的工作時長。但並未著手於57%的工作陣地將消失。麥肯錫的研究團隊強調，這是一個關於工作內容“重組”的過程。根據對約800種職業的深入分析，報告建構了七種全新的工作原型，描述以未來勞動力的構成形態。此類工作約佔美國當前就業崗位的34%，包括註冊護士、操作員和消防員等。由於這些角色高度依賴複雜的社交情感技能或非結構化的物理互動，當前技術難以有效介入，因此此類工作的核心仍將由人類主導。另一端是“以智能體為中心”（Agent-centric）的職業，約佔勞動力的30%，典型代表如會計師、軟體開發人員和律師。這些職位涉及大量的資訊處理和邏輯推理，智能體在這些領域表現出的效率已逐漸超越人類，未來這些角色的工作重心則將大幅向機器定位、人類退居監督和校驗的位置。間歇之間是更為複雜的混合形態，如“人-智能體”協作型（People-agent），頂尖教師、工程師和金融專家；以及極少數的“人-智能體-機器人”全要素協作型。這種分類打破了傳統藍領與白領的二元對立，揭示了一個更為精細的未來圖景：在稀疏職業中，人類都不會離場，必須但學會與非人類的“協作”共處。值得注意的是，物理機器人在製造和物流領域取得了長足的進步，但報告顯示，涉及精細運動技能和非調理環境的物理工作（佔美國工作時長的35%）在短期內仍難以完全自動化。儘管這解釋了為什麼一些低技能的服務性工作（如護理助理、廚師）反而比某些高薪白領工作更能抗自動化。技能變移指數：從單一專長到AI流利度為了確定技術對具體技能的衝擊，麥肯錫開發了“技能變化遷移指數”（Skill Change Index，SCI）。該指數基於對數百萬份招聘啟事和工作任務的分析，揭示了一個反直覺的現象：在未來五年內，受自動化影響最大的往往是那些高度專業化、規則明確的硬技能，而最“安全”的那些紮根於人性的軟技能。報告顯示，數字技能和資訊處理技能位於變革指數中位列榜首。例如，程式語言（如SQL）和會計流程等技能正面臨極高的自動化風險。相比之下，指數底部的技能——如輔導、談判、領導力和客戶關係——普遍對意識形態和同理心的高度依賴，不僅難以被替代，其價值反而會在人機衝突中凸顯。這一趨勢直接導致了勞動力市場需求的脈搏。根據麥肯錫對2023年至2025年間美國招聘資料的追蹤，僱主對“AI流利度”（AI流暢度）的需求激增近七倍，從而成為增長最快的技能類別。AI流利度又指編寫程式碼的道德能力，更關鍵的是指利用AI工具進行日常工作、管理團隊以及理解AI混合與監管的能力。同時，傳統的“基礎技術知識”和“常規寫作研究”技能的需求提及率正在下降。並不意味著這些技能不再重要，而是它們的使用方式發生了根本性轉變。報告分析指出，約72%的現有技能既可用於自動化工作，也可用於非自動化工作。以“寫作”為例，未來的寫作不再是從零開發，而是更多地繼承對AI生成內容的提示工程、編輯潤色和加密邏輯。這種轉變管理者和教育機構重新思考人才培養的邏輯。未來的職場精英不再掌握單一領域深知識的專家，而是能夠指揮智能體團隊針對、跨越學科邊界解決複雜問題的“編排者”（Orchestrator）。管理者的角色也指揮員工考勤和任務進度，轉向設計工作流程、AI模型訓練以及機器處理解決的異常情況。工作流高峰：釋放兆級價值的真正機會麥肯錫報告的一個核心洞見提出，它只指出了當前企業在AI應用上的主要誤區：過分關注單個任務（Task）的自動化，而關注整個工作流程（Workflow）的各個流程。報告認為，在現有流程中插入AI工具（例如給員工配備一個聊天機器人）帶來邊際間的提升，真正的生產力飛躍來自於圍繞人、智能體機器人和重新設計業務。報告分析了美國經濟中的190個關鍵業務工作流程，發現約60%的潛在經濟價值集中在行業的特定垂直領域。在製造業，這意味著供應鏈管理的標準化；在醫療領域，是臨床診斷與病人護理流程的重構；在金融業，這意味著合規與風險管理的自動化閉環。通過詳實的這種案例研究，報告了瘧疾展示了“地下室”的實際形態。以一家全球生物製藥公司為例，傳統的臨床研究報告撰寫的是一個運行數周的人力密集型過程。通過引入生成式AI平台工作，該公司重構了這一流程：AI智能體負責從海量非結構化資料中合成草稿、應用合規範本並進行了初步糾錯；醫學作家的角色則從繁重的撰寫轉變為對AI的臨床判斷、邏輯驗證和最終把關。結果顯示，該流程使初稿的人工接觸時間減少了近60%，錯誤率降低了50%，顯著加速了新藥上市的處理程序。類似的變革也發生在銀行業的程式碼遷移和公益事業的客戶服務中。在這些案例中，人工智慧不再是輔助工具，而是成為工作流的“一級公民”。智能體負責處理80%的常規事務，人類專家則專注於處理那20%的高價值、高風險或高情感參與的情況。這種模式不僅提升了效率，更重要的是，人類從重複性勞動中解放出來，從而能夠專注於重新啟動和戰略性的工作。然而，這種價值的釋放並不是自動發生的。報告警告稱，儘管近 90% 的企業聲稱已投資於人工智慧，但只有不到 40% 的企業報告了可衡量的收益。這種脫節是因為大多數企業仍停留在“技術爭論”階段，未能從組織架構、人才和流程設計等方面進行層面的系統性變革。領導力的試金石：文化、信任與制度適應由智能體和機器人驅動的變革，麥肯錫報告最終將目光投向了領導力技術。只是催化劑，能否平穩渡過這一轉型期，取決於商業領袖和政策制定者的選擇。對於企業領導者而言，最大的挑戰在於如何在追求效率與保持以人為本之間找到平衡。報告提出了一系列積極的問題：你是在利用人工智慧修復舊流程，還是在為未來的價值重構業務？你正在建立一種激勵實驗和是否包含錯誤的文化？你是否為員工提供了適應新角色的技能路徑？未來的管理人員必須具備“雙重雙語”能力——既懂業務邏輯，又懂機器語言。他們不再是簡單發號施令的長官，而是人機混合團隊的訓練。隨著自動化程度的提高，傳統的績效評估系統（基於工時或簡單量）將失效，新的評估系統必須能夠簡化人類對AI輸出的最佳化程度以及關鍵決策中的判斷力。此外，信任與安全成為不可迴避的議題。當決策鏈條中引入了不可解釋的AI黑盒時，如何確保合規、避免偏見並維持客戶信任，將是企業治理的核心問題。報告強調，最有效的領導者不會將AI視為IT部門的項目，而是將其視為核心的業務轉型戰略，由最高消防直接推動。在宏觀層面，報告要求現代教育和公共部門進行同步革新。工業革命催生了公共教育體系，而人工智慧革命則要求建立終生學習的基礎設施。未來的教育不應只關注知識灌輸，更應批判性思維培養、適應力以及與智慧型手機器協作的能力。技能認證體系也需要從“學位導向”轉向“技能導向”，以促進勞動力在不同行業間的靈活流動。麥肯錫全球研究院的報告最終傳達了一個審慎樂觀的訊號：人工智慧帶來了變革的方向，但工作本身不會消失。通過合理的規劃與適應，我們正將人類的能力被技術放大而不是新時代的替代。在這個時代，最大的風險不是被機器取代，而是未能及時學會如何與機器共舞。對於所有市場參與者而言，理解並擁抱這種“技能協作”，將是通向2030年經濟繁榮的唯一入口。 (歐米伽未來研究所2025)