不止具身，AI赋能制造，构筑机器人发展新优势

2025年，一场由技术聚变催生的生产力革命正以前所未有的烈度重构中国经济版图。AI撕裂数据与实体的边界，量子计算探索物理规则的边缘，绿色科技重塑增长的伦理、低空经济、机器人、大模型打开科技跃迁的大门一2025年的中国，新质生产力已非单纯的技术选代，而是智能文明与产业基因的共振裂变。在这个大背景下，中国企业需要以智慧为坐标，穿透技术、组织与商业模式的“三重结界”，在数字与实体的纠缠中锻造新物种。

2025年7月25日，由融中财经、上海天使会主办的“2025中国科创夏季投资峰会——AI未来创新企业峰会”在上海盛大举行。

本次峰会将着力打造产业活动与资源的对接平台，围绕AI算法算力、大模型以及应用开展话题讨论，将邀请国内外顶尖创新与商业领袖，人工智能链主和龙头创新企业以及上市公司、资本大咖齐聚一堂，共同展望2025产业发展、技术创新以及战略性新兴产业发展的前景。

会上，由瓦特曼副总裁李硕作为圆桌主持，芯控智能创始人，CEO陈立，东声智能创始人，CEO韩旭，研视科技董事长兼总经理宋俊，云迹科技副总裁谢云鹏，帕西尼感知科技创始人兼CEO许晋诚，设序科技联合创始人、首席产品官杨庆保作为嘉宾参与讨论，围绕“不止具身，AI赋能制造，构筑产业发展新优势”为题进行了精彩的讨论与分享。

以下内容由融中财经整理。

具身智能落地工业，价值场景正加速打开

李硕（圆桌主持）：今年我们看到具身智能无论在项目上还是曝光度，以及投资热点上，都是非常火热的。随着这些应用的丰富，比如在智能仓储物流、智能装配等一系列场景中，具身在工业制造中的应用空间和机遇主要体现在哪些方面，以及我们在过程中为客户创造了什么样的价值，以及未来的发展方向是如何的？

陈立：我们大部分的客户在汽车厂，有汽车制造主机厂和零部件商以及设备集成商；像汽车主机厂，理想、小鹏、奇瑞、吉利等都是我们的客户，而且长期使用我们软件。这些大型客户在芯控软件的使用中也得到了相应的好处和便利性，比如快速方案搭建、AI Coding、自生成程序、数据管理这方面。

在汽车行业，工业机器人的硬件本体有一部分过剩，本体从2万小时收米到8万小时以上，比如说FANUC能做到10万小时，代表的是三代的汽车产品能持续使用这个硬件。硬件过剩后，这个工业大脑变得越来越重要了，怎么能让这个大脑控制工业机器人在类似的场景里重复去搭建新的生产用于新的车型？这就变成了比较好玩的课题。存量市场，比如像吉利杭州湾工厂有2万多台机器人，但18月要换车型出一次，留给生产的只有6个月；以前的设计时间非常漫长、生产时间非常漫长，怎么通过软件数据的沉淀，软件自生成新产品的机器人轨迹程序，让它的调试时间从原先的两个月变成一上午就能看到大致结果；汽车生产量从原先的300台变成350台，这是通过软件赋能才能达到的。

韩旭：我们专注工业有十几年，我们看到无论是消费电子还是汽车、锂电，虽然大家现在生产制造的自动化水平已经非常高了，但我们看到还有大量的工人在现场，为什么上下料还是对设备的操作，以及物料的搬运，我们看到这也是具身智能在工业应用时非常需要的缺口。就像3C领域有一个客户目前放出来的需求就是一个工厂要几千台，因为这个动作非常简单，我只需要针对这个工位物料灵活的上下料。刚才宋总问上下料六轴能不能搞定，其实那些都属于把程序写死了的，你的产品流过来，我固定的程序把它放到哪个夹制具上，其实有不同的工位，有不同的料，甚至是前道工艺处理完，你要把推盘搬过来，搬过来之后再一个个上。

包括汽车各个领域，这也是我们看到具身智能在垂直领域发现有很大的落地空间和市场的诉求。

宋俊：接着韩总的话，我们也是服务于工业的，但我觉得工业这个概念非常大，工业里面包含了147个门类，每一个门类所需要的技术和场景的特点，包括对技术的接受程度、适配性其实是不一样的。

今天我在这里不敢妄谈工业，我只讲我熟悉的领域，我们公司一直是服务于冶金钢铁行业的。我们这边是重工业，包括对具身、人形的应用有天然的局限性，主要是机器人的负载以及场地工况恶劣的程度，和大家传统理念认知的不一样。

我觉得对于一个行业里面使用新技术，不管是具身、人形还是AI，真正要回答的问题是给用户提供的价值流怎么体现。从制造业角度来说，制造业无非是分为两种，一种是流程制造，一种是离散制造。像我们我们所处的这个钢铁行业，它是一个典型的长流程的一个制造。流程制造当中最重要的其实是提流程稳定性。

许晋诚：在汽车领域我提几点，在那种对于人而言比较危险和高危的领域，比如组装电池，它是相对具备高度价值的，可能在安装中需要对应各种突发状况，需要高泛化模型，或者本体的感知能力需要做提升。在组装的过程中，它伴随的危险能不能把人给去掉，直接用机器人做，这样既能保证人的安全，也能把任务完成。这是我认为AI在汽车工业领域非常具有价值的。现在像宁德等等的都有这样的想法想把这方面给问题掉。

人对于高污染的环境一定是有损伤的，无论有再多的防护，在当下的环境里面肯定或多或少吸收到污染。对于机械行业而言，这个是我们加速帮助汽车领域或者工业领域里面进行提升，或者整体能力上的扩展，这是我们想把AI或者具身智能放在汽车工业领域的提升，并且伴随着算法、算力跟模型数据越来越大的情况下，这个问题也会迎刃而解。

许晋诚：具身智能或者AI在工业里面的用途非常明确，我为大家说一下，有的人对于工业里面为什么要用具身智能或者人形机器人，会抱着很多疑问。

在工业里面，包含我们自己的股东，汽车厂里面大部分在总装线上是需要人形机器人的，如果你去到比亚迪工厂，进到里面，一堆人在忙活，在里面布线，这些是需要人形机器人的地方。

具身智能在工业里面的应用非常明确，我们造出来的机器人就是在总装线上帮助工人或者让这个工人有更多的休息空间，进而帮助他们。在总装线上，我们是以触觉为主，物理接触模态感知能力提升的人形机器人在柔性线束组装或者插拔有非常极大的帮助，可以通过大量的触觉感知能力，让这个装配成功率更高。这是具身智能在工业领域非常显著，尤其是这些车厂为什么大量的投资在人形机器人或者具身智能的领域。

我们也提供这些大量的技术给他们，从而在总装线上从现在只有10%的自动化率或者20%自动化提升到50%，甚至80%。

杨庆保：刚才许总提到汽车焊装，这个我非常熟悉，因为我之前在主机厂干过。接着焊装这块，我们公司并不多做具身智能，很多是服务于具身智能，大家看到的焊装线、总装线，在物理世界布局之前已经在虚拟空间里面设计过一遍了。

具身智能是一种新的人形机器人的可达，它在设计端要保证足够的物理空间，以及控制它的节拍。理想跟现实或者设计跟物理永远都是有差异的，你在物理空间还要做一些差异的校验，在前期的设计空间要排除大的障碍或者大的不合理性，我们是聚焦在这一端。在你前期设计的时候，在只有初步方案规划的时候，我们帮你生成三维空间的设计方案，这个设计方案包括了夹具、机器人的布局，包括了生产节拍的验证。刚才提到吉利，我们跟他们总装工程师聊，设计工程师有一个非常烦的活，设计完成之后，总装工程师要在设计数模上针对几百条checklist进行校验，答案是比较标准的，但人就是要重复在里面找到对应的位置，进行对应的过程验证。对我们来说，我们在前期设计空间里面完成对人的重复设计、出图、仿真动作，快速完成设计交付。设计交付之后，接下来就回到物理空间，这就是具身智能发光发热的点了。

AI落地工业，价值兑现与瓶颈显现

李硕（圆桌主持）：AI场景除了具身，还有非常多的应用和技术。AI在整个工业应用中，各个企业家看到最具潜力或者最有商业价值的在什么环节？以及怎么量化经济效益给到客户？AI永远不能只在技术层面讨论，为客户带来了什么是最重要的。以及在这个过程中，我们的规模化遇到什么问题，以及瓶颈是什么？

陈立：最早的时候，我们想通用大模型介入我们芯工厂软件，因为我这个软件是用来做快速方案设计，所有工作交给大模型做程序自身成，后序就不需要人工介入，直接生成PLC程序、机器人程序；但通用型大模型接入进来之后，不管是采用LLM、VLM，都发现了大量落地使用方面的问题，在广告、快速消费品、影视娱乐领域犯了一些小错误是可以被接受的，但是在工业领域，程序代码看上去差不多，真的导入到设备里面，能让这个设备跑起来，那怕是80%，其实还是有一些千差万别的。

我们现在的解决方案是把细节的数据再下沉，做一些标签，类似于小脑配合大脑在做执行控制，把程序终局归拢到标准化、统一化，得到了蛮好的效果，比如包装机械，很难想象传统的包装机械现在在做相关转型升级，里面的弹簧、卡尺，稍微变化一点，都需要工艺工程师到现场进行细致的调整。我们针对这个方面的细致数据建模完成了之后，再导入到AI里面做强化学习，才能把现场调试的工时完全降下来，并能实现远程调试。

类似于自动驾驶行业要经历的过程，我们工业自动化+AI也要经历这样的过程。到底是采用华为的技术，从L2慢慢过渡到L4，还是采用特斯拉的技术全面覆盖，这是一直在探索的解决方案，是我们应该考虑的事。

包括芯控从原先全领域的覆盖，到现在垂直到激光、汽车制造、科研教仪、物流行业，甚至细致到工位，只能一步一步的采集数据来整合，才能得到下一步拥抱AI的机会，才能再有机会去覆盖全行业。

韩旭：我们专注在AI视觉赛道，我们也不敢说AI在工业的哪个应用最具价值和最具商业化，我们只能说AI在视觉检测领域起到的作用非常明确。我们有大量的锂电包括汽车相关的检测，像锂电、汽车和食品这几个领域，首先解决的是刚需问题。大家看到新闻这个月蜂巢能源刚着火，去年宁德时代也着了火，去年韩国LG也着了火，都是在生产过程中有些问题没有及时发现，导致整个工厂烧掉了。大家知道新能源汽车停在路上，甚至充着电就着火了，一定是在生产和制造过程中留下了安全隐患。我们认为AI视觉在整个生产制造环节中，像质量安全、人身安全、食品安全等各种安全的问题，解决的是刚需痛点。

从另外一个角度讲，我们做的视觉不是只做这一个产品出货前的终检，我们是从整个产品的来料到核心的工艺到终检，是贯穿于它整个生产周期。能解决什么问题？提高良率，提高产能。因为有些缺陷可能在第一步就出现了，没有必要等到最后一步才发现它，越早发现越早的可修复，在没有增加产线的情况下，用了我们的视觉，它的良率和产能得到大大的改善。

还有最直接的，我们去年去越南，也是三星的一个核心供应商，他们的工厂一层楼里面就有800人还在做目检，人工通过显微镜在看手机某个零部件上的缺陷，一个工厂四五千人。也就是说，AI视觉能直接解决的是人力成本的问题，我们能帮很多企业省几千甚至上万人，节省的成本也是非常重要的。包括他们质量的可追溯、数据的可追溯、品控等各个问题，我们深扎视觉检测十年时间，实打实地看到AI+视觉在工业质检领域实实在在给行业带来了很多价值和改变。

宋俊：主持人提了非常好的问题，这个问题也一直贯穿了我们这么多年发展以来的内部思考和研究的路线。AI的价值到底在哪里，要分几个层面来解读。

第一，AI能给客户带来什么？检验一个好产品的唯一标准就是有没有客户愿意为此买单。

第二，识别到AI的价值，除了认识到在企业端、客户端的价值之外，我们还要看对公司的价值是什么。一个好的产品，客户愿意为它买单付费，但这个产品未必在公司端是盈利挣钱的，对公司的价值也是我们需要去评估的。

我认为AI的价值在企业端和公司端。

我们也是做AI视觉检测的，在创业初期也陷入到这样的困惑或者迷思，总感觉很多产品的需求非常多，客户每天有数不清的需求提过来，我们感觉这个行业里面遍地是机会。做到后面发现公司不挣钱，问题在于什么地方？需求多是不是好事？未必，可能意味着需求碎片化。我们真正要把产品核心标准化的东西提炼出来，做到标准化、可复制、可复用。

第二，我觉得AI包括具身，它就是一种技术和工具，工具是为我所用的。我们真正在工业里面做AI的产品化落地的时候，你会发现要具备的并不是简简单单用AI就可以了，比如我们公司，我相信韩总也会碰到同样的问题，你的光学架构是什么样子的，机械架构是什么样的，往往大部分用户要的是一体化“交钥匙”的解决方案或者具象化的产品，而不是某一个解决方案当中的模块，这是很多做工业的AI公司要解决的。

最后，我建议做工业AI的企业，应该更多把注意力放在价值主张，给用户创造哪些价值，让他买单，给我们自己创造什么价值，能够实现持续的盈利。

许晋诚：在汽车领域我提几点，在那种对于人而言比较危险和高危的领域，比如组装电池，它是相对具备高度价值的，可能在安装中需要对应各种突发状况，需要高泛化模型，或者本体的感知能力需要做提升。在组装的过程中，它伴随的危险能不能把人给去掉，直接用机器人做，这样既能保证人的安全，也能把任务完成。这是我认为AI在汽车工业领域非常具有价值的。现在像宁德等等的都有这样的想法想把这方面给问题掉。

人对于高污染的环境一定是有损伤的，无论有再多的防护，在当下的环境里面肯定或多或少吸收到污染。对于机械行业而言，这个是我们加速帮助汽车领域或者工业领域里面进行提升，或者整体能力上的扩展，这是我们想把AI或者具身智能放在汽车工业领域的提升，并且伴随着算法、算力跟模型数据越来越大的情况下，这个问题也会迎刃而解。

杨庆保：AI在工业的价值点，不管是对客户、对自身还是对工业流程的价值点也好，有几个方面。从前期的方案规划到设计、仿真、制造、应用，甚至后期维护，生命周期很长。这中间都是AI可以切入的点。目前来说，我们比较切入的是研发端。

第二，该解决什么问题？客户的需求呈现碎片化，有句话说客户根本不知道他想要什么，但是知道这个东西不好，我们希望通过解决方案想让它变得好。这些问题是需要类似于我们这种定位的公司来解决的，问题和需求一直都存在，我们一直在说AI，以前解决问题尝试了很多方式，比如流程化、标准化、自动化，为什么现在说AI？因为传统方法的天花板比较有限。我们希望AI干的事情是它可以从数据驱动，可以在新的场景里面给我们泛化性更好的方案。

第三，客户不愿意付费，可能就无法证明它的价值，或者这是伪需求。我们在和客户深入交流的过程中，我们更愿意阐述数据方面的价值，很多客户都说自己有很多数据，他们也知道数据很重要，然后呢？客户在很多场景中是不知道怎么用这个数据，我们给客户提供AI解决方案的时候，它的数据资产是从硬盘的资产或者存储的资产变成智力资产，最大的价值不仅仅是当前的降本增效，而是经验的持续积累。算法通过数据的迭代，后续可以持续赋能到研发环节和生产环节，并不会由于人员的转换或者数据的丢失，导致这个经验不是我们公司的，我认为这是更大的价值。

现在AI给客户从实用的角度来说是两个方面，我们一直认为现在解决的是效率问题，加快研发流程。在某些环节，客户更想要的是你能帮我解决创造性的问题。我们认为创造性的问题，偏美学或者偏主观判断。但在工业流程里面，客户经常说你能不能帮我设计一个比以前更好的方案，我可能说抱歉，现在我还做不到，但我可以加快，让你现在这些方案设计有几十倍的效率提升。

AI如何重塑工业环节，激发万亿级新动能

李硕（圆桌主持）：最后一个问题畅想一下，基于大家各自场景中，AI真正在哪些工业环节中带来了革命性或者颠覆性的变革？让这个产业或者环节真正发生了巨大的改变。

陈立：我讲一下具身智能+AI。从我们的角度来讲，具身智能是一个长期的有效课题，不是显学，它能对应解决多方面的问题，包括人工成本、制造成本、人口老龄化等常见的问题，具身智能的确存在一个很好的好处，不需要学习成本，业主可以把机器认直接放到现场，这台机器自己就能把这个活干起来了，所有的东西通过cloud学习，把知识输入到本体里面，它就按照雇主的需求，第一天就把活干起来了，setup in one day,非常省成本，这是极具有活力的。

第二，目前经济下行，具身智能有更好的收款方式，因为它的边界很清晰。做自动化设备，边界不清晰，今天定了一个需求和技术协议方案，客户第二天可以改，设备到了现场，客户还是会改方案；具身智能机器人就是一个产品，它能嫁接AI，它的边界很清楚，就一个本体产品，能很好地收到钱。

韩旭：我觉得AI+视觉特别符合这个问题。因为视觉是蛮传统的行业，大家如果知道制造业的话，康奈士（音）是40多年的企业，视觉在工业里面蛮传统的。但是人工智能来到视觉之前，之前的视觉技术更多是基于匹配，基于规则的对齐，这就是很大的悖论。如果缺陷的产生是有规律的，那这个规律就可以不产生，以现在中国制造的匠心能力来讲，它既然有规律，我就可以在工艺端把它干死。也就是说，缺陷的产生一定是无规律的，那基于匹配是解决不了的。

我们看到一个真切的事，AI来到工业视觉之后，把缺陷检测这件事彻底盘活了。我们10年前在推这个概念，当年我们去拜访客户的时候，给个人说我们用人工智能+做视觉、做图像分析、做缺陷检测，大部分客户认为我们是骗子。但是如果再在制造业说做缺陷检测，现在客户统一口径是如果你没有人工智能，他认为你不行，认为你是骗子。我们看到这是非常大的改变，确实是通过AI技术的普及，给整个行业带来很大的变革。

再一个感触，今天杨总讲了很多数据的事，大家去畅想，一直讲的是智慧决策，其实智慧决策就需要数据的沉淀。以前产线出了问题，包括良率有问题、工艺有问题，要找一个经验非常丰富的老师傅过来，其实这个老师傅本身就是数据的集合体，AI能干的最大一个事就是把经验的东西标准化，有了视觉，有了各种传感器，有了具身智能，当数据维度越来越丰富，数据量越来越大的时候，我们认为智慧决策的可能性也越来越大，也要解决数据封闭、数据孤岛和客户信任的问题。

宋俊：前面两位嘉宾在发言的时候，我一直在思考这个问题，主持人的提问是AI给行业带来了哪些变革。

对于我们所服务的钢铁行业，大家知道钢铁行业是“夕阳产业”，我第一份工作在宝钢，我是一个标准的钢铁工人。我第一次进入宝钢的时候就听到这个词，为什么呢？从背后思考一下这个问题，并不是说钢铁这种材料没有前途。到目前为止，它依然是人类使用最多的可再生金属材料，往后几十年之内，没有看到什么材料有这个前景能把它替换掉。为什么说它是夕阳产业？我们国家第一家钢厂就是湖北张之洞的汉阳制铁所，1890年成立的。它是典型的工艺非常固化的产业，我们把先进的技术导入进去以后，我们指望这个产业能产生什么变革呢？好像看不到。但从实际感受来说，我感觉到这些技术进去之后，对于行业的变革是润物细无声。

讲一下我们行业里面的数据，瓦特曼是做机器人的，数据可能比我这边掌握的更详实。2010年的时候，中国钢铁工业机器人每万人大概是22台，2022年是37台，2025年是56台，2024年是75多台左右，今年的目标大概是123台左右。

前面韩总分享了关于视觉技术，若干年前讲到用人工智能做图像对比分析，对行业来说是天方夜谭，今天如果你不这么做，可能被行业淘汰了，在我们行业也是如此，因为我们也是做钢铁行业工业视觉检测，我第一次接触到视觉检测就是百事泰，2000年的时候第一次在宝钢引入了视觉检测系统，当时有卷积神经网络用的，现在后面的算法全部更替升级了。目前行业里面尤其是热轧、冷轧产业，如果哪条产线不上表面缺陷检测仪，可能产线的工厂设计都不会过关。

这个技术进程的速度越来越快，我们国内排名前面的企业都提出“无AI不钢铁”。再结合刚才杨总讲的案例来说，我们公司现在也在做一件事情，前不久跟国内头部钢企签的项目，在传统视觉检测的基础上，进一步做升级。以往我们用图像技术、视觉技术，发现一个产品缺陷之后，对它进行产线叫停，然后进行修正，但是没有办法对这个缺陷产生的工艺机理进行分析和判断，因为造成缺陷的工艺机理，前面X变量太大了，你经验再充分，但是做这样的工艺推导是很难的事情。

许晋诚：在整个AI或具身智能会引起最大的变革，毋庸置疑，刚刚也有说到类似于卷积神经网络之后，我们验证了一件事情，Transformer架构在超大型数据之下，基本上可以把模型迭代到可泛化的能力。这个改革或变革基本上验证了，在这个理论基础之上，我能不能吞吐其他更大量的数据，而让这个模型可以有更多的技能或者能力的提升。

对于现在把模型从文本数据提升到更多视觉触觉、轨迹等，所有的数据加上去，可以借由我们的架构让整个能力变得更加凸显，并且泛化性更高。

它最大的问题点其实是数据量的不足，在缺乏数据的时代，文本数据基本上已经是十万级、百万级、亿级以上的数据量了，但文本数据是一维数据，我们需要在人形机器人或者物理世界里面，我们需要的数据远远不止一维数据，我们需要三维、四维、五维，在此基础上，如何加大力度把数据量跟维度进一步提升，并且把传感器能力进一步提升，这非常重要。刚刚说到1万人里面只有100人有机器人……

宋俊：这个目标还没实现。

许晋诚：包含埃隆马斯克说每个人都要有一台机器人，现在只是100个人只有1台机器人，而且在工业领域，我认为还需要大幅提升。

杨庆保：现在AI给产业链带来的变革，以及畅想一下未来带来的变革。

我们现在在某个领域带来的变革是什么？因为我们聚焦于设计（研发），比如在研发设计端，以前的状态是工程师同时完成多个设计任务，或者既要做上游的3D设计，也要做下游的2D出图。现在某些客户实施的场景里面，我们把设计过程拆的更加细，下面的事情通过我们的产品完成之后，他直接去做判断题，把一个人的复合工作流程拆成流水线的作业过程，这是目前已经实现的改变。

第二，在这个过程中，本质是让人的动作从“应用题”变成了“判断题”。目前很多高级人才在花60%的精力干初级人才的活，但是这些活都可以用AI快速替代。

设想一下未来的场景是什么样的，我们希望人未来做“选择题”，我们现在大部分解决的是工业场景中效率问题，小部分是创造性问题。但我们真正的目标是未来帮你解决大部分的创造性问题。我们想到一个场景，订单、到设计、交付，不管在什么场景，我可能有一个快速的需求或者工艺输入，像Agent一样，它调用很多工具，我们到时候可能有一套算法，它快速完成方案设计、方案验证，你选择完成以后，直接到下游的加工过程，直接对接到无人工厂，完成整个设备的生产、加工、制造、发货。真正实现地多品种、小批量、快速交付。现在还依赖于不同公司在局部标准化的实施，并没有实现真正面向个人，比如To C真正变成个人的To B。

这是对未来的设想，到底什么时候能实现，现在都不敢说。

李硕（圆桌主持）：其实关于这个问题，我有一点想分享的。我们在重工业场景中，尤其是在生产环节，比如钢铁的钢包热修作业中，正是由于各个细分技术上的变革和发展，最终推动了该场景的无人化进程：其中感知部分的发展包括硬件和算法两个方面，硬件方面像传感器的升级、激光雷达的技术升级及产品价格降低，以及3D相机、2D视觉、毫米波雷达等传感器的发展；算法上则有多模态多传感融合等，从借鉴自动驾驶技术在工业场景中的感知层应用；除了感知外，还包括轨迹规划，以及到执行端的力控传感器及力控算法，同时还包括了今天提到的具身智能中的仿真技术。我们认为这些技术进步使得机器人在重工业场景中实现去人化、无人化成为可能。

我们当初为什么做钢铁行业？我们并不是钢铁人出身，但当时因为去到了钢铁和有色厂里面，看到了年营收千亿的集团中，很多高温、高粉尘、高污染的环境依然由人工操作。我们工程师回到酒店后，身上脸上都是灰黑色的，但这些工人却常年在做这样环境中工作，我们认为这样的场景应该由AI和机器人去完成工作。正是由于每个模块化的AI和传感器的进步，在感知层面，无论面对多么恶劣的工况，系统都能识别到目标；同时因为有力控，可以在各类复杂状况下确保加工/打磨质量的一致性。相信未来AI在工业的发展，无论是视觉、机器人还是研发设计，以及各个零部件领域，都有非常大的空间。虽然说今天以钢铁为代表的重工业存在产能过剩问题，但它的体量实在太大了。在这么大的体量中，其中一个细分场景对于AI行业来说都会是巨大的商业机会。