云南龙网

  1. 首页 > 生活百科 > >

圆桌对话：AI时代，新电力如何催生产业链式反应｜2025年36氪产业未来大会

机器人人工智能ai

圆桌对话：AI时代，新电力如何催生产业链式反应｜2025年36氪产业未来大会

9月10日 ， 由36氪主办的2025年36氪产业未来大会在中国厦门盛大启幕 。 本次大会重磅携手商务部主办的“中国国际投资贸易洽谈会” ， 以“精耕时代 ， 潮涌嘉禾”为核心主题 ， 倾力打造一场兼具国家高度、产业深度与市场热度的高规格、高价值、高影响力产业盛典 。
大会紧密锚定国家战略导向与产业发展前沿 ， 聚焦人工智能、低空经济、先进制造、新能源、大消费五大核心赛道 ， 汇聚行业顶尖力量共商发展路径、擘画产业未来 。 在为期两天的议程中 ， 大会以“产业协作链条”为逻辑主线 ， 重点聚焦“政、资、产”三方协同机制 ， 深入探讨如何打破壁垒、整合资源 ， 精准破解产业发展中的痛点堵点与瓶颈制约 。
36氪在产业未来大会策划了一场“AI时代 ， 新电力如何催生产业链式反应”的圆桌对话 ， ELU（及旗下原力无限）联合创始人刘扬、松禾创投合伙人江冬云、华方资本合伙人方晓东、云深处科技投融资总监陈贞豪、主线科技合伙人及前瞻院院长王超博士、新鼎资本董事总经理汪志伟参与讨论 。
以下为圆桌内容 ， 经36氪整理编辑：
【圆桌对话：AI时代，新电力如何催生产业链式反应｜2025年36氪产业未来大会】刘扬：大家上午好 ， 非常高兴能来到厦门 ， 今天是个好天气 ， 也很开心跟今天的各位嘉宾 ， 能在很好的天气讨论AI的一些跟产业相关的未来 。 大家好 ， 我是来自原力无限的刘扬 。 今天题目叫《AI时代 ， 新电力如何催生产业链式反应》 ， 我觉得是一个很有意思的话题 。 因为大家都知道最近AI很火 ， 但是主办方直接给它来了个定义 ， 叫新电力了 ， 直接是驱动未来了 。 在这个主题下 ， 我们请到了各位专家 ， 也先请大家先做简单的自我介绍 。 先请江总 。
江冬云：大家好 ， 我是来自深圳松禾创投的合伙人江东云 。 松禾创投在投资硬科技、新材料、医疗健康上已经有二十多年 ， 也算是创投界的老兵了 。 接下来的依然坚守这三个方向 ， 也希望大家有新的机会和想法 ， 多多跟我们进行交流 ， 谢谢 。
方晓东：大家好 ， 我是来自杭州华方资本的方晓东 ， 我们是一个CVC ， 因为杭州华立集团一直在国南网智能电表的供应里面占全国前三 ， 还出口一些哈萨克斯坦、中东、中亚等地方 ， 所以我们在电力这块领域确实也布局了挺多 。 我们资本也投一些像可控核聚变、固态电池这样一些前沿技术 ， 所以很高兴今天来到电力相关的论坛 ， 谢谢大家 。
陈贞豪：各位好 ， 我是云深处科技的融资总监陈贞豪 。 我们是一家具身智能机器人公司 。 过去几年我们是一直专注在机器狗以及人形机器人的研发生产制造以及销售方面 。 今年因为具身智能的火热 ， 我们也确实受到了一些资本市场以及社会上的关注 。 今天非常荣幸能够应邀来跟大家一起进行交流 ， 谢谢 。
王超博士：大家好 ， 我是主线科技王超 。 主线科技是一家全球领先的L4级自动驾驶卡车及智能运输解决方案供应商 。 我们主要面向的是以港口为代表的大型低速封闭的物流枢纽 ， 口岸园区、以及高速干线物流运输 。 像快递快运、专线及大宗货物运输等物流场景 。 目前也是累计交付并运营近千台套智能卡车及智能运输解决方案 ， 智能运输里程累计近亿公里的规模了 。 今天也是很荣幸能够应邀参加这样的活动 ， 能够跟大家在现场多多的交流分享一些观点 。 谢谢 。
汪志伟：大家好 ， 我是新鼎资本的汪志伟 ， 我们是一家国内头部的私募股权投资基金 。 主要投资于半导体、航空航天和新能源核心的三大板块 。 在半导体领域投的比较重 ， 有将近50%到60%左右资金投到了半导体行业 。 像科创板前三的寒武纪、海光信息 ， 都是我们投的项目 。 很高兴今天来到这里 ， 希望跟大家多互动交流 。
刘扬：首先第一个问题 ， 需要大家提出自己的观点 。 当我们谈论到AI赋能产业的时候 ， 现阶段谈论的都是用AI来提效 。 从各位的角度上看 ， 除了基本的目标 ， AI在今天的制造业有哪些更深层次的增量的价值？因为对于这件事的判断 ， 是先从提效的角度上 ， 现在提到AI两个字的时候 ， 第一印象就是工具 ， 其实远景上看 ， 如果真的到AGI时代 ， 不太认为AI仅仅是一个简单的工具 ， 有更深的意义在里面 。 如果只是从今天的视角上 ， 也先请大家分享一下各自的观点？先请江总开始 。
江冬云：我觉得AI降本增效 ， 只是一个表象情况 。 实际上AI正在重构非常多的生产关系和生产力 ， 比如以下三个方面：
第一个 ， AI正在让更多的想法成为可能性 。 我们现在看到 ， 很多柔性产线的出现 ， 比如大家想做一个消费类的无人机 ， 以前需要几个大企业支持 ， 而且整个流程非常长 。 现在AI柔性产线公司 ， 能快速提供各种个性化的零部件 ， 让我们制造业的研发想法 ， 能更快速、更灵活地实现 。
第二个 ， AI让从“经验制造”走向了“数据制造” 。 比如很多工厂老师傅缺乏 ， 现在AI和制造结合 ， 让很多的产线都实现了自动生产；比如现在质检AI机器人 ， 让很多出品的良品率提高 。
第三个 ， 在供应链关系上 。 AI数据 ， 不仅能溯源到上游现在生产情况 ， 还能看到下游出品 ， 甚至看到终端用户使用情况 ， 比如今天会场企业星星充电 ， 不仅能看到充电桩布局 ， 还能看到用户使用情况 。 这让我们整个的生产链的生产关系更紧密 ， 生产效率大大提高 。
所以在总体来说 ， AI制造效果 ， 不仅是财务上的数据 ， 而是将整个的生产要素和生产要件 ， 正在从“制造”变成“智造” 。 谢谢 。
刘扬：感谢江总 ， 上来直接就颠覆了我们这个问题 ， 给出了自己的一些观点 。
方晓东：在我看来制造业里面最重要是降本增效 。 所以刚刚题目里面已经说了 ， 除了降本增效之外能做什么东西 。 中国走到现在 ， 除了降本增效以外 ， 制造业要考虑的第一个就是创新 。 因为AI现在在创新领域 ， 就是在制造业的研发端 ， 其实还没有很大规模的普及 。 在一些简单领域 ， 比方3D打印、一些零部件制造领域确实是有一些帮助 。 但是可以看到更多的工业现场 ， 在一些材料的仿真、空气动力学、流体动力学力学等光学磁学等等的仿真上面 ， 做的还有一些差距 。 所以我们觉得就是未来AI在创新的这一块 ， 在工业前方里面会有很大的点 。
第二个 ， 在我们看来AI如果只是完成到质检过程 ， 其实还是不足以提高产品的良品率 ， 因为除了工业现场要降本增效以外 ， 也就是我们创造新产品 。 是我们要让产品的质量变得更好 。 良品质量变得更好 ， 并不是说我们把产出不良品筛出去就好了 ， 这是一件最基础的事情 。 接下来我们要做的就是如何提高良率 ， 就是把本来70%良率提高到80%、90% 。 只有更高的良率 ， 企业才有更强的竞争力 。 所以我觉得AI可能未来在创新以及提高产品良率两个方向上 ， 还有更大的突破场景可以探索 。
刘扬：感谢方总 ， 给我们总结两个关键字 ， 创新和质量 。 陈总 ， 从您的视角上来看 ， 以前我们提到机器人 ， 可能更多program的方式 ， 从A到B ， 但是现在所谓AI时代到来了之后 ， 从我们的视角怎么看？
陈贞豪：首先说实话 ， 现阶段社会上大家大众对于具身智能的认知稍微有一点点的过分期待 。 其实现在具身智能机器人在工业领域能做的事情还处在起步阶段 。 在很多领域我们也是在一边学习一边创新的过程当中 。 所以现阶段现在具身机器人没有达到大家想象中那种可以经常打螺丝了 ， 开始可以替代很多人工了 。 目前不管是我们的机器狗 ， 还有包括少量的人形 ， 都还是在做一些简单重复性的操作 。 只能说现阶段我们做的比过往传统机器人做的工作复杂一些 ， 能自适应一定这样的场景 。 但是现在还是处在处起步阶段 。
我觉得最终机器人、AI也好 ， 最终都是要落在降本增效 。 只不过过往我们想到的都是直接的降本增效 。 但是不管我们提高良率还是提高什么 ， 最终还是要从商业逻辑上还是落到了降本和增效 。 只不过他可能是用一种更加长远的 ， 更加复杂的一种间接的形式实现 。 我觉得可能最大的一个特点 ， 可能很大程度上为未来塑造重新塑造整个生产关系 。 比如像现阶段 ， 机器人很多时候就是替代人做很多重复性的、枯燥乏味的一些工作 ， 进而把大多数的人类从这种工作当中解放出来 ， 让人更多投入到一些有创造力 ， 需要更多组织协调性的工作里面 。
我觉得未来大家会越来越发现 ， 你下面管的不再是人 ， 而是机器人 。 重要的就不再是怎么做简单重复性工作 ， 而是怎么样能够发挥更多人的创造性的能力 。 这个可能是我未来AI对于整个生产关系比较大的改变 。
刘扬：感谢陈总 ， 我特别同意陈总的观点 ， 因为整个具身智能还处于整个行业的非常的早期 。 大家对于整个具身智能的概念的理解 ， 包括后续的产业链的发展 ， 确实现在还非常早 。 各位嘉宾到时候可以关注一下 ， 包括陈总所在云深处 ， 包括我们原力无限 ， 其实都在做集成智能方向 。 也许未来在后面20年里面 ， 我们也会跑出来在具身智能行业里面的BAT、华为 。 我们对这件事情的理解确实就如陈总所说 ， 效率只是个结果 。 但是过程当中改变了整个的生产关系和生产的链路 ， 更多的事情是我们更值得关注的事情 。
王超博士：很同意前面几位专家的观点 ， 降本增效其实是制造业乃至全行业都在共同追求的目标 。 同时也是为了创造更大经济效益 。 过去降本增效 ， 是从简化流程、优化产品质量等方面去对人员做一些调整 。
如今 ， 使用AI技术力更多的是填补人工缺口 ， 解放一部分人工去做更高效的事情 ， 更有效率的做法 ， 因为当前发展到一定意识程度 ， 需要改变及优化工作流程
比如刚才提到供应链 ， 我们知道人工智能是模拟人的能力 。 非常核心的是能在一定程度上超过人的能力范畴 。 尤其是在一些复杂大型的系统中 ， 高动态不确定性的情况下 ， 整体供应链在过去可能基于经验 ， 有对上下游非常了解甚至熟悉的人员 ， 通过非常长时间的积累 ， 在此基础再做去管理；但现在的情况 ， 是基于整体数据驱动 。 像江总提到的 ， 要在需求预测、库存优化、在途物流管理 ， 生产调度等方面从全局统揽做事情 。 属于非常本质上的革新 ， 包括在很多制造工艺上来说也是类似的情况 。
一些标准化程度较高的行业已经实现了自动化乃至无人化的生产制造 ， AI技术的快速发展给了中小型制造企业智能化转型的机会 ， 甚至能够赋能整个制造行业的发展 。 就像方总刚才所说的 ， AI使我们在制造业上的有了弯道超车的机会 ， 就像智能汽车的发展 ， 在制造业同样能够复制这方面的成功 。
谢谢 。
刘扬：感谢王超博士 ， 王超博士所在的主线科技就是特别典型的AI特别好应用的公司 。 大家知道新能源是国家的战略 ， 我们在做整个硬件侧部分的超车 ， 加上AI之后 ， 不仅仅在一个弯道可以超车 ， 又多了一个超车的机会 。 有请汪总 。
汪志伟：大家好 ， 整个AI数字化这一块我觉得国内应该有头部的AI公司要跑出来 。 怎么跑出来呢？我觉得需要建立整个AI数字化、工业化的平台 。 工业化的平台不仅仅是公司自己的一些软件的开发应用或者数字化转型 ， 是更多的是要整合行业工业行业的数据资源 ， 开放式的接口 ， 还有营造非常好的基础土壤 。 通过数据治理整合行业的数据 。 就像以前可能互联网时代更多是SaaS ， 软件及应用 。 在工业互联网时代 ， 包括工业数字化时代 ， 可能是数字化及应用 ， 国内需要有头部的AI公司跑出来 ， 就像谷歌、苹果这种 ， 能够开放平台让大家都参与进来 ， 包括这里边还会整合各个行业的专家 ， 把老专家的工艺能够标准化 ， 设计在平台里边来形成标准 ， 包括一些开放式的接口 ， 整合很多行业的一些经验到平台里面来 ， 最终这能真正意义上解决各个细分行业产业智能化的问题 ， 包括提升降本增效 ， 提升良率等等 。
刘扬：谢谢汪总 ， 我们进入到第二阶段 ， 关键问题的解法 。 首先第一个问题先问给到江总 ， 我们知道松禾投资 ， 投资的优艾智禾和在半导体等高端制造领域中应用广泛 。 你认为搭载AI的工业移动机器人想要进入工厂产线说服客户的关键是什么？
江冬云：类似我们投资的优艾智合等移动机器人 ， 进入工厂产线 ， 其实不存在说服的问题 。 所有的这些机器人要进入工厂都是两个点：一个就是“我能满足你的需求” ， 一个是“能把账算得过来” 。
在满足需求方面 ， 我举几个例子 。
我们将一个产品从完工到出仓 ， 很短的一段路 。 平时小型的消费类品 ， 机器人都没有问题 。 当工业级、汽车级等零部件 ， 重量上升到600千克的时候 ， 这就不是一般机器人能接受的承重 。 所以 ， 搭载优艾智合的机器人 ， 承重能力、灵活性和安全性 ， 很好解决了这种是工业级的痛点 。
还有一些很极端的应用场景 。 比如 ， 在港口的场景 ， 在一个Wifi信号不好的情况下 ， 能不能解决移动机器人的运输问题 。 比如 ， 在矿区里 ， 颠簸灰尘的道路 ， 能否解决煤炭或者零件运输 。 还比如 ， 一些极高温或者极低温环境 ， 比如冷链的仓库里 ， 机器人在零下十几度下执行运输问题 。 其实 ， 这些都是产业方特别痛的点 。 只要你能满足他们这些点 ， 先不用提算账的问题 ， 这一点就已足够让他们进入进行尝试 。 目前 ， 我们也看到很多这样的机器人已经正在出现 。
第二 ， 关于账能算得过来 。 分两种账 ， 算“现在的账”还是算“未来的账” 。 算现在的账 ， 能进行简单的人工替代 ， 这是一种账 。 但我们现在看到很多的大厂、产业龙头 ， 都在算未来的账 。 这些企业说 ， 我存在一个工业级痛点 ， 存在技术卡脖子的痛点 ， 存在未来想实现产业链价值提升的痛点 。 我愿意给你一大笔的钱去尝试 ， 给你足够长的时间 ， 把账算到未来以后 ， 我一定会拿到回报 。
第三 ， 所以我对AI的发展 ， 虽然现在处在AI和制造很初级的阶段 ， 但我还相对比较乐观 。 因为我们可以有足够的耐心等待他们逐步完善 。
刘扬：谢谢 。 其实刚才江总提到一个关键词 ， 就是未来 ， 正好跟我们今天的主题是能匹配上 。 关于未来 ， 我正好有个问题 ， 您觉得AI算法能力与多年的制造经验 ， 两者在早期判断中的权重如何平衡？
江冬云：我们现在看到的AI制造行业 ， 存在两类代表团队：一种是大厂腾讯、阿里出来AI算法方面的团队；另一种就是制造业产业出身的 ， 他们看到制造业里面很多的痛点 ， 想解决这个痛点 。 这两种团队在我们投资的时候都遇到 。 这两种团队很难完全完美 。 因为每一个团队的基因出身都有自己的底色 。
我们在投资的时候 ， 需要看投资的是什么样的生产链和生产关系 。
在生产关系简单的阶段、生产环节前后端 ， 算法的团队会更占优势 。 比如简单进行人工替代 ， 比如研发阶段AI执行小批量研发 ， 比如我们刚才提到的柔性产线3D打印 ， 不需要深度的参与 ， AI算法更能发挥优势 。
在一些生产链比较复杂的阶段 ， 产业出身的背景会更强 。 因为制造业的生产 ， 从小规模到放大规模的时候 ， 完全不是一回事 。 如果中间出现一点问题 ， 造成一天或者两天的停产 ， 对整个工厂来说是一个不可挽回的损失 。 所以在这个情况下 ， 理解制造业逻辑的产业背景更重要的 。
当我们上升到另外一个阶段 ， 上升到现在国家竞争力上 。 我们看得出美国的算法 ， 目前比中国强 ， 这点我们是必须承认 。 但是宏观看 ， 中国的制造场景更丰富 ， 制造业很发达 。 美国的制造业回流 ， 是不可能实现的 。 所以 ， 从长远来看 ， 中国的制造和AI的融合是一定能跑赢美国的 。 因为我们研发出每个AI算法 ， 都能马上应用到中国巨大的制造业生产尝试 。 所以 ， 中国AI和制造 ， 在未来一定能够会融合得非常好 ， 这点我们还是很有信心 。 谢谢 。
刘扬：谢谢江总 。 江总谈到了信心 ， 我觉得今天台下这么多的观众 ， 也充分看到了大家的信心 ， 有这么多优秀的人才 。 刚才江总提到团队的两类矛盾 ， 一类是来自于互联网公司 ， 一类来自于传统制造业 。 我特别有幸 ， 其实我之在腾讯、百度都工作过 ， 后来又在主机厂也工作过 ， 正好是这两类人群 。 所以刚才您提到的观点我特别有感触 。
接下来一个问题 ， 我们问到的是汪总 ， 从您的观察来看 ， 擅长技术的AI公司如何解决制造业客户场景非常碎片化、难以标准化痛点 ， 有什么更好的办法？
汪志伟：我觉得后边国内需要有一个头部的AI公司能够做一个整合的平台 。 其实现在也有公司在做了 ， 行业里有一家叫广域铭岛的Geega ， 已经在做相关的工作 ， 他就是做标准化的工业AI大平台 。 在这个平台里 ， 就像乐高一样 ， 你需要的每一个功能 ， 工业化的软件 ， 软件要结合硬件 ， 硬件可能是芯片 ， 可能是传感器 ， 可能是自动化机床等等 ， 把这些结合在一起 ， 每一个都形成标准化的模块 ， 这些模块可以随意拼接 ， 订阅自己想要的 。 在这个过程中肯定还是很大的工程 ， 但是我觉得需要有更多的头部公司跑出来做这样的工作 。 最终我觉得是可以把碎片化慢慢变成标准化的过程 ， 每个行业都会有一个标准化的AI智能化的解决方案 。 谢谢！
刘扬：第二个问题 ， 制造业是重资产行业 ， 但是AI改造需要这种持续的投入 。 从您观察的角度上去看 ， 市场上更容易获得资本青睐的是轻资产高毛利的模式 ， 还是软硬结合与制造业深度绑定的模式 。
汪志伟：其实从眼前来看 ， 这个轻资产高毛利的模式肯定是更多的纯财务投资人比较看重的 。 但整个投资逻辑 ， 可能是上个时代的逻辑 ， 我们叫模式创新 ， 是工业互联网第一个阶段 ， 也是SAAS最火的阶段 ， 但是更多基本上是软件 ， 核心的问题主要就是可复制性很强 。 核心的优势也是复制性很强 ， 能够迅速做大 ， 财务数据很好看 。 但是带来的弊端就是非常内卷 ， 这个行业就非常卷 ， 而且门槛很低 。
现在的投资人 ， 包括今年我们看到2025年整个投资一个是智能制造 ， 一个是人工智能 ， 机构投资人基本上都是在这里面扎堆的 ， 它是断层领先于其他投资板块的 。 包括今年9月份阿里刚刚投完自变量机器人 ， 也是打造工业工业行业自动化通用式的机器人 ， 就是怎么做成标准化的产品 。 所以现在的机构还是要看重软件加硬件一体化 ， 包括行业工艺深耕和标准化的过程 ， 更多是把工业化的东西变成智能化的模块 。 最终我觉得带来的产业效益是最大 。 包括现在的模式创新对上市来也是非常难的 ， 现在基本上不允许上市 。 所以更多投资人更多还是看重数字化转型的工业场景 。
刘扬：稍微总结下三个关键词：软硬一体、硬科技、高壁垒 。
接下来的一个问题是给到方总 ， 在工业场景、质检等场景 ， 质检已经应用了很多年了 。 您认为其中还尚存哪些未被发掘的新机会？
方晓东：可能这个问题不太符合现在大语言模型能够应用的场景 ， 更多的是上个十年计算机视觉带来的突破 。 计算机视觉发展到现在 ， 在一些平面可见光方向上已经相对成熟了 。 但是我们看到最近工业里面已经觉得这样的平面 ， 或者可见光范围不够 ， 可能会融合一些红外、X射线、激光雷达的3D点云 ， 做光谱类的多模态感知 ， 这是一种 。
第二种 ， 在工业场景下面 ， 一些气体的泄漏、漏检等等方向上面 ， 可能还是需要一些更多模态的 。 比方对气体的一些感觉的电子鼻 ， 对力学的一些检测 ， 跟光学一起做融合 ， 这是一种 。
第三种 ， 快速部署 。 因为现在大家知道现在我们的AI质检 ， 如果是用AI的方法 ， 不用传统的算法就很依赖“缺陷库” 。 所有AI的算法训练都需要到工业现场匹配缺陷库 。 一旦需要到工业现场去匹配 ， 可能部署时间就会到两个月甚至三个月的训练周期 。 并且良率和检出率还是在慢慢爬升的过程当中 ， 并不是一蹴而就的 。 这时候可能就需要更好的算法模型进行匹配 ， 如何把缺陷库在非常小数据量的情况下 ， 提高检出率 ， 这是我觉得这是第二层面 。
我们前面提到的质检 。 当他发现了一些问题的时候 ， 能不能追溯到底是哪个工艺环节出了问题 。 在这些工艺环境上面出了问题以后 ， 如何改变工艺制程 ， 如何改善 ， 或者更换材料 ， 或者更换反应温度等等办法来提升我们良品率 。 我觉得质检接下来可能会往这三个方向发展 。
刘扬：感谢方总给到了我们对于这件事情完整的思考 ， 从表像到后面的根源 。
接下来一个问题 ， 在您筛选项目的时候 ， 如何判断一个制造业场景是真正适合被AI改造的富矿 ， 还是看似热闹实则难以标准化的鸡肋 。 有没有一些标准可以帮我分享一下？
方晓东：我们也一直在思考 ， 思考的核心 ， 就是场景下有没有被AI改造的可能性 。 第一 ， 数据能不能标准化 ， 这是很难的一件事情 。 比方一张彩色的图片 ， 或者是一个动画 ， 或者一个快速高速运动的物体 ， 这时候你是很难把它做成标准化的东西 。 我们如何用光也好 ， 声也好 ， 这种信号能够把它变成标准化的数据 ， 这是第一位的 。 如果产生了标准化的数据 ， 我们就可以根据标准化的数据跟我们要检测的东西一一对应 。 这是情况下出现了可分析的数据 ， 这是第一位的 。 第二位 ， 出现了可分析的数据情况下 ， 要看看能不能匹配模型 。 现在大家看到2C端的一些大语言的模型、NRP的模型 ， 在工业现场的布局是非常困难 。 因为并不太适用于大多数工业现场 ， 需要高架动率、高速、高反应的情况 ， 可以慢慢推理 ， 在大家搜索的场景下做 ， 但是在工业现场他很难布局 。 所以我们第二步会去看看算法是不是能够匹配 ， 最好能有相对应的匹配算法 。 如果没有 ， 如何改善现有算法 ， 或者融合一些新的Transformers的框架 ， 能够把它改善 ， 这是第二个模型上的问题 。
第三个 ， 一旦我把我自己的数据跟算法确定下来以后 ， 在边缘端能不能有足够的算力支持这套的算法 ， 因为现在我们看到很多的工业现场是没有这样算力去支持的 。 很多人想把算力集成到相机里面 ， 很多人也只能把相机传到数据 ， 放到我自己的上位机里面做计算 。 这里面就影响到了推理的速度或影响到了检出率等等一些问题 。 所以综上考虑三个问题以后 ， 我们才能把产品的大致形态定义下来 。
从数据到算法到算力 ， 这一套东西到底要花多少钱 ， 在工业现场要布多少时间 ， 这才把我们整个研发投入产出比算清楚了 。 如果工业现场有相应的利润空间 ， 能够保障我们50到60%的毛利空间 ， 这样的产品才值得研发 。 如果都没有的话 ， 那压根就不用研发 。 其他的就是考虑团队是否在这些领域上面有足够的思考 ， 有足够的想法 ， 这样我们才会认为这个项目在这个领域做布局是符合商业逻辑的 ， 否则不符合商业逻辑的事情我们一般不投 。
刘扬：我觉得方总的思考确实很有深度 。 一般我们提这事一般就只提到数据、算法、算力这三件事 ， 方总还提到团队 ， 哪怕你有以上 ， 但是团队没有准备好 ， 实际上后面还是很难推进的 。
接下来一个问题是给到陈总这边 。 云深处的四足机器人已经应用在电力巡检、消防救援等真实场景 。 将机器人部署到恶劣的工业环境的时候 ， 最大的挑战是什么？
陈贞豪：最大的挑战就是在很多复杂工业场景下 ， 它会有非常多之前没想过的一些情况 。 像我们之前在有一些工厂里面部署的时候 ， 在巡检的时候 ， 工厂里面的粉尘是非常大的 。 所以基于机器长时间运行 ， 很多零部件的损耗是比想象中要严重的 。 这个的时候就要求整个机器人的防护等级要不断往上提升 。 像目前我们的机器人基本上能实现IP6768的水平 。 大部分工厂的粉尘的防护都是能够实现的 。 但这一点也是经过不断的迭代 。 像我们现在的工业级的机器狗叫X30 ， 已经是第三代的产品了 。 这些复杂场景的改进就会推动不断迭代自己的产品 。 很多时候如果总是想要搞标准化模型 ， 在最开始的工业场景里面 ， 你会发现其实是跑不通的 。 还有大量真正客户需要的环节 ， 所谓标准化平台都是解决不掉的 ， 所以我觉得人工智能 ， 包括具身智能在这些场景的应用 ， 可能会分两个阶段 。
第一个阶段 ， 我们肯定要有比较虚心学习的状态 ， 我们早期也是一个学习者 ， 在很多场景里面要不断学习 。 一个赛道里面的都有哪些复杂的场景 ， 这些场景大概都需要什么样的解决方案 ， 客户大概需要哪些需求 。 当你磨到一定程度了以后 ， 把这个赛道彻底跑通 ， 基本上80%或者90%需求场景 ， 产品基本上都能够考虑覆盖掉 ， 而且是比较通用型的问题 。 这个时候可以说我形成的是比较标准化的产品 。 像我们云深处现在在电力巡检 ， 包括一些应急安防的场景里面 ， 基本上相当于是跑通了 。 就我们的X30基本上加上一些解决方案是能够适应绝大多数客户的大多数需求 。 所以就不是特别需要做很多定制化的二次开发了 。 这种情况下 ， 可能就相当于跑通了这个环节 。
当然今年因为社会关注比较多 ， 确实也有很多新领域的客户找到我们 。 大家也会提出很多新的需求 ， 我们现在很多场景也是需要经过评估 ， 评估这些场景适不适合使用机器狗 ， 适不适合具身智能的应用落地 ， 再逐渐把现有的一些方案应用进去 。 但是同时再根据一些新的领域调整需求 。 大家都追求标准化的产品 。 但是行业标准化的产品是需要前期很多跟客户进行大量的需求对接以及产品的打磨 。
刘扬：感谢陈总 。 刚才陈总观点 ， 我不能同意更多 ， 里面提到很关键的一点 ， 关于整个最终我们在实验室里和真正走到环境里面 ， 走到场景里面 ， 有非常大的差异 。 这正好能应和刚才汪总的观点 ， 我们硬科技软硬一体 ， 不仅仅是在技术测 ， 更多是在场景里测 。 因为很多情况下是需要一定的时间完成日积月累的整合才能达到后面更好的效果 。
陈总 ， 还有一个问题 ， 在商业模式上 ， 您更看好直销模式还是租赁模式 ， 还是按效果付费？这是个商业模式上的考虑 ， 是否有跨场景的模式创新 ， 能加速市场渗透 。
陈贞豪：目前来讲云深处这边还是以直销为主 。 实际上在机器人领域 ， 现在确实有融资租赁的一些公司找到我们谈这样解决方案 。 但是按照效果来付费的方式 ， 应该是在自动驾驶领域会有一些这样的案例 。 但在具身智能这边现在还不多 。 但具身智能领域可能会有另外一种模式 ， 属于是集成商 ， 有点介于直销和租赁的模式 ， 或者也有一部分效果付费的形态 ， 但又不完全一样 。 比如我们把机器狗卖给集成商 ， 集成商再根据下游客户的需求做一些改装 。 也就是解决刚才说到的 ， 我们还不会在标准化平台上去绝对覆盖的那些功能 ， 因为有些需求量很低 。 如果这个产品什么都包括了 ， 整个产品性价比反倒就不高了 。 反倒对于那种80%的一般性的客户来讲 ， 很多功能是属于多余的 。 很多场景下复杂的一些应用 ， 包括后期的运维 ， 就需要集成商介入帮我们做 。 集成商可能会有自己的利润空间 ， 当然也要给人家利润空间 。 但是需要长期的运维服务 。 两种模式各有利弊 。 但是我们现在更多做直销的原因 ， 是因为我们觉得整个行业现在是一个做大蛋糕的阶段 ， 还远远没到分蛋糕阶段 。 所以现在需要的是大家一起参与进来 ， 把整个市场彻底的做大 。 所以分一块蛋糕出来给到集成商 ， 可以帮助我们一起把整个市场拓展起来 ， 能够迅速把整个盘子做大 ， 我们觉得也是一种不错的方式 。 整个生态的建立 ， 我觉得对于长远发展来讲 ， 远比短期的利益要更加的重要 。
刘扬：感谢 ， 我翻译一下陈总的观点 。 具身智能现在还处于类似于互联网的早期 ， 大家现在免费用邮箱 ， 后面我们商业化机会有的是 ， 慢慢来 ， 不着急 。
最后请到王超博士 ， 第一个问题 ， 主线科技在港口实现无人化沉淀了宝贵的经验 ， 哪些方法论可以复制到工厂内 ， 实现物流的无人化 。
王超博士：其实工厂的内部的自动化 ， 非常早就开始进行了 。 因为我们在北京 ， 在早期17年成立的时候 ， 我去了好几次京东的亚裔仓参观 ， 整个非常壮观 ， 整个仓库所有的工作有条不紊的进行 。
这里面给我们一个启发 ， 初期你想把一个工作做成无人化、智能化的时候 ， 需要选择好的切入场景 ， 非常好的前提是标准化 ， 且标准化程度也是非常重要的一个前提 。 它给你前期的需求设计、产品设计提供非常好的指导 。 同时对你的可复制可扩展性提供了非常大的支持 。
在港口场景 ， 我们一开始定位是做自动驾驶卡车 ， 但是同时有非常多其他物流场景可以做 。 比如高速干线、矿山、机场等等 。 我们就选择了港口里集装箱码头作为切入 。 因为它的信息化标准化程度很高 ， 国际通用 。 而且国内的港口资源非常发达 ， 全球十大港口国内占七个 ， 所以我们选择这个方向做 。
我们有两个非常有代表性的项目 ， 一个是天津港项目 ， 一个是宁波舟山港项目 。 这两个是代表性项目 ， 一个是完全从头建设的新码头 ， 天津港C段码头 ， 另外一个是传统码头升级改造且混行的宁波舟山港 。 从升级改造 ， 相当于四个泊位 ， 先拿出一个泊位来做试验田 ， 做设备改造 ， 做基础设施 ， 像服务器、云平台、基站建设 ， 再逐步拓展 ， 天津港C段码头 ， 从顶层设计完全为无人化、智能化服务的 。
在这样的过程中 ， 我们有一个非常重要的体会 ， 其实我们做的是把原来有人在管的工作完全用人工智能、自动驾驶实现 。 那首先要有非常全局总体的视角 ， 我们提供的是一种全套的智慧港口无人驾驶解决方案 ， 除了解决在途运输的问题 ， 还需要解决一些设备交互、任务管理 ， 尤其其他不同时代的机械设备、信息设备、智能设备的交互对接管理的问题等 。
用总体视角做事情 ， 对于一些传统工厂 ， 或者是一些仓库 ， 在做工作的时候 ， 如果有非常好的顶层 ， 从头开始做这个事是能够成功的 。 尤其大量的已经有了一定基础的企业 ， 希望从现在的程度改善、提升和实现无人化、智能化 ， 就非常像宁波舟山港的升级改造 。 AI技术力对这样的场景能够提供比较灵活解决方案 ， 从核心环节先切入 ， 打造最小循环 ， 逐步拓展到整个厂区或园区的业务 。 这样就需要总体全局的设计改造思路 ， 再到具体需求的对接 。 比如码头先解决货车水平行驶的无人驾驶问题 ， 再解决无人驾驶卡车和集装箱装卸对接的问题 ， 最小循环就完成 。 接下来对接到设备 ， 再对接到云端管理平台 ， 任务下发的问题 。 再去做整个码头规模的优化 ， 比如作业调度、线路规划等等 ， 实现总体从无人化到智能化高效效率提升 。 所以我觉得这是可以相互借鉴的一种思路 ， 助力现在更多传统的厂区、仓库等实现无人化、智能化的目标 。
刘扬：感谢王超博士 。 最后还有一个给大家完整的问题 ， 因为今天讨论AI产业化落地、挑战和机遇 ， 展望未来十年 ， AI我们判断是不会取代人 ， 而会成为人的工具 。 也许未来的工厂里最需要的岗位 ， 不再是传统的操作工 ， 而是能够同时理解AI大脑与工业场景的新工匠 。 这也是我们原力无限的所谓的一脑多深多场景战略实践中的切身体会 。 请大家各自一句话来帮我们总结一下 ， 如果重塑制造业的人才结构的核心技能 ， 大家认为分别是什么？
江冬云：我认为人才 ， 目前是简单地执行加工型人才 ， 未来胜出的是更理解客户的服务型以及懂挖掘高附加值型的人才 。
方晓东：我认为未来只有两种人能够存活下来 ， 一种就是能引领AI的人 ， 另外一种是以AI为主体去使用它的人 ， 这两种会在制造业存活下来 。
陈贞豪：我的观点跟方总差不多 。 我觉得两种人会比较重要：一个是你能够创造 ， 并且能够加速AI的发展 。 第二种 ， 不断进行快速学习的能力 。 因为未来可能AI对于整个生产方式跟产业链的重塑速度会超过大家的想像 。 所以可能需要你不断适应新的生产模式 。
王超博士：面向庞大的制造业市场 ， 重点培训各个垂直应用场景的AI使用的人才 。 这是未来非常重要的方向 。
汪志伟：我觉得未来一定是有一部分人会被智能化替代掉 。 但这一部分人 ， 我个人有一些想法 ， 我觉得国家可能可以出台一些制度 ， 因为这些人肯定后边就业是很难的 。 智能化降本所产生的企业效益 ， 企业必须拿出来一定的比例用于就业分配 。 可能用智能化管理方面的人员 ， 再控制这些智能化的系统 ， 也是为更多人提供一些就业机会 ， 当然市场优胜劣汰是一个必然趋势 ， 但是在实际过程中 ， 可以有个缓冲垫 ， 保障社会的稳定 。
刘扬：谢谢大家 。 我也分享一下我的观点 。 我觉得万变不离其宗 ， 看我们为什么要用AI ， 为什么要有AI ， 我觉得最核心的还是以人为核心的社会主体 ， 这个目标是万变不离其宗的 。 如果部分的东西因为AI的存在彻底被替代掉了 。 但是以目标为结果的 ， AI一定有它还没覆盖的这部分 。 而这部分如果人参与到里面 ， 更好体验 ， 更好理解 ， 怎么用好AI ， 这个关键点还是最核心的 。
今天的这场圆桌我们就先到这儿 。 感谢大家 ，

    推荐阅读


    上一篇：美企该着急了，中国模拟芯片大规模替代，开启了

    下一篇：视远·正心明智——机器之心2025年度AI榜单正式启动