一、總結摩根士丹利於2025 年 11 月 30 日發佈，聚焦“物理智能（Physical AI）” 推動的人形機器人技術革命，將其定義為 “人類歷史的關鍵篇章”—— 標誌著 AI 從純軟體形態（如 AI 助手）向 “具身智能（Embodied AI）” 過渡，即通過硬體與物理世界即時互動。報告核心目標是拆解人形機器人產業鏈的半導體價值，並推出“人形機器人技術 25 強（Humanoid Tech 25）” 名單，為投資者提供核心賽道與企業參考。報告明確：“物理智能的技術生態已從概念進入快速規模化階段，整合了先進 AI 與複雜硬體，形成‘技術提供商 - 元件製造商 - 人形機器人整合商 - 應用方’四層架構，其中半導體與硬體元件是建構人形機器人的核心支撐。”二、市場規模與增長預測：多維度資料拆解1. 半導體市場：2045 年達 3050 億美元，佔全球半導體重量 15%•核心預測：摩根士丹利通過工業團隊的底層資料測算，預計到2045 年人形機器人半導體市場規模（TAM）將達 3050 億美元，該規模佔2024 年全球半導體 TAM（6270 億美元）的 49%；若按市場共識，2040 年全球半導體市場將增長至 2 兆美元，人形機器人半導體佔比將達 15%。•情景分析：◦樂觀情景（Bull Case）：假設人形機器人 2045 年出貨量從基準情景的 9000 萬台上調 10% 至 9900 萬台，且半導體單位成本因高端產品佔比提升增加 15%，則半導體 TAM 達3780 億美元。◦悲觀情景（Bear Case）：若出貨量下調 11% 至 8000 萬台，且競爭加劇使半導體單位成本降低 15%，則 TAM 降至2320 億美元。•增長邏輯：半導體TAM 增長的核心驅動力是 “單台人形機器人算力需求提升”—— 儘管單位 FLOPS（浮點運算）成本下降，但每台機器人所需的計算量（如即時環境感知、多模態資料處理）增長，抵消了成本下降影響，推動半導體 BOM 佔比從當前 4-6% 升至 2045 年 24%。2. 人形機器人整體市場：2050 年達 5 兆美元，10 億台部署•規模預測：摩根士丹利全球汽車與工業團隊在2025 年 4 月報告《Humanoids: A $5 Trillion Global Market》中指出，到2050 年人形機器人整體市場規模將達 5 兆美元，累計部署量達10 億台，相當於 “每 10 人擁有 1 台人形機器人”。•滲透節奏：2035 年前人形機器人 adoption 速度較慢，主要受限於技術成熟度（如感測器精度、電池續航）與成本（當前非中國供應鏈 BOM 成本 13.1 萬美元）；2030 年代末開始加速，因 BOM 成本降至 2.3 萬美元（低於多數開發中國家人類年薪），且 AI 模型與硬體協同成熟。•區域分佈：從累計部署量看，2050 年北美、東亞及太平洋地區將是主要市場，佔比超 60%，其次是歐洲、南亞；這些區域的製造業、物流、醫療等勞動力短缺行業將成為早期應用場景。3. BOM 成本：從 13.1 萬美元降至 2.3 萬美元，半導體佔比主導•成本變化趨勢：◦當前（2025 年）：非中國供應鏈人形機器人 BOM 成本約13.1 萬美元，其中計算晶片（AI 大腦）佔比最高，單台成本 800-2100 美元，力感測器（1D/6D / 扭矩）合計 100 美元，視覺系統（CIS/LiDAR）30 美元。◦2030 年：BOM 成本較 2025 年增長 15%，主要因 AI 晶片 ASP（平均售價）提升 —— 單台計算晶片需求增加，抵消了部分元件的成本下降。◦2045 年：BOM 成本降至2.3 萬美元，其中半導體佔比從當前4-6% 升至 24%，計算晶片佔半導體內容的比例從 67% 升至 93%。•成本拆解案例：以特斯拉Optimus 為例，其頭部 BOM 成本（含 FSD 晶片、相機）約 2100 美元，佔總 BOM 的 3.8%；肩部電池組（2.3KWh）7800 美元，佔 14.3%；手部（含 6D 力感測器）9500 美元，佔 17.2%；而熱管理、骨架等其他元件佔比約 13.2%。三、核心技術領域：半導體價值集中於三大方向1. AI 大腦技術：佔半導體內容 93%（2045 年），GPU/ASIC 是核心•技術定義：人形機器人的“大腦” 是計算系統，需整合 AI 推理、感測器處理、即時控制，特點是 “低延遲（<10ms，保障平衡與安全）、高算力（支援多模態資料處理）、低功耗（適配電池限制）”，採用 “中央大腦 + 邊緣節點” 分佈式架構。•核心元件與資料：◦GPU：NVIDIA Jetson 系列是主流選擇，如 Jetson Thor 算力達 2070 TOPS，功耗 300W，被用於特斯拉 Optimus、Figure 01 等頭部機型；其 GR00T 基礎模型（Vision-Language-Action 架構）在 “放置水果到盤子” 任務中，成功率從 N1 版本的 44% 提升至 N1.5 版本的 98.8%。◦ASIC/SoC：特斯拉自研AI6 晶片，整合訓練與推理功能，用於 Optimus 與機器人計程車（Cybercab）；Renesas RZ/V2H 晶片（含 DRP-AI3 加速器）支援即時物體檢測與電機控制，延遲低於 5ms。◦CPU 架構：Arm Neoverse CSS v9 架構佔邊緣 AI 市場 70% 以上，因功耗效率高（每瓦性能比 x86 高 3 倍），被用於關節邊緣節點（如肩部、肘部），單節點功耗 < 5W，全球 2200 萬開發者生態加速其應用。•摩根士丹利觀點：“AI 大腦是人形機器人的核心價值，其技術壁壘最高 —— 當前多數頭部機器人企業（如特斯拉、波士頓動力）均依賴 NVIDIA 的晶片與軟體生態，而 Arm 架構將成為邊緣計算的主流選擇，因電池供電場景下，功耗效率比算力絕對值更重要。”2. AI 視覺：CIS 市佔率 53%（索尼），參考 ADAS 技術路徑•技術定位：AI 視覺是人形機器人 “看見世界” 的核心，需實現 “高解析度（識別細小物體）、高動態範圍（適應強光 / 弱光）、低延遲（<20ms，保障導航安全）”，技術路徑參考自動駕駛 ADAS（高級駕駛輔助系統），以 “多相機 + LiDAR” 為主流配置。•核心元件與資料：◦CMOS 圖像感測器（CIS）：2024 年索尼 CIS 全球市佔率 53%（按營收），其高解析度（4K）、低噪聲 CIS 被用於多數頭部機器人；三星 CIS 聚焦 200MP 感測器，計畫 2026 年供應蘋果摺疊屏 iPhone，並拓展人形機器人市場；安森美（Onsemi）在汽車 CIS 市佔 31%，2025 年開始向機器人領域批次供貨。◦LiDAR：禾賽（Hesai）2025 年一季度交付 5 萬台機器人 LiDAR，單台成本約 300 美元，其雷射雷達可提供 3D 環境建模，測距精度 ±2cm，被用於倉儲機器人導航；特斯拉 Optimus 暫未採用 LiDAR，依賴 8 顆 CIS（頭部 4 顆、胸部 2 顆、手臂 2 顆）實現視覺感知。◦ToF 感測器：STMicro 的 FlightSense ToF 感測器可在低光環境（<10lux）下工作，測距誤差 < 5%，被用於機器人避障與跌倒預防；Infineon 的 60GHz ToF 相機可實現 10m 內高精度測距，影格率 30fps，適配動態場景。•成本約束：人形機器人視覺系統BOM 成本受嚴格限制 —— 特斯拉 CEO 馬斯克明確 “Optimus 售價將低於汽車”，當前汽車感知系統（6 顆雷達 + 13 顆相機）BOM 約 1800 美元，而 Optimus 頭部視覺系統（含晶片）僅 2100 美元，因此 “高性價比 CIS + 少 LiDAR” 成為主流方案。3. 感知技術：模擬晶片 + 力感測器，歐洲企業主導•技術需求：感知技術是人形機器人“感知自身與環境” 的基礎，包括 “關節位置反饋（知道自身姿態）、力 / 觸覺反饋（知道施加的力度）、環境感知（溫度 / 壓力）”，核心元件為模擬晶片與專用感測器。•核心元件與資料：◦模擬晶片：Infineon、STMicro、Melexis 三家歐洲企業主導，2024 年全球工業模擬晶片市佔率超 40%；Infineon 的 XENSIV 系列電流感測器（TL14971）精度達 ±1%，被用於電機控制；STMicro 的 MEMS IMU（慣性測量單元）漂移率 < 0.1°/h，保障機器人平衡。◦力感測器：6D 力感測器（測量 3 個方向力 + 3 個方向扭矩）單台成本約 100 美元，均勝電子（Joyson）已開發 6 軸力感測器，並與 AgiBot 達成戰略合作；Melexis 的 Elaxis 扭矩感測器採用電感式技術，精度達 0.5% FS（滿量程），適配關節動態扭矩測量。◦觸覺感測器：Melexis 的 Tactaxis 技術通過 “彈性墊 + 微型磁鐵 + Triaxis 霍爾感測器” 實現 3 軸力測量，單個 “taxel（觸覺單元）” 尺寸 < 1mm²，可整合於機器人指尖，檢測最小壓力 0.1N；特斯拉 Optimus 採用指尖應變片式力感測器，可實現 0-50N 力檢測，誤差 < 2%。•摩根士丹利觀點：“模擬晶片與感測器是人形機器人的‘隱形冠軍’領域 —— 這些元件技術壁壘高（如 Infineon 的 GaN 器件採用 300mm 晶圓，成本與矽基持平），且多數企業具備汽車級可靠性（如 AEC-Q100 認證），可直接遷移至機器人場景，因此歐洲企業將長期主導該賽道。”四、全球核心企業佈局：Humanoid Tech 25 與區域優勢1. 美國：AI 大腦與視覺龍頭，NVIDIA/AMD 主導2. 歐洲：模擬晶片與感測器，Infineon/STMicro/Melexis 領跑3. 日韓：精密製造與關鍵元件，索尼 / 三星 / 瑞薩核心4. 大中華區：硬體製造與細分元件，富士康 / 地平線 / 歐菲光突出人形機器人技術 25 強企業（Humanoid 25）五、技術挑戰與經濟價值：瓶頸與長期潛力1. 核心技術挑戰：感測器、能源與生態•感測器瓶頸：◦6D 力感測器：當前採用應變片技術，成本高（100 美元 / 台）、體積大（直徑 > 50mm），難以整合於小型關節；摩根士丹利預測，電感式感測器需到 2030 年才能將成本降至 50 美元以下。◦觸覺感測器：電子皮膚（E-skin）耐用性不足，特斯拉 Optimus 因手部觸覺感測器磨損問題，2025 年曾縮減產能；當前最先進的 Shadow Dexterous Hand（24 DoF）需 100 + 感測器，成本超 10 萬美元，難以規模化。•能源效率挑戰：◦功耗需求：人形機器人平均功耗400-800W，相當於一台小型冰箱，當前鋰電池續航僅 4-6 小時；三星 SDI 的固態電池（能量密度 400Wh/kg）預計 2030 年量產，可將續航提升至 12 小時。◦算力功耗：生成式AI 算力需求激增，摩根士丹利可持續研究團隊預測，2027 年 GenAI 功耗將相當於 2022 年全球資料中心總功耗的 75%，而半導體工廠與發電廠建設周期需 3-5 年，成算力規模化瓶頸。•生態整合難度：◦資料融合：“視覺 - 觸覺 - 運動” 資料需即時協同，當前機器人在動態場景（如突然出現的障礙物）中，決策延遲超 50ms，易導致碰撞；NVIDIA IsaacSim 模擬平台可將測試效率提升 1000 倍，但真實場景適配仍需大量資料。◦標準缺失：人機互動安全標準（如碰撞力閾值）、感測器資料介面標準尚未統一，不同企業產品難以相容，增加開發成本。2. 經濟價值：人力替代與生產力提升•人力成本替代：◦時薪對比：當前（2025 年）人形機器人時薪約 25 美元（按 BOM 成本 13.1 萬美元、5 年折舊、24 小時運轉計算），2030 年降至 7.7 美元，2050 年進一步降至 2.6 美元，均低於美國當前最低工資（15-20 美元 / 小時）。◦投資回報期：當前機器人投資回報期3-5 年，2030 年縮至 2 年，2040 年縮至 1.5 年，製造業（如汽車組裝）、物流（如倉儲分揀）將成為首批大規模應用行業。•生產力提升潛力：◦TFP 增長：布魯金斯學會（Brookings）研究顯示，AI 推動的生產力提升若達 59%（20 年），美國 GDP 將在 2042 年增至 60.4 兆美元（2023 年為 27 兆美元）；若 AI 實現自改進（生產力增 91%），GDP 將達 82.9 兆美元。◦行業影響：製造業productivity 將提升 30-50%（減少人工誤差與 downtime），農業（自動化播種 / 收割）、醫療（輔助護理） productivity 提升 20-30%，物流（24 小時分揀）提升 50-80%。六、摩根士丹利投資建議：聚焦三大核心賽道1. AI 大腦技術：優先選擇“晶片 + 軟體生態” 一體化企業，如 NVIDIA（Jetson+GR00T）、Arm（Neoverse CSS + 開發者生態），以及為 AI 晶片提供 EDA 工具的 Synopsys（DSO.ai 設計自動化工具，可縮短晶片設計時間 5 倍）、Cadence（Cerebrus AI Studio，支援 SoC 定製）。2. AI 視覺：關注CIS 龍頭（索尼、三星）、LiDAR 企業（禾賽），以及高解析度相機模組供應商（三星電機），這些企業技術可從汽車遷移至機器人，具備規模化優勢。3. 感知技術：重點佈局歐洲模擬晶片企業（Infineon、STMicro、Melexis），以及國內細分感測器企業（均勝電子、禾賽），這些企業在汽車領域的可靠性認證（如 AEC-Q100）可直接復用，技術壁壘高且競爭格局穩定。同時，報告提示風險：“人形機器人技術落地可能受限於感測器成本下降速度、能源效率突破節奏，以及勞動力市場監管政策，投資者需關注技術迭代與政策動態，避免過度追高短期估值。”(有道調研)

上周四，高盛最新發佈了一篇分析，旗幟鮮明地表示：加關稅救不了美國製造業。圖片 | 來自網路高盛指出，關稅或許能提供一時保護，卻無法解決根本矛盾——技術落後、效率低下，才是製造業競爭力下滑的真正原因。高盛強調，“創新步伐的加快——可能來自機器人技術和生成式AI的最新進展——仍是最有可能扭轉製造業生產率長期停滯的催化劑”01關稅看上去能提高進口商品價格，激勵企業回流投資，但現實遠比理論複雜得多。資料顯示：2023至2025年間，美國製造業持續疲軟，美國製造業採購經理人指數（PMI）連續多月處於收縮區間；2025年4月，美國製造耐用品新訂單環比下降6.3%，創近三年最大跌幅；鐵鏽地帶的“重振承諾”遲遲未兌現，大多數新增製造業崗位集中在服務型製造，而非回遷重工業。過去，美國靠電腦和電子行業拉動產出，享受了一段“容易溢增”（easy gains）。但如今這些紅利漸漸耗盡，即便對中國等低成本國家徵收高額關稅，也無法根本解決問題，因為海外生產仍然“遠低於美國本土”，這意味著進口替代只能微調成本差距，無法扭轉整體趨勢。在高盛看來，中國憑藉成本優勢和國家產業政策，仍將持續擴大其製造業出口份額 。那對於美國來說，出路在那裡？高盛的看法是技術創新。因為美國製造業“生產率長期停滯”的問題根源在於技術創新不足，而加速技術創新才是扭轉局面的關鍵 。此前，高盛估計美關稅政策可能使GDP下降數千億美元，但而技術創新則可為GDP帶來幾兆美元的增量。特別是隨著越來越多企業將AI和機器人融入生產流程，生產效率與人均產出有了明顯的提升。比如——亞馬遜已經在倉儲物流中大規模部署機器人，提高搬運效率；在亞馬遜的倉庫裡，一台名為 Vulcan 的機器人利用觸覺和人工智慧，從一個移動貨架上取下一件商品。 圖片來源：Wolf von Dewitz / picture alliance / Getty Images百事公司用AI分析土壤和氣候資料，幫助農民在正確的時間播種和灌溉；而做牛奶包裝的利樂（Tetra Pak）則用AI預測不同配方在未來幾個月的市場需求，提前調整生產計畫。裝置維修也變得“未雨綢繆”了——以前要等機器“罷工”才修，現在AI會提前預警，讓工廠少停幾次，損失也就少了幾分。再比如美國印第安納州航空精密零件製造商MSP Manufacturing，這家公司使用人工智慧輔助的 CNC 程式設計方案，將零件加工程序編寫時間縮短約70%，極大加快了報價和交付速度，從而在競爭中取得優勢 。02在全球製造版圖重繪的今天，中美兩國在“機器換人”這場深水區的角力中，起點和路徑都存在顯著差異。中國的進展令人側目。近年來我們在工業自動化方面投入巨大，成效顯著。根據國際機器人聯合會（IFR）的資料，2021年中國工業機器人密度已達每萬名製造業員工322台，首次超過美國同期的274台 。事實上，根據官方資料，中國過去十年裡新增的工業機器人裝機量佔全球的一半以上。中國國家層面甚至宣佈未來20年內將通過國投基金等形式投入近1兆元人民幣用於機器人、人工智慧等高技術領域 ，進一步為製造業智能化提供政策支援。所以你看到了，中國這邊，是整個國家在用財政、政策、市場和技術編織一張密實的智能製造網路。而美國的智能製造，則仍停留在 GE、波音的“孤島式試點”階段——沒有形成平台化工業網際網路生態，也缺乏對中小製造商的系統滲透能力。在應用案例上，中國企業也體現出快速部署的趨勢。例如，特斯拉上海工廠報告其生產線自動化率已達到95%，並將焊裝車間的自動化率幾近100% 。通訊裝備和電子製造業中的龍頭企業（如華為、比亞迪等）也普遍採用自動化生產線和AI質檢系統。Foxconn（富士康）更將AI和數字雙胞胎技術作為未來工廠的核心，通過與西門子合作建構“未來工廠”，在電子製造和自動駕駛汽車領域最佳化生產效率 。這背後，是中國企業在政策引導和市場規模的雙重推動下，展現出的高度組織力和快速部署能力。美國當然也在行動。比如GE的智能製造項目試圖通過資料分析加持精益生產來提升效率，但總體而言，美國在自動化推廣方面受到成本和產業結構因素制約較多，且民間投資多集中於消費領域AI（如網際網路企業），工業領域的創新需更多政策引導。根據BCG的一項調查，僅46%的美國受訪者報告工廠中多場景應用AI，遠低於全球平均62%和中國77%。當然《晶片與科學法案》也開始對先進製造進行財政補貼，但相較於中國設立的各類產業基金、地方政府的專項配套政策，以及數以萬計的機器人應用場景，這些努力還顯得有些“輕巧”。智能製造不是孤立技術的堆疊，而是系統能力的體現。未來的製造，不再只是比誰更便宜，更關鍵的是誰更聰明、反應更快、更安全。產業鏈的穩固不再只是為了壓低風險，更是為了搶佔技術與市場的主動權。接下來，中美將在更多前沿領域展開拉鋸：從工業網際網路的底層協議，到協作機器人的柔性部署，從自動駕駛物流的閉環試驗場，到AI在製造資料分析上的“隱身工作”。甚至在綠色製造、資料出海、專利管轄權這些看似邊緣的賽道，也可能成為戰略級的高地。03高盛也承認，AI和自動化不是沒有代價的。他們預測，在接下來的十年裡，全球可能有多達三億個工作崗位受到AI與自動化的衝擊。所以，對於一個國家來說，真正有前瞻性的工業政策，從來不是去“保住”舊的崗位，而是設法創造出新一代的工人——那些能夠駕馭智能工具、理解資料邏輯、在數字車間裡操控未來生產線的“新工匠”。首先，是從政府端點燃引擎。無論是研發補貼，還是稅收激勵，都可以成為推動車間變革的扳手。很多國家早已開始佈局：德國設立工業4.0示範工廠，日本推動“智能製造夥伴聯盟”，中國也有類似的“燈塔工廠”試點。這裡的關鍵在於，把錢用在真正能夠升級工業神經系統的領域——AI演算法、自動化硬體、工業感測網路等——並讓科研院所、高校和企業形成協同合力，為下一代製造系統提供人才和技術的“底盤”。其二，裝上引擎還不夠，還要有人會開。自動化提升了效率，卻也重塑了勞動力市場的地基。我們正在進入一個“訓練成本”變成核心門檻的時代。一台自動化裝置再聰明，也需要人去維護、校準、分析和偵錯。而這些新崗位，對工人的要求遠遠高於流水線時代。因此，從現在起重新設計職業教育體系，提前開展再培訓項目、建構有彈性的社會保障網，才是真正意義上的“智能製造戰略”——技術不該是用來替代人的，而應該是用來強化人的。其三，是建構可視化評估工具。為了做出科學的決策，將不同政策（關稅保護、研發補貼、教育培訓等）與關鍵經濟指標（就業、GDP、投資回報等）聯絡起來，甚至把關稅、補貼、教育投資等多種政策路徑納入統一模型。例如，將宏觀經濟模型與行業生產率模型結合，形成“關稅vs技術投資”的情景模擬工具，評估各種策略的長期影響。這類可視化工具能夠幫助政策制定者理清路徑的成本收益，為製造業的發展制定更加精細的政策。04其實，美國製造業的復興，目前面臨的是路線之爭：核心矛盾在於是繼續依賴貿易保護來“迴避”競爭，還是選擇擁抱技術創新來“迎接”挑戰，是在“退守”與“升級”之間做選擇。高盛目前的研究和案例表明，關稅可以築起一道牆，拖延競爭壓力，但沒法從根本上改變美國目前單位產出的成本結構。反之，唯有通過技術深化和組織升級，才能從“更聰明地生產”中走出效率困局。而對站在另一端的中國來說，更值得深思的其實是鏡像裡的自己。當AI智能化成為新工業體系的標配，當“生產率”的定義從拼規模轉向拼演算法，當全球產業分工悄然重構，我們真正要關注的，不是美國怎麼做，而是中國如何在智能製造浪潮中，佔據標準、技術與信任的優勢地位。這意味著，我們要關注標準的制定力，技術的原創力，以及——最難得也最稀缺的——全球信任的積累力。文明的迭代，不會屬於最會喊口號的國家，而會屬於那些能持續更新認知、建設能力、並用真實行動說話的國家。 (TOP創新區研究院)

黃仁勳稱，自動駕駛汽車將成為機器人技術的首個主要商業應用領域，輝達的目標是，數十億個機器人、數億輛自動駕駛汽車和數十萬個機器人工廠都將由輝達技術驅動。他重申，電腦行業大規模的AI基礎設施升級才剛剛開始。輝達股價收漲超4%，重新奪回全球最高市值個股寶座。美東時間6約25日週三舉行的輝達年度股東大會上，黃仁勳回答一位與會者提問時表示："我們公司有許多增長機遇，其中AI 和機器人技術是最大的兩個，代表著數萬億美元的增長機會。"相比資料中心，輝達的汽車和機器人業務目前規模還很小。未來的應用將既需要輝達資料中心的AI晶片訓練軟體，也需要其他安裝在自動駕駛汽車和機器人上的晶片。黃仁勳強調了輝達的Drive晶片平台，以及梅賽德斯-奔馳正在使用的自動駕駛汽車軟體。他還表示，輝達最近發佈了名為Cosmos的人形機器人AI模型。黃仁勳說："我們正致力於實現這樣一個目標：數十億個機器人、數億輛自動駕駛汽車和數十萬個機器人工廠都將由輝達技術驅動。"黃仁勳表示，輝達的品牌正在不斷髮展，"我們很久以前就不再將自己視為一家晶片公司了"，更貼切的說法是，"AI 基礎設施"或"計算平台"供應商。摘自花旗研報花旗：推理令牌生成激增，微軟單季度處理的令牌超過100萬億，是一年前的5倍。超越AI代理下一波浪潮已經到來。機器人以及用於訓練它們的所有人工智慧基礎設施將成為下一個數萬億美元的產業。推理推斷需要數量級更多的計算能力，而令牌生成在過去一年中激增了50到100倍。為了應對這一指數級的增長，巨大的人工智慧工廠正在各地興起。股東大會問答環節1. 鑑於競爭，NVDA如何提升銷售？數萬億美元的長期增長機會，來自人工智慧和機器人技術。市場迅速擴展，對增長能力充滿信心。競爭激烈，並且擁有領導地位。幾個要素：Nvidia 是一家人工智慧基礎設施公司。提供計算、網路、軟體和系統級創新的全套解決方案。不斷擴大的影響力和數千個生態系統合作夥伴，擁有超過600萬開發者。每年推出新的資料中心產品。2. 增長和利潤機會？人工智慧和機器人技術帶來眾多增長機會。3. 如果對人工智慧的興趣突然減退，輝達的計畫是什麼？它能否在銷售和遊戲方面做更多發展？人工智慧是計算的未來。每個行業都會受到影響，包括遊戲行業，並將成為變革每個行業的關鍵基礎設施。推動我們各市場增長的平台均基於單一架構開發。在一個領域的投資可以在我們其他領域的產品和服務中加以利用，增強其特性、功能和能力。向加速計算和人工智慧的轉變是我們業務的一個重要長期增長機會。4. 超越布萊克韋爾架構的平行量子計算策略？超越布魯賓和費曼。每年將在計算領域取得突破。量子計算將服務於一個非常特殊的計算領域。商業量子應用將運行在混合GPU量子電腦上。由GPU和量子處理單元（QPU）組成。實用的量子計算遠非與QPU競爭，而是依賴於與人工智慧超級計算和GPU的合作。有用的量子計算遠非與量子處理單元（QPU）競爭，而是依賴於與人工智慧超級計算和圖形處理單元（GPU）的合作。Blackwell 已經在幫助研究人員朝著全面量子計算的方向努力。輝達的戰略是通過CUDA-Q混合GPU量子-經典平台推進量子計算。 (Alpha外資風向標)

說起波士頓動力，大家肯定不陌生，他們家的Atlas機器人，也是人形機器人界的“頂流”。剛剛，Atlas人形機器人又秀了一波新操作，簡直太驚人了，動作無限接近人類，大家直接看視訊感受一下波士頓動力官方發推表示，Atlas這次展示的是用動作捕捉服開發的強化學習策略。 啥意思呢？簡單來說，就是讓真人穿上動捕服，做出各種動作，然後把這些動作資料“喂”給Atlas，讓它自己學習模仿更厲害的是，這次合作方是 RAI Institute 這個AI機構。他們也發推簡單解釋了背後的技術細節：核心技術：強化學習 這次Atlas能這麼絲滑地復刻人類動作，強化學習功不可沒。它可以加速機器人“行為”的開發速度訓練秘訣：物理引擎模擬器 為了讓Atlas學得更快更好，RAI Institute 用了一個物理引擎驅動的模擬器。 這個模擬器能生成海量的訓練資料，模擬各種各樣的動作場景海量資料煉成“神功”：1.5億次模擬 你沒看錯，每個動作的訓練資料，都來自大約 1.5億次 模擬器運行！ 這資料量，簡直是“暴力喂養”啊！零樣本遷移：學完直接上真機 最牛的是，這些在模擬器裡訓練好的“技能”，可以直接 零樣本遷移到真實的Atlas機器人身上！ 不用再在真機上額外訓練，直接就能用！人形機器人的下一步波士頓動力首席技術官：Aaron Saunders一個關鍵的問題始終擺在我們面前：我們看到的進步，究竟是 切實可行、可以真正落地應用的人形機器人解決方案 的進步，還是僅僅停留在 孤立的實驗室研究成果 展示層面？深入探討這一至關重要的區別，審視當前人形機器人技術的現狀，並找出實驗室演示與實際應用之間的差距。 分析阻礙人形機器人廣泛普及的關鍵挑戰，包括在非結構化環境中保持可靠性和穩定性、成本效益，以及對具備真正適應性和問題解決能力的高級人工智慧的迫切需求 (AI寒武紀)

深圳：加大機器人AI晶片攻關 3月3日電，深圳市科技創新局印發《深圳市具身智慧型手機器人技術創新與產業發展行動計畫（2025-2027年）》，加大機器人AI晶片攻關。研究集神經網路處理器指令集架構、存算一體計算架構、異構多核架構、低功耗模式及演算法工具鏈於一體的新型AI晶片架構。研發支援Chiplet整合擴展、具身智能VLA/VTLA端到端大模型和多模態大模型推理加速、認知推理類腦晶片、低延時驅動介面、多感測介面、低功耗的機器人AI晶片。研製機器人端側計算晶片及模組，推進中國國產化替代。 點選看：百億企業10家、十億企業20家！深圳發佈具身智慧型手機器人“18條”！ 晶片相關要點（芯榜整理）：

超越鐘睒睒和張一鳴，雷軍成了中國的新首富。 最近一段時間小米股票瘋漲，總市值一度突破1.4兆港元（截稿時間小米市值為1.33兆港元），擁有小米集團24.2%股票的雷軍，身價也跟著水漲船高。 在雷軍向首富位置邁進的過程中，手機和新能源汽車業務起到了關鍵作用，小米SU7 2024年交付高達13.5萬輛，遠超小米的預期，讓小米汽車在極短時間內成長為與鴻蒙智行、理想、小鵬並列的頭部造車新勢力。但小米前進的步伐不會就此停下，逐漸崛起的機器人行業或將成為小米股價、市值持續提高的新助力。 （圖源：小米）

AI晶片競爭日益激烈，據媒體報導，作為算力霸主的輝達正在押注機器人技術，希望其能成為公司下一個重要增長動力。 “物理人工智慧和機器人技術的ChatGPT時刻即將到來。” 輝達機器人技術業務副總裁Deepu Talla表示。 當前，機器人、特別是人形機器人仍處於規模化初期，行業仍在致力於降本、提高產品精度和擴大規模。 Talla指出，機器人市場的轉變動力主要來自於兩項技術突破：AI大模型的爆炸式增長、以及通過模擬環境在這些模型上訓練機器人的能力。後者是一項極為重要的發展，有助於彌合“模擬到現實的鴻溝”，可以確保在虛擬環境中訓練的機器人能在現實世界中有效運行。

近日，被譽為「科技投資女王」的華爾街明星基金經理人、方舟投資管理公司的執行長「木頭姐」凱西·伍德（Cathie Wood）帶領她的ARK研究團隊發布了《Big Ideas 2024》報告。自2017年以來，其團隊每年發布的《Big Ideas》報告更是以極高的含金量，成為全球科技創業家與投資者的重要參考資料。 這份長達163頁的報告，ARK從技術整合、人工智慧、比特幣、智慧合約、精準治療、多組學工具和技術、電動車、自動駕駛計程車、機器人技術、自主物流、回收火箭和3D列印等方面對技術融合及其變革產業和經濟的潛力進行了全面分析。 報告主要亮點 1.人工智慧、公共區塊鏈、多組定序、能源儲存和機器人這五大技術平台正相互交融形成合力，使全球經濟成長可能從過去125年平均3%加速至未來7年超過7%的水平。