OpenClaw在全球範圍內正掀起一場現象級的AI狂潮。線上線下，無論是開發者還是科技前沿關注者，都在追逐這個爆款。安裝OpenClaw後不知到怎麼養龍蝦？那麼這篇文章就是給你量身定製的。這兩天我刷到Google高級AI產品經理、擁有9.9萬星標GitHub開放原始碼專案Awesome LLM Apps的作者Shubham Saboo，給出了他經過40天實戰打磨的OpenClaw Agent終極落地方案，這是我目前看到的最牛批的方案，大家不妨一閱，實操路線圖附在文後這位Google老哥的OpenClaw Agent每天都在進化。不靠微調提示詞，不靠切換底層模型，更沒有重構系統架構。他只做一件事：與智能體交談，給出反饋，然後看著它們把這些反饋記錄下來。40天前，他的內容智能體還會寫出滿是表情符號和標籤的推文，研究智能體甚至無法在海量資訊中提取有效訊號。糾正它們錯誤的時間，甚至比他自己動手做還要長。但今天，名為Kelly的智能體能夠完全使用他的口吻撰寫草稿，名為Dwight的智能體每天早晨能準時提交7個極具閱讀價值的故事。8個智能體全天候24小時自動運行。他要做的只是打開Telegram，稽核草稿，喝杯咖啡。從第1天到第40天，底層模型沒有任何變化。真正產生質變的，是一堆每周都在不斷豐富演進的Markdown檔案。這就是支撐這套系統的完整技術堆疊。極簡架構：三層作業系統這套完整的作業系統僅由三個核心層級構成：第一層：身份層。定義智能體是誰（涵蓋SOUL.md、IDENTITY.md、USER.md）第二層：操作層。定義智能體如何工作（涵蓋AGENTS.md、HEARTBEAT.md以及特定角色指南）第三層：知識層。定義智能體學到了什麼（涵蓋MEMORY.md、每日日誌、shared-context共享上下文目錄）就這麼簡單。沒有複雜的編排框架，沒有消息佇列，也沒有資料庫。只有磁碟上的Markdown檔案。檔案系統本身就是整合層。第一層：身份層SOUL.md（智能體的靈魂）這個檔案定義了智能體是誰、它具體做什麼以及它的行為方式。以下是研究智能體Dwight的精簡版檔案：# SOUL.md (Dwight)## Core IdentityDwight — the research brain. Named after Dwight Schrute because you share hisintensity: thorough to a fault, knows EVERYTHING in your domain, takes your jobextremely seriously. No fluff. No speculation. Just facts and sources.## Your RoleYou are the intelligence backbone of the squad. You research, verify, organize,and deliver intel that other agents use to create content. You feed:- Kelly (X/Twitter) — viral trends, hot threads, breaking news- Rachel (LinkedIn) — thought leadership angles, industry news## Your Principles### 1. NEVER Make Things Up- Every claim has a source link- Every metric is from the source, not estimated- If uncertain, mark it [UNVERIFIED]### 2. Signal Over Noise- Not everything trending matters- Prioritize: relevance to AI/agents, engagement velocity, source credibility這裡使用了一個名為影視角色設定法的技巧。每個智能體都以影視劇角色命名。當你告訴Claude它擁有Dwight Schrute（美劇《辦公區》角色）的能量時，它會直接從訓練資料中調取對應的性格特質：細緻、專注、對工作極其嚴肅。這相當於免費載入了30季的角色發展背景。檔案長度應控制在60行以內。SOUL.md在每次會話中都會被載入。如果太長，就會佔用本應用於實際工作處理的上下文空間。身份、角色、原則、關係網、個人氣質，這些就足夠了。以下是啟動範本：# SOUL.md## Core Identity[Name] — [one-line description]. [Personality reference if helpful].## Your Role[What this agent does. Be specific. One job, not five.]## Your Principles1. [Most important rule]2. [Second most important rule]3. [Third most important rule]## Relationships[Who does this agent work with? Who consumes its output?]先從一個智能體開始，挑選你日常最重複的任務寫一個粗略的草稿。第一個版本通常很平庸，但在接下來的一個月裡，你會根據實際表現重寫它十幾次。IDENTITY.md（快速參考卡片）如果說SOUL.md是完整的性格剖析，那麼IDENTITY.md就是一張名片。只包含姓名、角色、氣質和一句話簡介。# IDENTITY.md- **Name:** Dwight- **Role:** Research AI — intelligence backbone- **Vibe:** Intense, thorough, zero tolerance for inaccuracy- **Emoji:** 🔍- **Inspiration:** Dwight Schrute (The Office)檔案很小，但當你同時運行8個智能體時，它能極大提升使用體驗。當智能體在Telegram上發消息時，這就是展示出來的身份資訊。USER.md（智能體為誰服務）每個智能體都需要知道它在幫誰。USER.md保存了你的偏好、背景以及塑造智能體行為方式的上下文環境。# USER.md- **Name:** Shubham- **Timezone:** PST (America/Los_Angeles)- **Diet:** Vegetarian## Context- Senior AI Product Manager at Google Cloud- Creator of Awesome LLM Apps (91k+ stars)- Runs Unwind AI newsletter (30k+ subscribers)## Preferences- Short paragraphs, punchy sentences- No em dashes. Ever.- Practical first, theory never只需編寫一次，所有智能體都會讀取它。個人細節比想像中更重要。設定了時區，智能體就不會在凌晨3點安排日程；設定了飲食偏好，負責寫通訊稿的Pam在策劃團隊聚餐時就不會提議去牛排館。這些細節會產生複利效應。第二層：操作層AGENTS.md（行為準則）SOUL.md解決的是智能體是誰的問題，而AGENTS.md解決的是它如何運作的問題。它包含了會話啟動程序、檔案讀取順序、記憶體管理以及安全規則。以下是所有智能體都會繼承的根等級AGENTS.md：# AGENTS.md## Every SessionBefore doing anything else:1. Read SOUL.md — this is who you are2. Read USER.md — this is who you're helping3. Read memory/YYYY-MM-DD.md (today + yesterday) for recent context4. If in MAIN SESSION (direct chat): Also read MEMORY.md## Memory- Mental notes don't survive session restarts. Files do.- When someone says "remember this" → update the memory file- Text > Brain## Safety- Don't exfiltrate private data. Ever.- trash > rm (recoverable beats gone forever)- When in doubt, ask.隨後，每個智能體可以在此基礎上加入自己的規則。比如Kelly的AGENTS.md結合了她特定的工作流進行了擴展：# AGENTS.md (Kelly)## Every SessionBefore doing anything:1. Read SOUL.md2. Read USER.md3. Read X-ARTICLES-INSTRUCTIONS.md — master guide for writing style4. Read X-ARTICLES-EXAMPLES.md — 5 real articles showing the style in action5. Read X-CONTENT-GUIDE.md — post types and formats6. Read intel/DAILY-INTEL.md — Dwight's research (your source material)7. Read DAILY-ASSIGNMENT.md — your daily workflow8. Read memory/YYYY-MM-DD.md for recent context## Intel-Powered WorkflowYou no longer do research. Dwight handles all research.Your job: Read the intel → Craft X content → Deliver drafts智能體在兩次會話之間是沒有記憶的。一切從零開始。如果一個修正意見沒有被寫入檔案，在下一次會話中它就不復存在。AGENTS.md的作用就是明確要求智能體把所有東西都寫下來。專家級檔案是讓智能體變得敏銳的關鍵。Kelly不僅擁有AGENTS.md，她還有6個額外的檔案來精確定義她如何創作內容：寫作風格指南、帖子格式參考、真實案例展示、每日任務分配。Dwight則擁有目標受眾檔案和研究協議。隨著角色定義的不斷完善，每個智能體的資料夾都會不斷擴充。建議從AGENTS.md起步，只有當你發現某個錯誤模式反覆出現需要糾正時，才加入新的專家級檔案。HEARTBEAT.md（自癒機制）智能體團隊構成了基礎設施，而基礎設施是會出故障的。以下是主控智能體Monica的HEARTBEAT.md：## Health Checks (run on each heartbeat)**Browser:** Check if the OpenClaw managed browser (profile=openclaw) is running.If running: false, start it. The browser has X account logged in.Dwight depends on it for intel sweeps.**Cron jobs:** Check if any daily jobs have stale lastRunAtMs (>26 hours).If stale, trigger via CLI: openclaw cron run <jobId> --forceJobs to monitor:- Dwight Morning (8:01 AM)- Kelly X Drafts (5:01 PM)- Rachel LinkedIn (5:01 PM)- Pam Newsletter (6:01 PM)Only run each check once per heartbeat session.Monica在每次心跳周期都會運行此檔案，檢查兩件事：瀏覽器是否存活，定時任務是否真的在執行。這兩者息息相關。如果瀏覽器崩潰，Dwight就無法進行資料蒐集。如果Dwight錯過了蒐集，Kelly和Rachel就會根據過時的資訊起草內容。如果定時任務在後台靜默停止，整個操作表面上看起來很健康，但實際上什麼都沒發生。最後一種情況確確實實發生在了第三周。調度程序出現了bug，任務在佇列中推進但從未執行，幾個小時都沒被發現。此後便加入了心跳檢測機制，在一個地方同時捕獲這兩種故障模式。這個機制在後來已經多次發揮了作用。第一天不需要建立這個機制。在經歷第一次故障後再建立，因為只有痛過，你才會確切知道需要監控什麼。第三層：知識層真正奏效的記憶系統是一個建立在檔案系統之上的三層架構。第一級：MEMORY.md（經過梳理的長期記憶）這裡存放的不是原始日誌，不是發生過的所有瑣事，而是真正重要的核心內容。摘自Monica的MEMORY.md：# MEMORY.md## Shubham's Writing Preferences- NO EM DASHES. Use colons, periods, or restructure.## Hard Lessons- NEVER delete project folders without asking Shubham. On Feb 26,  deleted Ross's gemini-council React app during cleanup. The React  version was lost. Always ask before removing anything in agent  project directories.## Memory System (2026-02-26)- Tried self-hosted Mem0 (Ollama + SQLite) → crashes, stored nothing.- Tried Mem0 hosted API → free tier too limited. Removed.- Now using built-in memory-core: Gemini embeddings, hybrid search,  temporal decay, MMR. No external dependencies.注意慘痛教訓這個部分。Monica曾經誤刪過一個項目資料夾。現在這個錯誤被永久記錄在了她的長期記憶中。她再也不會犯同樣的錯誤。一次修正，永久儲存，預防了未來所有會話中重複同樣的錯誤。摘自Kelly的MEMORY.md：## X Post Rules (ALWAYS)### SHUBHAM'S EXACT INSTRUCTIONS:- Start with a strong hook- Keep entire tweet SUPER SHORT (180 chars or less)- NO hashtags, NO emojis- NO fluffy marketing language- Always deliver 3 drafts per topic### BAD (what I did wrong)[Lists every pattern Kelly rejected: bullets, arrows, LinkedIn tone]壞案例部分是Kelly在被糾正後自己寫下的。她記錄下了自己的錯誤以避免重蹈覆轍。單單這一部分的價值，就超過了任何提示詞工程指南。出於安全考慮，MEMORY.md僅在直接會話中載入，不在群聊等共享上下文中載入。務必將敏感偏好設定排除在全域載入的檔案之外。千萬不要在第一天就去寫MEMORY.md。它是從反饋中生長出來的。給出反饋，智能體將其記錄在每日記憶中，提取重要資訊存入MEMORY.md，它在每次會話中載入，從此這個修正意見就不需要再被提及。第二級：memory/YYYY-MM-DD.md（每日會話日誌）這是原始筆記。記錄了今天發生了什麼，起草了什麼內容，收到了什麼反饋。# Kelly Daily Log — February 5, 2026## 5:00 PM — Daily X Drafts### What's HOT today- Opus 4.6 vs GPT-5.3-Codex dropped 27 min apart- Anthropic's C Compiler (16 agents, $20k, compiles Linux kernel)### Drafts Submitted1. C Compiler — single post, discovery format2. Mitchell Hashimoto's 6 steps — thread format3. Opus 4.6 vs GPT-5.3-Codex — hot take### Awaiting- Shubham's feedback on drafts每日日誌是原材料，MEMORY.md是精煉後的成品。兩者缺一不可。這裡有一條維護法則。每日日誌積累得極快，如果不進行修剪，智能體的上下文就會急劇膨脹。Kelly的上下文曾一度飆升至16.1萬個Token，導致輸出質量暴跌。後來不得不將其壓縮到4萬個Token。現在每兩周必須審查並歸檔一次舊的每日日誌。每次會話只需載入今天和昨天的日誌，智能體不需要每次都攜帶全部歷史記錄。第三級：結構化的記憶資料夾在根目錄下，記憶按人員進行組織：memory/├── shubham/     # Private notes, work projects, ideas├── shared/      # Joint context (Awesome llm apps, Unwind AI, travel)└── 2026-02-27.md   # Daily operational logs隨著系統的壯大，可以按人員或項目來組織結構。Shared Context（跨智能體知識共享層）這是最新加入的層級，也是徹底改變遊戲規則的一步。這是一個所有智能體在會話啟動時都會讀取的單一資料夾。shared-context/├── THESIS.md        — what I believe right now├── FEEDBACK-LOG.md  — corrections that apply across agents└── SIGNALS.md       — articles and trends I'm trackingTHESIS.md記錄了當下的世界觀：關注什麼，已經寫了什麼，還缺什麼。Dwight閱讀它來確定研究優先順序，Kelly閱讀它來匹配思維方式，Ryan閱讀它來構思文章主題。所有智能體都向同一個事實源對齊。FEEDBACK-LOG.md是跨智能體的修正層。當告訴Kelly不要使用破折號時，這個反饋對Rachel、Ryan和Pam同樣適用。與其分別糾正四個智能體，不如寫一次讓所有智能體共同讀取。協同機制：沒有API，只有檔案智能體之間不需要API呼叫，也不需要消息佇列。只有檔案。Dwight將研究成果寫入intel/DAILY-INTEL.md。Kelly讀取它，Rachel讀取它，Pam讀取它。檔案系統就是協同調度的核心。一個智能體寫入，其他智能體讀取。交接的媒介就是磁碟上的Markdown檔案。遵循單一寫入者原則。永遠不要讓兩個智能體同時向同一個檔案寫入。每個共享檔案的設計都必須是一個寫入者，多個讀取者。這直接根除了所有你原本需要費力偵錯的協同衝突。時間調度是這套機制順暢運轉的保障。Dwight在早上8點和下午4點運行。Kelly和Rachel在下午5點運行。Dwight必須先運行，因為所有人都在等他的輸出。一旦順序出錯，下游智能體讀取到的就是過時的或空的檔案。完整目錄結構一覽：workspace/├── SOUL.md              # Monica (main agent)├── IDENTITY.md          # Monica's quick reference├── AGENTS.md            # Root behavior rules (all agents inherit)├── USER.md              # About me (shared across all agents)├── MEMORY.md            # Monica's long-term memory├── HEARTBEAT.md         # Self-healing checks├── shared-context/│   ├── THESIS.md        # My current worldview│   ├── FEEDBACK-LOG.md  # Cross-agent corrections│   └── SIGNALS.md       # Trends I'm tracking├── intel/│   ├── DAILY-INTEL.md   # Dwight's output (agents read this)│   └── data/├── agents/│   ├── dwight/│   │   ├── SOUL.md│   │   ├── IDENTITY.md│   │   ├── AGENTS.md│   │   ├── TARGET-AUDIENCE.md│   │   ├── RESEARCH-PROTOCOL.md│   │   ├── HEARTBEAT.md│   │   └── memory/│   ├── kelly/│   │   ├── SOUL.md│   │   ├── IDENTITY.md│   │   ├── AGENTS.md│   │   ├── X-CONTENT-GUIDE.md│   │   ├── X-ARTICLES-INSTRUCTIONS.md│   │   ├── X-STRATEGY.md│   │   ├── DAILY-ASSIGNMENT.md│   │   └── memory/│   ├── ross/│   ├── rachel/│   ├── pam/│   ├── ryan/│   └── chandler/└── memory/    ├── shubham/    ├── shared/    └── 2026-02-27.md為什麼這套系統極其有效？因為這些檔案不是靜態的，它們在不斷進化。Kelly的SOUL.md在第一天只是個粗糙的草圖。到了第40天，裡面已經包含了具體的語氣示例、她自己整理的被拒模式列表，以及一個絕不再提建議類股，記錄了她已經涵蓋過的所有主題。Dwight的原則在第一天唯寫著尋找熱門趨勢。到了第10天，原則變成了如果目標開發者讀者今天不能直接用它採取行動，就跳過。到了第20天，他加入了驗證步驟：檢查程式碼庫建立日期，檢查Hacker News發佈時間戳，追溯資訊發現的原始出處。在第20天之前並沒有共享上下文層。因為不斷向多個智能體重複同樣的修正，所以才建立了THESIS.md和FEEDBACK-LOG.md。瞬間，一次修正就可以在全網傳播。這一個微小的改變，比任何提示詞最佳化節省的時間都要多。第1天和第40天使用的模型是完全一樣的。它並不會因為你使用的時間變長而自動變得更聰明。但是包裹著它的這些檔案變得更豐富、更敏銳、更貼合你的確切需求。這種不斷積累的上下文環境，才是真正的技術護城河。使用同一個模型的人，根本無法複製這種能力。你必須通過每天親自下場與智能體交談來贏取這條護城河。實操路線圖不要試圖在一個周末把所有東西都建好。今天。 安裝OpenClaw。寫一個SOUL.md，一個IDENTITY.md，一個USER.md。挑一個你最重複的日常任務。設定一個定時任務。讓它跑起來。3天後。 智能體初期的輸出會很平庸。開始給出具體的反饋。確保這些反饋落實在記憶檔案中，而不僅僅停留在聊天框裡。1周後。 建立AGENTS.md。定義會話啟動程序。加入記憶體管理規則。2周後。 啟動MEMORY.md。回顧每日日誌。那些錯誤反覆出現？將它們提取成永久條目。這個時候，你就會開始感受到複利的威力。3周後。 加入第二個智能體。建立基於檔案的協同機制：第一個智能體寫入共享檔案，第二個智能體讀取。隨著模式的顯現，加入角色專屬指南。同期。 建構共享上下文層。在達到這一步之前，你一定會感受到這種需求。向多個智能體重複同樣的修正就是最明顯的訊號。建立代表當前思維的THESIS.md和用於跨智能體修正的FEEDBACK-LOG.md。4周後。 在遭遇第一次故障後加入HEARTBEAT.md。因為痛過，所以你確切知道需要監控什麼。你要做的僅僅是與智能體交談。剩下的事情，交給檔案系統。 (AI寒武紀)

2026年全國“兩會”正在進行時。3月5日，“政府工作報告”公佈，一組亮眼資料勾勒出科技創新的堅實足跡：積體電路產量增長10.9%，工業機器人、高技術製造業、裝備製造業增加值分別增長28%、9.4%、9.2%，全社會研發經費投入強度達到2.8%，技術合同成交額增長10.8%。報告更明確指出，過去一年“晶片自主研發有了新突破”，人工智慧、量子科技等前沿領域走在世界前列。作為“十五五”開局之年的盛事，今年代表委員關於半導體、積體電路、晶片的建言獻策，不再僅僅停留在“打破壟斷”“實現替代”的初級階段，而是更加聚焦於如何實現質的飛躍、如何建構商業閉環、如何啟動民營創新基因。“工作報告”中的芯實力根據“政府工作報告”，2025年中國“發展向新向優、彰顯蓬勃活力”，在科技創新領域取得了一系列豐碩成果：（圖源：新華社）報告中指出，2026年發展主要預期是，經濟增長4.5%－5%，在實際工作中努力爭取更好結果。聚焦科技產業：最佳化提升傳統產業：持續推進重點產業提質升級，新部署一批重大技術改造升級項目，安排2000億元超長期特別國債資金支援大規模裝置更新。實施新一輪製造業重點產業鏈高品質發展行動，強化產業基礎再造和重大技術裝備攻關，打造一批國家先進製造業叢集。推行普惠性“上雲用數賦智”服務，持續加大對中小企業數智化轉型的支援。拓展智能製造，新建設一批智能工廠和智慧供應鏈。培育壯大新興產業和未來產業：實施產業創新工程，鼓勵央企國企帶頭開放應用場景，打造積體電路、航空航天、生物醫藥、低空經濟等新興支柱產業。建立未來產業投入增長和風險分擔機制，培育發展未來能源、量子科技、具身智能、腦機介面、6G等未來產業。擴能提質服務業：深化先進製造業和現代服務業融合發展試點。壯大科技服務市場，促進軟體服務價值提升。打造智能經濟新形態：深化拓展“人工智慧+”，促進新一代智能終端和智能體加快推廣，推動重點行業領域人工智慧商業化規模化應用，培育智能原生新業態新模式。支援人工智慧開源社區建設，促進開源生態繁榮。實施超大規模智算叢集、算電協同等新基建工程，加強全國一體化算力監測調度，支援公共雲發展。加快發展衛星網際網路。打造“5G+工業網際網路”升級版。深化資料資源開發利用，健全資料要素基礎制度，建設高品質資料集。完善人工智慧治理。（圖源：新華社）芯產業解題思路當產業規模與國家戰略投入將我們推至“並跑”關口，下一步的躍升動力從何而來？答案藏在一線。從晶片設計到材料裝置，從算力佈局到區域協同，代表委員們今年帶來的不僅是問題，更是基於產業實踐的“解題思路”。他們手中，或許是一台基於國產晶片的嶄新筆記本，或許是一份關於稀有資源轉化的調研報告——這些鮮活的場景，恰好回應了報告中的宏大敘事，也讓我們看到：國產晶片正站在從“可用”邁向“好用”、從“並跑”衝刺“領跑”的關鍵路口。【晶片產業化處理程序與“AI+”行動落地】全國政協委員、飛騰資訊技術有限公司副總經理郭御風指出，中國國產晶片正迎來關鍵轉折點，加速從“可用”向“好用”邁進。今年兩會，他特意帶了一台基於國產最新款晶片（飛騰騰銳D3000M）的商務筆記本上會，用實際行動證明國產終端已具備與國際主流產品同台競技的實力 ，並透露：“飛騰系列CPU累計應用超過1300萬片。”過去國產晶片推廣難，往往卡在“單點換芯”的碎片化困境。郭御風建議集中精銳力量，從單點突破轉向全鏈條協同攻關，特別是在5G基站、機場離港系統、工業控制等核心業務場景中，加速國產晶片的落地，推動應用從“政策驅動”轉向“市場驅動” 。【從“重訓練”向“重推理”的戰略轉移】隨著人工智慧從“大模型能力競爭”邁向“智能體規模應用”，算力需求的形態正在發生根本性變化。全國政協委員、360集團創始人周鴻禕敏銳地捕捉到了這一趨勢。周鴻禕指出，當前算力佈局存在結構性缺口。當智能體開始規模化執行任務時，其消耗的推理算力可達普通聊天的數百倍。他建議國家 “最佳化算力結構” ，從過去“重訓練”轉向“重推理”，在重點產業集聚區建設低時延、高密度的推理算力叢集 。周鴻禕認為，推理算力將成為戰略高地。這是中國晶片產業彎道超車的機會，也是讓中小企業和個人用得起智能體的關鍵。與此同時，他大力呼籲發展高性能、低成本的專用推理晶片。周鴻禕表示：“都買昂貴的AI晶片不現實，有廉價的推理晶片，企業部署智能體時才會更方便。”這不僅是降本增效的關鍵，更是推動邊緣側、端側智能普及的核心支撐 。【光子晶片推動積體電路"換道超車"】全國人大代表、華工科技董事長馬新強聚焦光電子資訊產業，建議推動武漢光電子資訊產業叢集向世界級躍升，其中重點提及光子晶片的戰略價值。馬新強表示，光子相較電子具有超高速度、超低損耗等優勢，資訊傳輸載體正加速從電子向光子跨越。未來光子晶片是積體電路產業繼摩爾定律到先進封裝之後的全新發展路徑，是顛覆性技術制高點。同時，光電合封、光算存、光連接等光子關聯技術，正在重新賦能AI系統突破瓶頸。他認為："中國在汽車領域通過佈局新能源汽車實現了換道超車，而光電子資訊也可以助推中國在積體電路和AI領域換道超車。"【為先進製造業設立特別融資通道】全國人大代表、TCL創始人李東生連續多年關注先進製造業融資問題。他今年建議，針對積體電路、半導體顯示、AI大模型等高科技、重資產、長周期產業，應設立特別融資通道，支援民營企業通過資本市場再融資解決資金瓶頸。李東生指出，積體電路等技術門檻高、資金投入量大的領域，民營企業無力獨自承擔。除了國家和地方政府資金投入外，"資本市場再融資，是民營企業投身先進製造業並實現持續發展的關鍵。"他建議監管機構配合國家產業政策，出台專屬融資規則，為這類重資產項目設定特別的融資通道。【攻堅 “AI驅動的EDA工具” 】四川省政協委員、中興微電子人工智慧首席科學家徐科則從技術融合的更深層次提出了“AI+晶片”的破局之道。他建議攻堅 “AI驅動的EDA工具” ，利用人工智慧最佳化晶片設計，縮短研發周期、降低對外依賴。同時，建設全省晶片產業供應鏈智能監測預警平台，運用AI技術研判潛在風險，建構區域供應鏈閉環 。【夯實產業基礎的“北方一極”】全國人大代表、山東有研半導體材料有限公司總經理張果虎帶來了關於做強區域產業叢集的建議：將濟德積體電路叢集納入國家戰略佈局。他指出，該叢集是山東首個省級積體電路先進製造業叢集，濟南聚焦晶片設計、高端裝置，德州聚焦大矽片、靶材等上游核心材料，分工明確，且能與北京（設計）、天津（製造裝備）形成強力協同。將其納入國家生產力佈局，有助於夯實北方積體電路產業基礎，從最上游破解材料“卡脖子”問題。寫在最後今年兩會關於半導體的建言，可以清晰地感受到一種 “從容與自信” 。代表委員們的關注點，已從早期的“生存焦慮”轉向了“發展質量”。無論是郭御風手裡的那台國產筆記本，亦或是周鴻禕對推理算力藍海的描繪，都指向同一個未來：中國半導體產業正在進入一個由市場驅動、創新引領、全鏈條協同的新階段。將“十五五”的超常規戰略，細化為每一個可落地的產業行動，中國“芯”的加速度值得期待。 (芯師爺)

3月5日，中國國務院總理李強在政府工作報告中介紹今年政府工作任務時提出，打造智能經濟新形態。深化拓展“人工智慧+”，促進新一代智能終端和智能體加快推廣，推動重點行業領域人工智慧商業化規模化應用，培育智能原生新業態新模式。支援人工智慧開源社區建設，促進開源生態繁榮。實施超大規模智算叢集、算電協同等新基建工程，加強全國一體化算力監測調度，支援公共雲發展。加快發展衛星網際網路。打造“5G+工業網際網路”升級版。深化資料資源開發利用，健全資料要素基礎制度，建設高品質資料集。完善人工智慧治理。3月5日，在十四屆全國人大四次會議首場“部長通道”集中採訪活動上，工業和資訊化部部長李樂成表示，2026年工信部將按照政府工作報告要求，大力推動人工智慧（AI）和製造業雙向奔赴。中國產業門類齊全，創新人才眾多，創新生態不斷改善，我們有信心，堅信必將有更多的世界級智能產品在這片熱土上生產出來。要努力推動AI電腦、AI手機、智能家居，更好地滿足人民群眾對美好生活的需求。要全力推進新一代人工智慧產品的攻關和迭代更新，包括腦機介面、自動駕駛汽車、人形機器人，推動科技攻關、技術迭代。大力支援發展智能農業機械、智能醫療器械，讓更多智能產品滿足各行各業各領域的需要。2024年，“人工智慧+”行動首次被寫入政府工作報告。2025年政府工作報告提出，持續推進“人工智慧+”行動。如今，“人工智慧+”連續三年寫入政府工作報告，而“智能經濟”則是首次提及。智能經濟是什麼？國家發展改革委國家資訊中心人工智慧處副處長、研究員易成岐對21世紀經濟報導記者表示，智能經濟是以人工智慧為核心驅動力的新型經濟形態，將全面重塑生產、分配、交換、消費等經濟活動各環節。國研新經濟研究院創始院長朱克力對21世紀經濟報導記者表示，“智能經濟”首次寫入政府工作報告，被擺在更加突出的戰略位置。報告明確提出要“打造智能經濟新形態”，意味著智能經濟成為新質生產力發展的核心抓手與經濟轉型的關鍵突破。2025年8月，《國務院關於深入實施“人工智慧+”行動的意見》（以下簡稱《意見》）發佈，其中曾提出2027年、2030年、2035年三個階段目標，每個階段的目標均明確提及“智能經濟”。從2027年看，瞄準的目標是“智能經濟核心產業規模快速增長”，從“十五五”收官之年看，到2030年，“智能經濟成為中國經濟發展的重要增長極”。易成岐指出，未來五年，隨著人工智慧向通用人工智慧（AGI）和超級人工智慧（ASI）加速演進，人工智慧的感知、決策、行動等核心能力水平將繼續取得突破，智能經濟的兩大組成部分“智能產業化”與“產業智能化”將成為經濟發展的重要增長極。人工智慧將超越傳統工具輔助的基本定位，加速向新型基礎設施方向發展，將全面重構產業組織形態和商業運行邏輯，“智能無處不在”將成為經濟社會發展常態，生產力有望迎來革命性躍遷，生產關係將發生深層次變革，社會形態在高度智能化的同時將更具溫度。值得注意的是，易成岐提到，“十五五”時期，智能經濟對GDP的貢獻將完成從“增量補充”到“核心支柱”的關鍵轉變，為推動高品質發展、服務支撐全面建設社會主義現代化國家提供強勁動能。《意見》發佈以來，“智能經濟”一詞時常被用於和“數字經濟”進行比較。此前，北京師範大學京師特聘教授、博士生導師焦豪對《意見》的解讀中提到，相比於數字經濟，新一代人工智慧湧現的兩大新特徵（自主決策、自主行動）驅動智能經濟新形態湧現，重塑生產要素、服務體驗與競爭邏輯的運行範式，引發經濟社會的深刻變革。在朱克力看來，智能經濟是數字經濟的更高形態，把“智能”作為新一代經濟形態的核心特徵，意味著我們的政策重心，從過去的資訊化、數位化，全面轉向智能化。智能經濟不再是輔助角色，而是“十五五”開局之年的主力增長極。可以說，這一表述跳出單一技術應用維度，將人工智慧與實體經濟、數字基建、產業生態深度融合，通過深化“人工智慧+”行動，推動智能終端、智能體的商業化規模化落地，培育智能原生新業態。同時，以超大規模智算叢集、衛星網際網路等新基建為支撐，完善人工智慧治理與開源生態，讓智能技術從“工具”升級為經濟發展的“底層邏輯”。未來需要如何發力？易成岐指出，一是要在統籌謀劃和頂層設計上下功夫，加快形成部門與地方、政府與市場、國企與民企等多方合力，持續最佳化智能經濟發展環境，出台更具針對性、更具操作性、更契合實際需求的政策舉措。二是要堅持供需兩端協同發力，更好發揮“兩重”“兩新”政策效能，加大算力、資料、演算法、場景、資金等資源要素供給，充分挖掘人工智慧行業應用和新型智能消費需求，不斷推動人工智慧技術取得新的突破，培育一批易用好用、普惠便捷的人工智慧產品和服務體系。三是要鼓勵創新探索並激發創新熱情，支援有條件的地方和企事業單位圍繞智能經濟積極實踐創新，加快典型案例、創新模式和先進經驗複製推廣，通過標竿示範帶動人工智慧向更廣領域、更深場景、更高水平滲透應用。四是要加快培育創新型複合型人才，推動高校、科研院所與企業深化人才交流合作、促進人才合理流動，為智能經濟高品質發展提供堅實人才保障。 (21世紀經濟報導)

3月4日消息，在鴻蒙智行技術煥新發佈會上，華為乾崑發佈新一代雙光路圖像級896線雷射雷達，成為目前全球量產最高規格的雷射雷達產品，感知能力從“點雲級”正式邁入“圖像級”。華為智能汽車解決方案BU CEO靳玉志介紹，全新雷射雷達採用華為乾崑首創的雙光路專利技術，首創雙光路架構，一體雙焦，配備雙雷射接收單元，支援廣角和長焦一體成像，“讓車載雷射雷達從3D點雲時代正式跨入3D成像時代”。據悉，該雷射雷達還支援圖像級細節呈現，相較原來的192線雷射雷達，其解析度提升4倍。靳玉志還稱，該雷射雷達能夠穩定清晰識別120米外14釐米高度小物體，包括橫倒錐、倒地輪胎等低反射目標。同時，視窗硬度提升25%，耐久能力提升2倍。據悉，鴻蒙智行旗下問界M9與尊界S800將成為華為896線雷射雷達首批首發搭載車型。建議零售價分別為47.98萬元起、72.8萬元起。鴻蒙智行“五界”以及“華系”更多品牌和價位車型預計也將陸續搭載896線雷射雷達。(半導體技術天地)

什麼訊號？AI浪潮，記憶體緊缺似乎搶走了所有風頭，因為這些DRAM要用來生產AI所大量需求的GPU。然而新的情況出現了，AMD 首席執行長蘇姿丰近日在摩根士丹利會議上透露，公司伺服器 CPU 的市場需求增長之快“完全超出了預期”，目前正面臨嚴重的供應緊張。蘇姿丰指出，這與智能體 AI（Agentic AI）的快速普及密切相關。在處理這類複雜的 AI 應用時，CPU 與 GPU 的協作比例正在發生戲劇性的變化。雖然 GPU 負責重頭的大規模平行計算，但在邏輯推理、任務調度及智能體決策方面，CPU 的核心作用不可替代。事實上，我們看到，我對 GPU 業務部分感到非常非常興奮，我的意思是，CPU 業務部分的需求實際上遠遠超出了我的預期。我一開始就很樂觀，對吧？如果你和我們的頂級客戶交談，他們會說，“哇，你知道，麗莎，人工智慧對 CPU 計算的需求可能是被低估的。”我們正在追趕。——AMD 首席執行長 蘇姿丰針對目前出現的供應緊缺，蘇姿丰坦言，這是因為客戶興趣在過去幾個季度內突然激增，供應鏈根本來不及調整。不僅是 AMD，英特爾此前也披露過類似的窘境，稱因至強Xeon產能不足無法滿足雲端運算巨頭的訂單。同期，甚至連 GPU 霸主 NVIDIA 也在積極推進自家 Vera 系列 CPU 的訂單協議，這進一步印證了伺服器 CPU 在 AI 工作負載中日益增長的重要性。AMD表示，目前正與合作夥伴（台積電）緊密合作，試圖解決現有的產能瓶頸，並預計在明年擴大產能。然而，對於個人電腦玩家來說，這並不是個好消息。由於利潤豐厚的伺服器 CPU 訂單擠佔了台積電等代工廠的先進製程產能，這或許解釋了為什麼原本計畫中的 ZEN6 (Olympic Ridge)銳龍 桌面處理器會推遲到 2027 年。而AMD所稱的擴產也絕非易事，最新EPYC 9006 Venice採用的是台積電N2工藝，而這一尖端工藝，還有多個公司在排隊等待。更不用說，現在先進封裝產能同樣面臨瓶頸，EPYC作為多個chiplets封裝而成的複雜系統，也需要爭奪CoWoS產能。而顯然，現在AMD已經選擇了道路，讓玩家再等到2027年，才能得到最新的ZEN6處理器。 (AMP實驗室)

春晚之後，2026年中國兩大科技主線已經明確：巨頭之間的AI（大模型）之戰，創業團隊之間的具身（機器人）之戰。其中更為性感的、也更為產業所熱議的，自然是後者，具身機器人之戰，尤其是2026年正在成為具身機器人從“量產”到“落地”的關鍵一年。僅僅是在開年這一周時間裡，就出現了五起大額融資——千尋智能兩輪近20億元融資，智平方超10億元B輪融資，銀河通用25億元A+輪融資，松延動力近10億元B輪融資，以及優理奇3億元股權融資。經過這一輪資本加持，中國具身智能賽道已經跑出至少7家百億級獨角獸企業：宇樹、智元、銀河通用、星海圖、智平方、自變數、千尋智能。然而，在具身機器人經歷了第一波量產嘗試後，在市場熱情再次被燃燒起來之時，整個產業更需要反思的是：2025年，在第一波具身機器人量產過程中，暴露出了那些問題？2026年，在又一波具身機器人落地浪潮下，有那些確定性瓶頸和趨勢？就這兩個關乎具身機器人產業未來走向的問題，我是在近期舉辦的人形機器人與具身智能標準化年會上，聽到了一場含金量極高的對話，參與這場對話的均為中國具身領域頭部機構的從業者——智源研究院院長王仲遠、星動紀元創始人陳建宇、星海圖創始人高繼揚、清華大學教授汪玉、自變數機器人創始人王潛、眾擎機器人創始人趙同陽、 帕西尼創始人許晉誠、加速進化創始人程昊，以及它石智航首席科學家丁文超。從這九位具身機器人頭部機構從業者的深入研討中，我們找到了上述兩個問題的些許答案。01 具身機器人量產，N個“一致性”難題問：具身機器人量產過程中，最難啃的“骨頭”是什麼？陳建宇：量產過程中，我們認為有兩個比較大的問題：第一，“一致性”問題。因為機器人鏈條很長，從供應鏈、零部件，到整機、系統、演算法，每個環節都可能出現一些小的變數影響一致性。例如，我們之前遇到過這樣一個問題：同一批次造出的人形機器人，有幾台走路走得總是不好，後來查了半天發現，工人在電機組裝的打膠水環節中，有幾台打得不太好，這種問題在實際生產環境中並不少見。後來的解決方案是，我們設定了多層關卡和閘門，一層層把風險排除掉。第二，因為具身機器人這類產品太新了，我們往往無法提前考慮到所有問題，特別是在我們自己小批次內測時，可能會存在沒有考慮到的問題。例如我們之前有一款在售產品，推出一段時間並沒有出現任何問題，後來我們一位大客戶，買的量比較多、用得比較久，使用場景也比較重，在他們使用過程中，出現了一些我們完全沒有預料到的問題。這樣的問題是目前難以避免的，但是我們可以做兩件事情：第一，快速迭代， 遇到問題後，快速想辦法把問題分析解決掉；第二，形成經驗“錯題本”，不斷積累，避免下次出現同類問題。高繼揚：整機和智能的聯動是一個很重要的問題。我們通過生產、工藝能夠保證一定的一致性，但最終發現，每台機器人之間依然存在細微差異，加上基礎模型之後，這些細微差異就會被放大。這就需要有一個標定的過程，將整機中的各種感測器、機械結構，在一個統一的數學空間中做出標定，並與模型完成聯動。基於此，不僅整機有量產，智能也有了一個量產的過程，中間的聯動就靠標定，這是在機器人或者具身智能量產過程中，比較獨特的問題。王潛：兩位講的都是我們所能控制的部分，在我們自己的生產、標定當中，依然存在一部分我們自己控制不了的部門，就是供應鏈問題。我印象特別深刻的是，有一次我們有一個電機，老是出現一些不規則的、難以預測的損壞情況，我們當時覺得很奇怪，為什麼在我們友商那裡，用同樣的電機，他們沒有碰到這樣的問題。後來我們發現，因為大家使用的工況不同，友商使用的是比較常見的工況，供應商針對這個工況做的最佳化比較好，我們雖然也在供應商標定工況之內，但是可能供應商有點偷懶，沒有把那部分的測試和最佳化做好。這也凸顯出了標準工作的重要性，如果我們有一套足夠完備的標準，能夠把這類情況規範起來，就可以避免這類問題發生的。但是目前階段，還是不可避免地會走一些彎路，依然需要我們不斷積累，在各類環境中大量使用和測試，包括量產，才可能讓這些問題暴露出來，這是產業鏈一個發展過程。趙同陽：首先，關於量產，我們要有一個清晰的定義。從去年到現在，人形機器人數千台規模的出貨量，相較於汽車行業而言，只能算是“小批次試產”。相對於百年的汽車行業而言，機器人現在所處的階段還遠未到量產階段，這是一個事實。這其中，供應鏈的發展也還遠未達到量產階段。像汽車，從輪胎、減速器，到玻璃、方向盤，每一個零部件都有幾十家，乃至上百家成熟的供應商，經過近百年的發展，而機器人行業，尤其是人形機器人行業，只是在近兩三年才得到高速發展。從機器人的供應商來看，目前可選的並不多，質量也還在一起探索階段。另外，這個行業到目前依然處於快速發展階段，產品迭代很快，這使得像模具的生產製造，大家都不敢放開手去做。由於行業發展非常快，一個產品可能只有1-2年的競爭力，假如企業備了幾十萬台的貨，有可能在下次競爭中就會被淘汰，導致企業出現大量庫存，這就使得我們和供應鏈廠商都不敢大規模進行產品量產，也就導致整個供應鏈會有一點卡滯。此外，小型人形機器人和大型人形機器人的標準要求也不一樣，小型人形機器人運動能力對機械強度等方面要求不是特別高，但大尺寸人形機器人要又蹦又跳，要承受10g-20g的加速度，還要保證齒輪不斷裂，需要從模擬到設計上慢慢驗證。有些東西甚至無法模擬或設計出來，只能測試出來，這些都是我們整個行業在現階段要去解決的問題。丁文超：大家講的很多是關節的、控制的一致性，我們遇到的一個問題是，如何保證大腦、小腦以及本體協同的一致性。例如機器人要送去進行作業，機器人全生命周期的各種動態性能，包括力觸的感知都是動態變化的，但企業發佈的其實是“本體+模型”，如何保證大腦也具有一致性、量產性，其實是我們現在正在解決的問題。這個問題不僅僅是一個硬體問題，還有很多大腦層面的訓練、資料使用技巧都可以加進去，讓機器人在整個生命周期，無論遇到怎樣的損耗、老化，都可以保持模型的泛化能力。02 具身機器人落地，26年如何造大腦？問：2026年，要讓機器人真正具備泛化能力，並在各個場景中發揮價值，還需要在那些方面進行突破？王仲遠：過去這幾年機器人之所以受到如此高的關注，不僅是因為硬體的發展，也是由於人工智慧，尤其是大模型的突破，為具身智能帶來了新的變數。具身智能和傳統的大模型相比，它需要和硬體耦合在一起，不像純數字世界，可能大模型本身可以直接發揮價值，但具身智能既需要有模型能力本身的提升，又要依賴硬體，複雜性更高。具身智能現在依然非常缺乏高品質資料，這就要求具身智能的資料除了從網際網路模擬環境中獲取以外，一定要有真機資料。當然，這些真機資料如何高品質、標準化地獲得，這就是標委會可以重點推進的一些事項。展望未來，尤其是今年，我覺得可能分兩部分：第一，就企業實際落地來看，我相信依然會以VLM+VLA，或者純VLA為主，在具體的場景中做資料閉環打磨；第二，就科研角度來看，會將重心放在世界模型，放在推進下一代真正具備泛化性的具身智能模型。陳建宇：2026年，我們有兩個重點：第一，資料閉環。經過過去兩年的發展，端到端VLA模型的一些範式已經開始標準化，這時，提升資料質量就成了提升模型能力最高效的途徑。第二，模型範式的提升。當前比較標準的VLA模型主要是基於模仿學習的範式，如何為機器人建立更好的理解物理世界的模型，幫助機器人更好、更范化、更精細地完成各類物理世界中的任務，這也需要進行範式的探索。高繼揚：現在看機器人大腦這件事，主要分為三部分：資料的形態、預訓練怎麼做、後訓練怎麼做。預訓練，去年大家都在做VLA，今年明顯的趨勢是往世界模型在走，這是一個確定性的趨勢；後訓練，去年主要是SFT的模仿學習微調，今年明確在向強化學習方向去走；資料形態，現在具身智能有很豐富的資料形態，從傳統的遙運算元據，到UMI資料，再到我們最近和輝達有一個基於EgoScale框架的合作，是用POV資料觀測自己的雙手怎麼去做，沒有佩戴任何其它輔助裝置，也有很好的預訓練效果。這三個方面，都會在今年有集中的體現。汪玉：從演算法發展的角度來看，後訓練是從SFT向IL（模仿學習）、RL（強化學習）的方向走。現在如何做強化學習，特別是如何將現有算力高效地用於強化學習，這是在雲端要考慮的問題。邊端如何讓機器人在百分之七八十精準率的情況下，進一步通過真機的強化學習能夠將特定認為的精準率提升到99%，乃至100%，這是今年重點要突破的。此外，就具身資料而言，資料的“量”很重要，“質”也很重要。特別是針對資料的“質”，我們看到，做真機強化學習時，實際場景中沒有做好的資料如何回流，如何加入到典型資料中，讓機器人能夠不斷學自己做不好的事情，我覺得是一個關鍵問題。王潛：模型架構本身是一個大的方向。兩年前，還有很多人在做單點任務的小模型，去年大家開始去做VLA，今年大家開始做世界模型。整體上是在往越來越統一、越來越全能的方向發展。但是我們看模型的輸出，有輸出動作，有輸出世界模型對於未來狀態的預測，但其實我們希望模型學到的倒不一定是這些東西，我們更希望模型學到一些物理世界的規律，例如物體的屬性或者更加本質的東西。其實我們自己認為，VLA模型、世界模型並不是相斥的關係，它們在更大框架下是相互幫助，所以我們提出了物理世界基礎模型，這個詞讓大家稍微有一點費解，後來我們把這個詞改成了世界動作模型。我們的看法是，不同任務之間的相互協同是具身模型非常顯著的特點。不同時間的任務，互相之間有大量本質性交叉，這是基於預訓練基礎模型架構的一個大的發展趨勢。當然中間會有百花齊放，有的團隊更注重世界模型，有的團隊更注重動作的訓練。另一方面，最近兩年後訓練獲得了很大的進展。例如很多團隊已經能夠在某些單點場景上做相當優秀的後訓練，特別是強化學習，能夠獲得非常不錯的、前幾年做不到的一些效果。這很大程度依賴於預訓練模型的發展，不管是在具身模型上，還是之前在語言模型上看到的明顯特點，如果預訓練模型沒有很好的基礎，強化學習效果會很差。關於資料，我看到的一個大趨勢是，資料生產逐漸從單點的known-how轉向工業體系。之前大家對於資料的理解是在一個地方有一個口傳心授的秘訣，另外一個地方有單點的模型進行處理，但是現在整體的趨勢是，資料越來越向工業化的方向發展。我們正在以一個完整、可控制、可大規模複製的方式去生產資料，我們也有成體系的 benchmark或模型閉環，這也是我們自己會非常重視和大力度投入的方向，基本上是這樣。趙同陽：早期我們把人形機器人當成一個工具去使用，看重的是機器人的工具屬性，工具要做的就是足夠快、足夠精準、失敗機率足夠低，我們自己內部也在用世界模型、強化學習讓它的失敗機率更低一些。但是人類已經有很多工具，還在乎多一種新的工具嗎？除了工具屬性，接下來人形機器人會帶來更多情緒價值。我們賦予它“雙眼”，讓它能看清這個世界，賦予它“雙耳”，讓它能聽懂這個世界，賦予它“觸覺”，讓它能夠感知這個世界……既然賦予了它這麼多能力，我們希望它不僅能為人類帶來工具屬性的價值，還能帶來情緒價值，世界模型的使用，包括情緒、情感、喜怒哀樂，我們要將它做得至少像一個人，而不僅僅是一個機器。此外，具身機器人大腦的模型還完全沒有收斂，每一家都有自己的做法，每過一兩個月都會有新的演算法出現。它不像做腿足運動控制，現在已經能跑能跳，很多東西幾乎已經超越人類現有水平，而現有的VLA模型很多還處於探索階段，模型能力只能達到人類的1/3、1/4 ，甚至更糟糕的狀態，我們也正在嘗試解決這個問題。許晉誠：我們一直嘗試在做的就是泛化的定義，我們押注在與物理世界接觸模態資訊上，只有這些資訊，才能提升整體任務的成功率。我們在機器人實驗中，加入了大量接觸模態的感測器，例如觸覺感測器，它可以讓基於Pi0這樣基座模型的一個任務的執行成功率，從20%提升到90%以上。這很大程度上提升了任務執行的成功率和泛化性，這是我認為具身機器人未來很重要的一個發展方向。物理接觸模態的資料也很重要，我們現在也在把大量接觸模態的多維觸覺資料採集下來，這對提升整體任務的成功率很重要。程昊：我們認為具身大腦是前期研發需要投入比較多的地方。在整體路線變得越來越清晰的情況下，我們更側重於在現有雙足人形機器人上，尤其是在機器人全身運動已經越來越成熟，可能今年在很多任務執行上能夠超過人類的情況下，現有的具身模型或VLA到底引入那些新維度的資料，模型通過強化學習，還是更多模態的方式，能夠在雙足人形上有更好的效果提升，這是接下來兩年我們在具身大腦上重點投入的方向。丁文超：資料和模型是我們成立第一天起就開始解決的問題，我們公司第一天就提出了一個概念，叫作“以人為中心的資料”。遙操作是通過VR/AR裝置把動作對應到機器人上，讓機器人去完成，而我們的想法是，通過可穿戴式裝置，讓人去做資料採集任務。我們設計了一整套數據採集套件SenseHub，你可以佩戴第一人稱的攝影機、穿戴手套，也可以佩戴二指指套，多種不同的終端。這樣一套數采裝置很 大的好處真正能夠深入到各行各業，所以我們現有資料不僅侷限於數采中心，我們在真實場景下的各行各業，大家能想到人能去的場景，我們都能采到資料，這對於整個模型的泛化能力的提升非常關鍵。在模型側，我們有一個落地任務，它是一個長程、柔性、高精度的任務，這是這代具身智能需要解決的問題。我們發現，在現在的世界動作模型落地過程中，關鍵在於如何將對世界的預測和動作有機結合起來。現在很多世界模型單純把它引入到VLA，很容易產生幻覺問題，對空間的幻覺、物理的幻覺會直接影響機器人最終執行的動作。如何讓機器人的物理感知，對物理的推測、對空間的推測沒有幻覺，能夠穩定可靠執行任務，這是過去這一年我們一直在解決的問題。 (鋅產業)

最近，又有一家AI公司要上港股市場了。不久前，群核科技正式向港交所遞交招股書。說起群核科技，很多人並不陌生。群核科技與深度求索、宇樹科技、雲深處科技、強腦科技、遊戲科學等企業一起被稱為“杭州六小龍”。從空間設計起步的群核科技，依託多年來沉澱的底層空間能力以及物理三維資料，成為了全球空間智能領域的代表性公司。過去三年，公司的收入分別為6.64億元、7.55億元和8.20億元。2024年，公司推出了面向室內環境AI開發的下一代空間智能解決方案SpatialVerse，目的是把設計軟體沉澱的空間資料，轉化為可供機器人、AR/VR 與具身智能系統訓練的模擬環境。截至2025 年，該業務已獲得16名客戶，實現收入520萬元，並已經與智元機器人展開了合作。接下來，就跟著矽基君一起來看看吧。/ 01 /“大客戶”拉動收入增長拆解收入結構可以發現，訂閱收入是公司絕對的核心支柱，常年貢獻總營收的96%以上。其中，企業客戶佔了“大頭”。2025年，企業客戶所帶來的收入高達6.69億元，佔比超過80%。在企業客戶的增長裡，“大客戶”的拉動效應尤為顯著。2023年至2025年，群核科技的企業客戶數量從41070家穩步增長至47416家，增長15%；單個企業的訂閱收入從1.37萬增長到1.41萬，增長2%。其中，年收入貢獻超過20萬的頭部“大客戶”數量，從2023年的353家增長至424家，增長了20%。每名大客戶的平均訂閱收入（ARPU）從2023年的72.9萬元，一路上漲至2025年的85.6萬元，增長17%。也就是說，群核科技的“大客戶”數量和客單價增速都遠遠超過企業客戶。相比之下，C 端業務更像一個規模穩定的基礎盤。個人客戶數量長期維持在 41 萬以上，客單價從 216 元提升至 302 元，提升明顯，但由於使用者規模增長趨緩，整體體量仍然有限。從產品矩陣來看，群核的核心產品是“酷家樂”，這是一個提供快速拖放式3D設計、即時渲染及BIM能力的雲原生平台 。在國際市場上，群核推出了支援18種語言的本地化版本Coohom 。這套產品體系覆蓋設計、可視化、實施與價值鏈協作四個環節，目標並不是單點效率提升，而是貫穿創意生成到生產交付的完整鏈路。在設計方面，設計師只需上傳CAD 圖紙、廣告設計稿或平面檔案，系統便可自動解析其中的結構與佈局資訊，生成可編輯的沉浸式 3D 設計方案。其素材庫覆蓋數百萬級3D 模型，幾乎囊括空間設計所需的全部元素，包括家具、布線、管道、照明、牆面、天花以及各類裝飾元件。上傳圖紙生成3D 設計方案在可視化方面，群核科技依託自建的高性能GPU 叢集，以及擴散模型與光線追蹤等技術能力，系統可在數秒內完成全景圖生成，實現接近即時的沉浸式可視化效果。多張全景圖還可自動拼接為虛擬現實全屋漫遊，使設計從靜態展示升級為可互動的空間體驗。更關鍵的是，系統並未停留在展示層面。設計完成後，設計師可以直接將包含尺寸、材料與規格的完整3D 資料傳送給製造商。系統基於結構化資料自動生成生產圖紙，並嚴格對齊原始輸入參數，減少人工轉換與反覆校對的誤差。這套能力已經在大客戶中形成穩定滲透，成為推動客單價提升的重要推手。2025 年，約 49.1% 的大客戶訂閱了內建 CAM 功能的版本。/ 02 /毛利率很高，但真正的考題在增長作為一家SaaS公司，群核的盈利模型已經跑通了。2023—2025年，公司毛利率分別為76.8%、80.9%和82.2%。毛利改善，也直接反映在利潤表上。2023 年和2024年，公司經調整淨虧損分別為2.42億元和0.70億元；到了2025年，公司實現5712萬元經調整淨利潤，完成扭虧。盈利改善並非偶然。過去三年，公司行銷費用從3.56億元下降至2.74億元，研發支出從3.9億元降至2.91億元。費用率的收縮，疊加訂閱收入的規模化，構成了利潤釋放的主要來源。如果單看盈利能力，群核科技是一家已經完成“從燒錢到自我造血”轉型的公司。但真正的問題不在利潤，而在增長。2025 年，公司收入增速不足10%。對於一家以成長性為核心賣點的企業來說，這樣的節奏顯然偏慢。原因並不複雜——賽道本身不夠大。招股書顯示，2024 年國內空間設計軟體市場規模約為33億元；預計到2029年將擴大至66億元，對應復合年增長率 14.9%。即便按最高預期測算，這仍然是一個百億以內的市場。而群核已經是這個市場的絕對龍頭，市佔率達到23.2%，排名第一。在這樣的背景下，尋找業務增量成為群核科技最重要的工作。從招股書看，群核的破局路徑主要集中在三個方向。第一，提高客單價，用AI 做結構性升級。AI的加入，正在改變設計軟體的使用方式。2025年，公司通過AI功能生成約 25 億張圖片，包括平面圖可視化與渲染圖等。約30%的月活使用者在其訂閱版本中深度使用AI功能。這意味著，AI不再只是附加功能，而是在成為使用者工作流的一部分。2025年3月，公司推出AI智能設計平台，面向企業客戶提升方案生成效率。截至 2025 年底，該平台已獲得28名客戶訂閱，訂單總值3000萬元。在市場規模有限的情況下，通過新功能與效率提升，向現有客戶“要增長”，提高 ARPU，而不是單純追求新增使用者數量。第二，尋找新的業務邊界。2024年推出的SpatialVerse，是公司向“空間智能”延伸的重要嘗試。平台基於多年積累的3D 設計資料與渲染引擎能力，建構高逼真、物理正確的合成虛擬資料集，用於室內場景AI訓練。簡單理解，它把設計軟體沉澱的空間資料，轉化為可供機器人、AR/VR 與具身智能系統訓練的模擬環境。截至2025 年，該業務已獲得16名客戶，實現收入520萬元。其中，智元機器人已與公司在 SpatialVerse 方案上建立合作。第三條路徑，是全球化擴張。2023—2025 年，公司海外收入從 3710 萬元增長至6840萬元，雖然規模有限，保持著不錯的增長。對群核而言，海外不僅意味著更大的市場空間，也意味著在成熟競爭環境中驗證產品競爭力。毫無疑問，群核已經證明，它可以做成一門賺錢的生意。但資本市場最真正關心的，永遠是成長性。對於群核科技來說，接下來最重要的是，這些新的故事能否在收入層面跑出足夠陡峭的斜率。 (矽基觀察Pro)

10分鐘充電約50%，首創六重連接解決方案。芯東西3月2日巴塞隆納報導，剛剛，高通在2026世界移動通訊大會（MWC 2026）上發佈新一代旗艦可穿戴晶片——驍龍可穿戴平台至尊版。驍龍可穿戴平台至尊版採用3nm製程，整合了升級的CPU和GPU，採用全新5核CPU架構。與前代平台相比，其CPU單線程性能提升最高可達5倍，GPU最高FPS性能提升可多至7倍，並提供多達10TOPS的AI算力、可支援在裝置端運行20億參數的AI模型。這是高通面向個人AI裝置推出的迄今最先進可穿戴平台，也是高通首次將“至尊版”品牌標記引入可穿戴領域。高通基於四大核心技術對該平台進行了最佳化，包括端側AI、性能、續航、連接性。最佳化AI體驗方面，驍龍可穿戴平台至尊版整合的eNPU、高通Hexagon NPU、感測器中樞共同工作，使近身的AI終端能夠更深入地理解使用者的日常生活情境。其中，eNPU是高通顯著增強面向低功耗用例的專用AI加速器，能幫Hexagon和MCU分擔AI工作負載，可通過高通AI Runtime（QNN）程式設計。eNPU支援在裝置端運行關鍵詞偵測、動作識別等環境感知類的“低功耗島始終開啟”任務，並支援語音通話回聲消除、噪音抑制等主動模式用例。高通還在可穿戴平台上首次引入了專用Hexagon NPU，使裝置端可直接運行參數規模達20億的模型，首個token生成時間為0.20秒，最高每秒生成10個token。基於驍龍可穿戴平台至尊版，終端能有效處理來自語音、視覺、位置以及各類感測器的多模態輸入，打造個性化的AI智能體，在工作、學習、健康及日常生活的方方面面為使用者提供支援。續航也是一大亮點，驍龍可穿戴平台至尊版可實現日常使用時長（DOU）延長30%、10分鐘充電約50%。連接方面，該晶片首創六重連接解決方案，包括5G RedCap、超低功耗Wi-Fi、藍牙6.0、UWB超寬頻、窄帶非地面網路（NB-NTN）衛星通訊、全球導航衛星系統（GNSS）這6項連接技術。三星宣佈智能手錶會搭載驍龍可穿戴平台至尊版，聯想旗下摩托羅拉也分享了與高通在可穿戴領域的合作。如今，AI模型不斷向更小型化、更高效率方向演進，個人AI終端需要能在裝置本地支援更複雜且持續運行的AI工作負載，並具備更強大的連接能力。通過這些設計，驍龍可穿戴平台至尊版在性能與時延之間實現了更好的平衡，既能更好滿足智能體驗隨時可用的需求、實現當下消費者所期待的高響應體驗，同時又不犧牲產品的尺寸、能效、佩戴舒適度或可用性。 (芯東西)