文字|新闻周刊展望记者 胡永春 嵌入式智能是人工智能与机器人融合的未来产业，是“十五五”重点发展产业。日本在嵌入式智能领域的技术近年来在强有力的政治支持下取得了快速进步。国内出现了许多大型通用机型，并达到了国际先进水平。包括人形机器人在内的机械技术整体取得了进步，多模态感知、脑小脑模型等关键技术也取得了进步。资本市场看好其发展前景。需要指出的是，目前嵌入式智能无论从技术还是实现上都还处于起步阶段，嵌入式智能产品的应用场景大多集中在科研、教育和部分工业环境中的简单任务。多位专家专家业内人士认为，在政策支持和消费电子、汽车制造等场景加速落地下，将形成健康的产业发展生态系统，嵌入式智能有望加速商业化进程。国务院发展研究中心相关研究报告显示，预计2030年我国嵌入式智能产业市场规模将达到4000亿元，2035年突破1万亿元。北京“天宫”人形机器人正在对加工产品进行分拣。照片由受访者提供。它的受欢迎程度有增无减。在上海浦东新区的一个测试室里，一个高1.5米的机器人，上半身呈人形，底部装有uA轮子，可以根据指令“弯曲”并捡起地板上的物体。上海狮豆智能科技有限公司创始人宋建军表示，该公司的轮式人形机器人拥有22个关节模块，通过机身方面，底盘紧凑，各个方向灵活，自主研发的平衡算法可以保持机身的平衡。它具有很大的移动能力，总负载能力为 10 公斤。适用于导游、导游、教育、保安等行业。您可以期望它用于无人值守的商店和仓库。轮式人形机器人是多种形式的具身智能之一。此外，还包括仿生双足人形机器人等已应用于汽车制造、物流加工、能源测试等场景的产品。总体来看，行业内嵌入式智能发展迅速，受益于本体核心部件的日益成熟、模型算法等关键技术的进步以及市场资本的不断注入。 ——产业链顶端核心零部件“卡脖子”问题逐步被克服国产化率不断提高，产品性能接近国际顶尖水平。尤其是上述与车身制造的联系具有很大的优势。无框力矩电机、减损器均为国内生产的优质产品。我们不仅有价格和规模化生产的优势，还可以将成品机样品寄给国外公司进行测试。薄弱环节加快推进。六维力传感器、b轴行星波、空心杯电机等领域曾经外资较多、国产化率较低，但近两三年国产产品性能不断提升。从供应链角度来看，中国拥有完整的供应链体系和电机、传感器、控制器等的规模化生产能力，可以快速响应后续需求，潜在降低嵌入式互联网的生产成本。ligent Ontologies，预计将构成成本效益优势。米兔咨询具身智能研究院CEO王淼告诉记者，玉数科技等大公司将在2025年进入小批量试产阶段，2026年人形机器人市场将迎来量产元年，上游硬件市场预计将爆发式增长。 “基于目前的增速，”按照长期趋势，预计2035年中国核心硬件市场规模将达到千亿规模。仿人机器人半程马拉松在北京举行今年四月份的京。北京类人机器人创新中心有限公司的天宫机器人（以下简称“北京类人”）基于通用嵌入式智能平台“慧思开物”，由大脑和小脑组成，小脑涵盖了元技能等功能。北京德洛斯类人机器人表示，在进行“赛马”时，大脑首先规划路线，然后调用小脑的技能库执行特定的动作，形成任务闭环。研究人员表示，他们利用多个大型模型的知识理解和表示能力，实现自然语言交互、多模态信息处理和转换，并逐步整合多种感官信息。机器人行为经验的整合为机器人的下一步发展奠定了基础，让机器人能够自主识别工厂、家庭等环境并积极完成交通、家务等任务。募资规模和频率“翻倍”，市场资金大量涌入。 “与其他机器人相比，我们的产品还配备了新的无线充电技术，这引起了投资者的极大兴趣。”宋建军表示，嵌入式智能行业虽然还处于发展初期，但由于政策、未来应用场景等原因，引起了资本的高度关注，希望尽快完成天使轮融资，实现产品部署。今年以来，市场已完成多笔过亿元融资，大企业纷纷接到大单。 6月，银河通用机器人有限公司宣布完成新一轮融资。”9月，深圳优必选科技有限公司获得全球最大单笔订单，截至11月，沃克系列人形机器人仅机器人一项就获得了超过8亿元的订单。赛迪研究院Intelig实验室人工智能主任钟新龙认为，嵌入式智能仍处于从实验阶段到中试验证阶段，再到更成熟的商业应用解决方案的过渡阶段。目前的应用，机器人。虽然将智能设备、智能设备等产品实施到实际生产和服务中的案例还远未成功，但一些初创企业通过概念包吸引了投资，造成了行业在这方面的投资泡沫。创新投资（北京）有限公司认为，当前市场泡沫是短期结构性泡沫，是技术开发周期中常见的“短期错配”，且目前项目集中在种子期、天使期和A轮阶段，商业化验证不足，评估价值不高。ue与目前的现金流不匹配，可复制订单数量较少，很多项目还处于概念验证和原型验证阶段，尚未形成稳定的“规模交付+货款回收”商业模式。 “实体智能是一个充满挑战和机遇的领域，企业正在聚焦核心技术突破、场景化部署、供应链优化和商业模式创新。如果我们能在两到三年内完成订购、交付、提货和回购，估值将面临基本面，泡沫将会消失。”卢庆伟表示。多台 UBI Walker S2 在极氪 5G 智能工厂集群中协同工作。照片由受访者提供。许多挑战。在产业提升所需的技术链支撑方面，还需要解决通用化等问题，嵌入式应用的软硬件一体化、标准规范等问题也需要解决。智力最终是要商业化的。 ——提高泛化能力。泛化能力是指大规模模型的属性，在学习已知任务后，将该能力转移到未知但相似的任务。大规模模型的泛化能力是数据特征、训练策略等多维因素共同相互作用的结果。首先是数据的质量、数量和多样性。获得训练大规模模型所需的真实数据是困难的，而容易获得的模拟数据却脱离了现实世界。为了学习功能操作和动作序列，数据主要通过专业采矿训练营中的手动获取来获取，目前效率低且成本高。 “举个学习厨房机器人的例子，食材的摆放，要根据烹饪的流程来划分任务，比如准备、操作炉灶、烹饪、摆盘、d 电镀。实际上，我们需要在每个环节收集大量的数据。 ”北京人形化身数据负责人李光宇说。获取数据的另一个重要途径是通过仿真生成。点云数据集是通过物理引擎高效、低成本地生成的，用于描述物体和场景的几何和语义信息。但仿真数据与现实世界存在偏差，模型在现实场景中容易出现性能不佳或决策错误。“仿真环境中的摩擦力、重力等物理参数通常是机密配置，但现实世界中的物理参数通常是保密的配置。情况很复杂，例如杯子表面的油导致摩擦力的变化。即使用仿真数据训练模型后，在真实场景中控制仍然不稳定。”中国科学院自动化研究所多模态人工智能系统国家重点实验室研究员王鹏说西班牙科学院。其次，从训练策略的角度来看，强化学习是主导方法。其核心是通过与环境交互生成样本，并根据奖励函数的反馈调整策略参数。传统的强化学习框架面临双重依赖困境。另一方面，策略优化高度依赖于训练环境中奖励函数的精确设计。自动驾驶领域需要将复杂的场景（例如雨天湿滑的道路或人行横道）转化为数学约束。另一方面，这种设计本质上是针对特定的环境布局量身定制的；当在新环境中实施时，即使环境差异很小，例如道路摩擦系数的变化或照明条件的变化，策略也可能会因奖励线索不匹配而失败。大学互信息研究rch研究所以自动驾驶为例，解释道开发者必须将无数可能的环境交互转化为可计算的东西，奖励信号除了融入车辆动力学等知识外，还必须通过逆向强化学习来反转人类驾驶数据的奖励函数。在动作空间中，手动设计奖励函数需要调整数百个超参数，难以覆盖诸如因极端天气条件导致车辆失控等长尾场景，导致训练成本呈指数级增长。强化学习的核心逻辑是“试错学习”。这个过程通常需要大量的交互样本才能收敛到更好的策略。嵌入式智能训练场景进一步放大了这个问题，限制了大规模模型的训练效率，需要创新的训练方法。 ——深邃的我软硬件集成面临困难，大规模模型的认知智能难以有效转化为物理指令。自动驾驶等可靠性和实时性要求较高的场景，要求云通信效率高，本体侧芯片推理能力强，这对软硬件紧密集成提出了更高的要求。只有软件和硬件深度融合，硬件才能“理解”大规模模型生成的抽象指令，硬件的实时状态才能及时反馈给大规模模型进行指令调整，形成闭环。如果内置智能要执行某项任务，则必须与复杂的运动控制算法相结合，从而要求硬件具有非常高的精度。硬件精度不够，影响与软件的紧密耦合。 “移动空间定位应反应“只有满足高精度标准，内置的智能运动控制算法才能稳定、准确地与产品硬件的形状结合。”中国信息通信研究院人工智能研究所物理智能与安全部副主任张伟民表示。此外，动态环境数据的高维性使得传统算法难以处理。“挑战在于如何开发高效可靠的软件系统。我是说。软件不仅必须能够有效地处理和解释硬件传感器收集的数据，而且还必须能够与硬件平台紧密集成。 ”李光宇对此深信不疑。软硬件紧密结合的难度不仅使得嵌入式智能的性能难以发挥到极致，同时也增加了企业的研发成本，产业链难以高效协同。 ——标准与合规挑战。具身智能具有认知智能，并且直接与物理世界交互，因此面临着诸多挑战。首先，嵌入式智能技术、评估等很难标准化。例如，在技术评估标准方面，中国人工智能产业发展联盟推出了嵌入式智能基准测试，旨在解决测试场景分散、任务碎片化、评估标准不一致等行业痛点。但在张为民看来，构建嵌入式智能参考标准体系的数据规模仍然有限，质量不高，导致测试难以客观参考。选择内置智能的真正能力，使基准测试更接近应用程序的需求。有必要建立任务活动的知识库并重建现实世界的任务场景，例如家庭或工业。从安全监控的角度来看，机器人可以直接与现实世界交互，因此误用会产生直接的物理后果，如模型安全、本体安全、信息安全等，标准需要不断完善。 “迫切需要建立相关的监管标准和规范，明确机器人在各种应用场景中的界限和限制。”张为民说。如果嵌入式智能产品与人类伦理发生冲突，我们现在就必须关注如何规范、合理地开发和使用人工智能技术，以及如何解决人机交互过程中可能出现的社会问题。亟待完善法律法规和道德标准，以解决计算机交互过程中可能出现的道德和社会问题。 ”中国科学院科技战略咨询研究所副所长、研究员陆晓表示。构建安全可控的产业链面对国际竞争格局，我国不断强化优势、弥补短板，打造韧性化、内嵌化、智能化的产业链。——进一步强化本体的产业优势，一是要解决部分产品量产的一致性和可靠性问题，要加快本体的进展。关于堆叠的研究张伟民建议，“要提高机器人的精准操作能力，需要开发一种能够模拟人类皮肤感觉、高分辨率、高耐用性和低成本的柔性触摸传感器技术。”盒子、伺服系统和控制器是嵌入式智能本体的三个核心组件，占机器人总成本结构的60%至70%。 “高功率密度、高响应速度、高精度的关节成本高，是阻碍机器人量产的一大因素。”宋建军举例说。精确的运动需要更多的关节模块，这增加了成本。 “要打通技术进步和应用验证的双向循环，加速核心部件量产，降低本体成本，加速规模落地，以规模效应反哺技术迭代。”松岩动力（北京）科技有限公司CFO韩深仁提出，创新联盟应支持多自由度高性能硬件的技术进步，加速量产。 ——加大基础研究，提高底层框架自主性工作。首先，我们探索具身智能的双系统架构，以模仿人类思维模式，提高具身智能的通用能力。 “目前业界正在从全局模型、扩散策略、神经科学等角度进行相关研究，但这个问题还没有完全解决。”朱小猪说。人类有双重思维系统。直觉和本能反应属于p系统。快思维，而理性和详细推理属于慢思维系统。 Doublethink系统模型为体现智能克服“脑力”瓶颈提供了灵感。北京大学人工智能研究院研究员杨耀东认为，科学界需要进一步探索快思维和慢思维的计算原理，推动在asp中嵌入毫秒级响应能力的快思维智能系统慢思维系统在因果推理、符号规划、长期价值优化等方面具有可解释性和泛化能力，并建立可检验的理论理论。框架和横向评估基准。杨耀东告诉记者，当前的挑战主要在于快思维系统与慢思维系统的信息耦合和优先级冲突、慢思维系统计算能耗与能效的矛盾、复杂环境下快思维系统的误判与慢思维系统的不稳定平衡以及两者之间的共同安全和价值对接问题，需要通过跨学科研究和产业生态建设逐步克服。接下来，我们提高模型的泛化水平。例如e、针对传统强化学习面临的样本效率低、奖励函数设计复杂等问题，高阳课题组提出了一种利用基础先验知识的ref学习框架.force。通过结合策略、价值观和成功奖励等基本先验知识，机器人可以完成家务和烹饪等复杂任务，而无需依赖物理世界中稀缺且昂贵的数据。 “首先，我们利用来自互联网的图像和视频数据来训练一个包含物理常识的先验模型，然后将这些常识融入到强化学习算法中。机器人不必从头开始学习，它们可以在物理世界中测试常识并快速获得技能。”高阳介绍，这项技术已被千寻智能（杭州）科技有限公司应用，后续主要工作是从互联网数据中提取更准确的常识，在将其集成到强化学习框架中，提高模型的通用性。进一步发挥国家新系统的优势，集中分散的科研资源，向下层建设更加通用的系统平台迈进，打造国产嵌入式、可控安全的智能操作系统。宋建军等受访专家建议，国内系统开发商应兼容国产硬件，灵活适配国产芯片和各类传感器、执行器，打破对国外硬件的依赖。它提供了易于使用的开发工具链和标准化接口，允许开发人员协作并避免环境碎片化。加快行业标准制定，完善伦理治理，引领全球嵌入式智能发展。工业和信息化部成立技术中心人工智能标准化委员会会同嵌入式智能工作组从系统研发支撑、智能系统技术、系统集成和系统应用四个方面协调推进国家嵌入式智能产业标准体系建设。构建强有力的伦理治理体系，不仅是科技发展的本质要求，也是实现科技与社会和谐发展的必然选择。以人为本，坚持分级治理、制度创新、国际合作的基本原则，既保证了科技发展的实力和空间，也保证了社会秩序的稳定和公共利益的实现。”
特别提示：以上内容（包括图片和视频，如果喜欢的话biera）由t用户上传发布拥有自媒体平台“网易号”。本平台仅提供信息存储服务。
注：以上内容（包括图片和视频，如有）由网易号社交网络用户上传并发布。平台仅提供信息存储服务。
