智能化

Transformer 架构的过去和现在：人类大脑在有限的资源条件下，通过神经元回路的自组装和微调，实现了高效的信息处理。为了优化信息处理，大脑发展了高效的信息选择和投注机制——注意力，而非依赖超大容量的处理能力。随着我们对大脑认知机制的深入了解以及计算机科学的进步，研究人员尝试通过算法量化大脑的认知功能，将人类的思维模式映射到人工智能上。Transformer 是一种基于注意力机制的神经网络架构，由 Google Brain 团队于 2017 年在论文《Attention Is All You Need》中提出。通过摒弃传统循环结构，Transformer 利用自注意力机制并行处理序列元素，显著提升了训练速度和长距离依赖建模能力。Transformer 架构的灵活性，使其成为众多非自然语言处理领域先进模型构建的基础框架，展现出广阔的应用前景，包括但不限于能够将不同模态的数据映射到统一的特征表示空间，促进跨模态应用发展。目前，人工智能大模型的进化主要依赖于人工版本的更新。而随着技术的发展，研究人员正在探索自我进化的模型，使其能够自主完善和学习由自身生成的经验，从而推动人工智能向更高级的智能发展。当前 AI 的局限性或在于其学习效率的低下，而非数据不足。真正的智能不仅是数据量的堆积，而是在于对信息的压缩和提炼，类似于通过总结第一性原理的方式获取更深层次的智能。

随着AIGC产业的大力发展，数据作为爆炸式增长的重要生产要素，正在促使存储技术与存储体系不断创新发展。这其中更大的容量、更高的性能、更灵活的扩展方式、更安全可靠的数据保护、以及更加绿色可持续的数据基础设施建设，都是产业关注的重点。《AIGC数据存储技术研究报告》，以全面发展的AIGC研究与应用为场景，全面展示了不断更新迭代的全闪技术、存算一体架构技术、与创新性分布式存储技术的相互结合的发展趋势与落地点。报告汇集了来自产、学、研各界的丰富经验和深入研究，不仅为行业人士提供了更全面的多维度视角，而且在推动技术发展及实现数据价值最大化上也发挥着关键作用。

纯视觉或更适配端到端，并有望从智驾迁移至人形机器人：当前国内主机厂已陆续切换至端到端大模型（以感知层端到端+决策规划层端到端为主），但纯视觉vs. 激光雷达端到端仍存争议。我们判断，1）纯视觉具备迭代速度更快、成本更低等特点，预计普适性或更强（有望从智驾迁移至人形机器人）；2）当前采用激光雷达+端到端方案的大部分智驾车型存在激光雷达搭载数量不足、车端算力不足或算法能力相对偏弱等问题；3）预计算法优化迭代是实现技术路线突破的关键。

“具身智能（Embodied AI）”指有物理载体的智能体，在与物理世界的交互过程中，通过感知、控制和自主学习来积累知识和技能，形成智能并影响物理世界的能力。 其关键在于“具身认知”，即该智能是通过身体和环境的交互过程中产生的，不能脱离实体，这是具身智能与离身智能的关键区别。 具身智能主要以各种智能机器人的形态出现，融合了机器人领域与计算机领域下的多个学科，是所有学科发展到相当成熟度之后才涌现出的能力。

在自动驾驶端到端模型成为主流之前，关于激光雷达作为传感器的配置必要性有较多讨论和争议。此前争议持续存在的核心因素在于特斯拉坚持纯视觉+神经网络路线，特斯拉纯视觉路线当前具备独特性，很大部分归因于其大量驾驶数据和广泛用户基础。 从主流车企和智驾方案商的选择来看，在算力增强、端到端算法趋于成熟的背景下，多传感器融合和纯视觉路线已不再对立，激光雷达等传感数据正在与端到端算法融合。如自动驾驶的英伟达 Hyperion 9 Platform 参考架构中，激光雷达作为传感器输入数据的维度。

模型变革：云端融合共振为趋势。字节在云端AI和端侧AI全面发力，旗下的豆包等 AI 产品随着大模型蓬勃发展，赋能ToB应用拓展至ToC应用，从PC到手机，再到眼镜、耳机甚至玩具，AI硬件不断扩容。复盘AI终端发展历程，可分为5个阶段：1）AI云端—ChatGPT引领大模型浪潮；2）AI+PC—联想开出端侧“大爆发”第一枪；3）AI+MR—苹果接力C端AI落地，Vision Pro杀出重围；4）AI+手机—苹果Apple Intelligence引领方向；5）AI大模型—字节豆包入局AI终端。

当全前球，AI领全域球的市股场权对融人资工和智交能易的情需况求也热显度示不出减积，极各的类信垂直号赛，道20的24竞年速第仍三然季激度烈，，人预工计智在能未交来易十数年量内达，12全45球笔人，工数智量能规市模场重规回模2将02保2年持初19的.1巅%的峰年水均平增，长融率资；金在额投规资模方对面比，2023年提振幅度明显。

智能底盘操作系统是一种运行在智能汽车底盘的广义操作系统，用于管理和控制智能汽车底盘系统的基础软件平台，支撑底盘功能集中开发、跨域融合，最终实现整车中央集中控制，也是汽车智能化的重要组成部分之一。

人形机器人供给侧繁荣，入局玩家多元、掀起投融资热潮，应高度重视跨界入局的头部厂商引发的正向效应。海内外本体厂商积极推进产品迭代、开展多场景实训，性能显著提升，国内部分厂商已率先开启量产及销售。同时产业发展掀起投融资热潮、入局者多元，包括比亚迪、宁德时代、赛力斯等新能源制造头部企业，以及ICT大厂华为和头部互联网厂商等，或将持续带动产业繁荣。需求侧，我们认为未来人形机器人或将实现三大主要场景的有节奏导入，高阶智能化水平下市场规模超万亿。

丝杠利润率可能“超预期”：丝杠加工流程长工艺复杂，材料、热处理、设计、粗精加工、检测环环相扣涉及大量“Know How”具有较高壁垒。一方面其中涉及较多难以逆向的内容，例如以一个进口丝杠作为对比，在不知道其具体采用钢材的化学成分情况下采用不同材料生产最终性能会不同，而即使采用了类似化学成分的材料，若热处理工艺不成熟，表面硬度梯度分布不合理、金相组织不均匀等问题也会导致丝杠性能打折扣，需要不断试错来优化工艺。另一方面我们认为，“能造丝杠”和“能造更好的丝杠”之间有较大差异，丝杠本就是多 SKU 赛道企业需要拥有面向多种不同应用场景进行设计的能力，而丝杠设计中的小变化就会导致性能出现较大差异，终端用户除精度外更看重丝杠的动态特性、精度保持性等指标，如何快速打造出一套“设计-制造-检测”的闭环正向研发体系至关重要。以丝杠龙头中国台湾上银科技作为参考，上银科技 21 至 23 年综合毛利率分别为 36%/36.55%/31.07%（同时包含了直线导轨、工业机器人等产品，单看滚珠丝杠毛利率或更高），能够实现突破的中国大陆丝杠头部企业后续也有望实现较高利润率。

1. 法律与合规的复杂性可能存在多地管辖与冲突：同一份数据可能同时适用多个国家或地区法律（如欧盟GDPR与美国Cloud Act），加大企业遵从成本与合规风险。 2. 数据主权与出口管制：越来越多国家强化对数据出境、关键技术和算法的审查，出海企业在实操中面临审批、备案和监管门槛。 3. 地缘政治与国际贸易摩擦：在中美科技竞争、贸易制裁背景下，部分高科技领域的数据交换受到政策或政治因素的干扰。 4. 节点布局与运维：大规模数据中心和CDN节点分布不均，需要在重点地区投入高成本基础设施建设与运维，短期ROI不确定。

生成式人工智能（Generative Artificial Intelligence，以下简称“GAI”）的训练、研发与应用离不开大规模、多样化且实时更新的数据支持。随着云计算、物联网等数字技术的持续发展，数据密集型跨境活动已成为 GAI 产业发展的核心驱动力。近年来，以 ChatGPT 等大型语言模型为代表的 GAI 技术迅速崛起，进一步揭示了跨境数据流动在全球人工智能产业格局中的深刻影响与重要性。