（精選報(bào)告來源：報(bào)告研究所）
1. 機(jī)器人算法：融合機(jī)械+自控+ICT 的邊界
本章解釋機(jī)器人學(xué)科融合的問題。機(jī)械、輕工、家電、汽車背景的產(chǎn)業(yè)公司，認(rèn)為傳 感器已經(jīng)相對成熟，好奇軟件算法決定的智能化程度。TMT 背景的科技公司，往往對機(jī) 械零組件、工程化，較為陌生。機(jī)器人與能源的關(guān)系問題，也是未解之謎。
1.1 三個(gè)流派：機(jī)械，自控，ICT
存在三個(gè)機(jī)器人的流派：機(jī)械、自動控制、ICT，三者的思路、代表人物、代表產(chǎn)品、 里程碑著作。一言以蔽之，機(jī)械圈核心思路是結(jié)構(gòu)與力學(xué)，自動控制圈核心思路是 系統(tǒng)與規(guī)劃；ICT 圈核心發(fā)力點(diǎn)是智能與生態(tài)。
依照三大流派的思路，可以得到主流機(jī)器人倚重的知識和流派。例如豐田機(jī)器人、波 士頓動力 Atlas、UCLA Artmiss 主要依靠自動控制，不同程度的倚重機(jī)械與 ICT。而近期 的特斯拉 Optimus、Figure1、宇樹科技、云深處科技，主要倚重 ICT 流派的思路，也融 入相對成熟的機(jī)械、自動控制思路。宇樹科技、云深處都強(qiáng)調(diào)強(qiáng)化學(xué)習(xí)、多模態(tài)，前者還 額外強(qiáng)調(diào)本體感知控制。這都是近年 AI 的思路。
1.2 當(dāng)前算法：機(jī)械與自控圈認(rèn)為的“堵點(diǎn)”
“堵點(diǎn)”或在算法。機(jī)械流派、自動控制流派發(fā)展機(jī)器人過程中，自然會發(fā)現(xiàn)最需要 “大局觀”的運(yùn)動控制是“堵點(diǎn)”。而運(yùn)動控制又是“路徑規(guī)劃”的基礎(chǔ)。當(dāng)前算法主要包括自上而下決策部分、自下而上傳感部分。大模型與端到端 AI，實(shí)際 上會讓“自上而下”部分做較大改變。1）以 Atlas、Artemiss 機(jī)器人為例：傳感器模塊將機(jī)器人狀態(tài)量（廣義坐標(biāo)、力/力矩、接觸狀態(tài)等）向運(yùn)動規(guī)劃器和全身控制器傳送， 運(yùn)動規(guī)劃器通過機(jī)器人自身選擇的動態(tài)模型、穩(wěn)定性判定和優(yōu)化方法進(jìn)行步態(tài)規(guī)劃，落腳 點(diǎn)軌跡和關(guān)節(jié)軌跡也由此計(jì)算得出。2）若采用大模型甚至端到端 AI 改變上述流程，缺點(diǎn) 是消耗資源多了，“幻覺”即錯誤或也增加，換來的優(yōu)點(diǎn)是“智能化”大幅增加。即上述 “自上而下決策”部分，可更多的體現(xiàn)“大模型”的特征：自動做決策，創(chuàng)造力增強(qiáng)。
如果詳細(xì)的論述機(jī)器人主要算法，可總結(jié)為下表。值得說明的是：1）主要探討大模型/端到端之前的成熟算法（其中三維、NLP 已經(jīng)涉及大模型）；2）規(guī)劃算法可以采用大模型/端到端明顯優(yōu)化，因此沒有詳細(xì)展開；3）運(yùn)動控制算法差異化較大，此處采用典型代表，例如 Artemiss 和 Atlas 機(jī)器人。
既然主要算法已經(jīng)分解出來，那么問題就轉(zhuǎn)化成：上述 AI 算法，若應(yīng)用在機(jī)器人， 哪些可以伴隨 AI 產(chǎn)業(yè)的發(fā)展，明顯提高智能化。尤其大模型、端到端算法的使用。
1.3 未來算法的劃分：GPU 數(shù)學(xué)，大模型，端到端
機(jī)器人算法，在未來，哪些部分可以大模型化？哪些部分可以端到端？我們繪制機(jī)器人三大分支（感知和定位、控制和決策、規(guī)劃）AI 算法的情況。這也是 未來機(jī)器人智能化程度提升的示意圖。結(jié)論是，幾乎所有分支都可以考慮大模型化，當(dāng)前 部分領(lǐng)域已經(jīng)可以“端到端”，尤其規(guī)劃的部分。值得說明的是：1）高時(shí)效場景適合小模型，而高復(fù)雜度/高精度場景適合大模型 2）線性系統(tǒng)一般用小模型，復(fù)雜非線性系統(tǒng)可以用大模型。
2．機(jī)器人工程：融合智能車，鋪路未來低空
第一章解釋技術(shù)，本章解釋產(chǎn)業(yè)數(shù)個(gè)關(guān)鍵問題。機(jī)器人產(chǎn)業(yè)與國內(nèi)已經(jīng)甚為發(fā)達(dá)的 AD/ADAS 產(chǎn)業(yè)，有約 2-3 年的時(shí)間差，可以歷史借鑒 AD/ADAS 的發(fā)展過程。兩個(gè)重要議題。一方面，投資者不必?fù)?dān)心機(jī)器人蓬勃發(fā)展刺激過于旺盛的產(chǎn)能，因?yàn)?其借鑒了此前“AD/ADAS”領(lǐng)域的經(jīng)驗(yàn)，并可以后續(xù)“技術(shù)外溢”到“低空經(jīng)濟(jì)”。另 一方面，朝向“人形機(jī)器人”發(fā)展過程中，被低估的是行業(yè)機(jī)器人、消費(fèi)機(jī)器人，這類似 科技圈“攀登珠峰，沿途下蛋”的說法。而 2025 年可能就是這些邏輯得到證明的開始。
2.1 歷史借鑒：智能車 ADAS/AD 領(lǐng)域，或出現(xiàn)“智能井噴”
發(fā)展機(jī)器人，有一個(gè)非常好的歷史借鑒，即智能車的歷史過程。業(yè)界普遍認(rèn)為兩者產(chǎn) 業(yè)成熟度相差大約 2-3 年。多域融合的代表：2017 年特斯拉 Model 3：特斯拉在 Model 3 上突破了功能域的 框架，實(shí)現(xiàn)了中央計(jì)算 + 區(qū)域控制器框架，將 IVI（信息娛樂系統(tǒng)）、ADAS/Autopilot （輔助駕駛系統(tǒng)）和車內(nèi)外通信 3 部分整合為一體，成為汽車電子架構(gòu)向中央計(jì)算式演變 的重要里程碑。后續(xù) 2023 年廣汽星靈架構(gòu)、2023 年比亞迪璇璣架構(gòu)、2023 年零跑 LEAP 3.0 架構(gòu)都是重要證據(jù)。傳感器前融合的代表：2019 年毫米波雷達(dá)突破。1）2019 年 5 月底，森思泰克 77GHz 車載毫米波雷達(dá)隨著一汽紅旗 HS5 的上市，成為國內(nèi)較早 “上路” 的 ADAS 毫 米波雷達(dá)傳感器。2）類似的，2019 年，行易道 3 月實(shí)現(xiàn)了支持 AEB 功能的 77GHz 中 程雷達(dá)裝車上路。6 月該雷達(dá)具備了測高功能、自校準(zhǔn)功能并面向數(shù)據(jù)融合開發(fā)，10 月又 全新發(fā)布了 77GHz 近程毫米波雷達(dá) ASRR100 和 77GHz 中程毫米波雷達(dá) AMRR112。后續(xù)，5R1V（5 毫米波雷達(dá) 1 攝像頭）、5R5V（5 毫米波雷達(dá) 5 攝像頭）、4D 成像毫 米波雷達(dá)（理想 L7 2 片級聯(lián) 4D 成像雷達(dá) STA77-6 ）的量產(chǎn)，都是傳感器前融合的重 要證據(jù)。
行泊一體化的代表：TI TDA4, Nvidia Xavier/Orin，2022 年后大規(guī)模量產(chǎn)。1）小 鵬 P7 搭載英 Nvidia Xavier 芯片，實(shí)現(xiàn)了高速場景下的上下匝道、低速場景下的自動泊 車及代客泊車等功能。2） Nvidia Orin 于 2022 年開始量產(chǎn)并應(yīng)用于行泊一體化方案， 實(shí)現(xiàn)高階智能駕駛功能，如城市 NOA、自動泊車等。3）根據(jù)高工智能汽車研究院監(jiān)測數(shù) 據(jù)，2022 年中國市場乘用車前裝標(biāo)配搭載行泊一體域控制器交付上險(xiǎn)為 77.98 萬輛，同 比增長 99.63%，搭載率目前為 3.91%，當(dāng)時(shí)處于市場爆發(fā)前期。行泊一體化的其他案例 包括 TI TDA4 方案、地平線 J5 與比亞迪部分車型合作等。大模型端到端的代表：2023 年熱議，2024 年多家宣稱“端到端”量產(chǎn)。1） 2020-2022 年，特斯拉 AI Day 重點(diǎn)描述了 BEV、占用網(wǎng)絡(luò) Occupancy Network，這是 大模型和端到端的基礎(chǔ)。2） CVPR2023 最佳論文之一有關(guān)端到端，即《Planningoriented Autonomous Driving》（以路徑規(guī)劃為導(dǎo)向的自動駕駛）。上海人工智能實(shí)驗(yàn) 室、武漢大學(xué)及商湯科技聯(lián)合論文提出了感知決策一體化的端到端自動駕駛大模型 UniAD。3）2024 年多家領(lǐng)軍公司宣布應(yīng)用“端到端”量產(chǎn)。小鵬汽車在 2024 年 5 月 稱發(fā)布了國內(nèi)較早量產(chǎn)上車的端到端大模型，成為行業(yè)較早量產(chǎn)端到端大模型的車企。華 為在 2024 年的智能汽車解決方案發(fā)布會上發(fā)布 ADS 3.0 系統(tǒng)，采用端到端架構(gòu) GOPDP，將 GOD 及 PDP 網(wǎng)絡(luò)升級為端到端神經(jīng)網(wǎng)絡(luò)。理想汽車智能駕駛副總裁郎咸朋表 示，對智駕核心的思路是 “端到端 + 大模型”，也就是 “系統(tǒng) 1 + 系統(tǒng) 2” 的理念， 并且認(rèn)為這種方式更接近人類駕駛。
大約在 2024 年中期，出現(xiàn) ADAS/AD 智能化程度井噴，即用戶感覺智能化程度逐 月快速進(jìn)步。尤其體現(xiàn)在國內(nèi)理想、小鵬、華為、小米等，和國外的特斯拉。1）從供應(yīng) 角度，理想大約在 8 月開始（理想 E2E+VLM 的模型 V2.1.2）出現(xiàn)模型性能的 Scaling Law，特斯拉在 2024Q2 開始出現(xiàn)監(jiān)督式完全自動駕駛（FSD）累計(jì)行駛英里數(shù)的井噴并 在 Q3 發(fā)布 V12.5 版本。2）從需求角度，根據(jù)“烹小魚咨詢-新能源汽車用戶畫像及滿意 度研究“，較多爆品是由于 AD/ADAS 能力，例如小米 SU7、小鵬 Mono03、小鵬 P7i、 小鵬 P7+、智己 L6。技術(shù)供應(yīng)和需求，共同促成了 2024 中期開始智能化的逐月進(jìn)步。
預(yù)計(jì)機(jī)器人會出現(xiàn)類似 ADAS/AD “智能井噴”的時(shí)候，可能在 2025-2026 年實(shí)現(xiàn)。這一方面，來自兩個(gè)產(chǎn)業(yè)約 2-3 年的時(shí)間差；另一方面，來自 2023 年“端到端”AI 算法 對傳統(tǒng) AI 算法的滲透改造。
2.2 “技術(shù)外溢“：智能車，機(jī)器人，低空經(jīng)濟(jì)
機(jī)器人產(chǎn)業(yè)如果蓬勃發(fā)展，是否會刺激過于旺盛的產(chǎn)能？未必需要擔(dān)心，因?yàn)槠浣梃b 了此前“AD/ADAS”領(lǐng)域的經(jīng)驗(yàn)，并可以后續(xù)“技術(shù)外溢”到“低空經(jīng)濟(jì)”。即當(dāng)前的 投入，或許在后續(xù)較長時(shí)間都會有回報(bào)。
CAPEX 季度趨勢或驗(yàn)證智能車對機(jī)器人的“技術(shù)外溢”?？梢钥吹?，同 比增速的高點(diǎn)出現(xiàn)在 2021 年內(nèi)，而總額的高點(diǎn)出現(xiàn)在 2022 年內(nèi)。而機(jī)器人指數(shù)(H30590.CSI)、二級行業(yè)自動化設(shè)備（屬于機(jī)械行業(yè)）的 CAPEX 自 2023 年末開始加速（2023 年中是低點(diǎn)）。智能車 CAPEX、機(jī)器人 CAPEX 的此消彼長， 或輔助論述“技術(shù)外溢”，即智能車硬件投入的高峰期，可能平移到了機(jī)器人相關(guān)。除了定量分析，下面具體環(huán)節(jié)的定性分析，可以幫助投資者理解“智能車-機(jī)器人-低 空經(jīng)濟(jì)”的技術(shù)外溢。首先，AD/ADAS 對機(jī)器人的技術(shù)外溢：以芯片/電機(jī)/控制系統(tǒng)/能源系統(tǒng)為例。1) 芯片技術(shù)，復(fù)用環(huán)境感知、路徑規(guī)劃等，例如小鵬人形機(jī)器人。例如，小鵬的人形 機(jī)器人 iron 采用自研圖靈 AI 芯片，算力 3000T，從而可以更好地融合智能駕駛領(lǐng)域技術(shù)， 結(jié)合端到端大模型和強(qiáng)化學(xué)習(xí)算法。2) 電機(jī)技術(shù)，復(fù)用驅(qū)動，例如宇樹機(jī)器人。智能汽車的驅(qū)動電機(jī)技術(shù)在功率密度、效 率、可靠性等方面不斷進(jìn)步，這些電機(jī)技術(shù)可以為機(jī)器人的關(guān)節(jié)驅(qū)動提供借鑒。例如，宇 樹科技的機(jī)器人關(guān)節(jié)采用高性能電機(jī)，實(shí)現(xiàn)了靈活的運(yùn)動控制，類似技術(shù)可應(yīng)用于智能汽 車的電動尾門、電動座椅調(diào)節(jié)等部位。3）控制系統(tǒng)技術(shù)，復(fù)用動作控制、任務(wù)調(diào)度和能量管理，例如廣汽人形機(jī)器人 gomate。廣汽集團(tuán)的具身智能人形機(jī)器人 gomate 融入了廣汽自研純視覺自動駕駛算法， 具備自主導(dǎo)航等功能。4）能源技術(shù)，復(fù)用電池技術(shù)和能量管理系統(tǒng)，例如寧德時(shí)代的凝聚態(tài)電池。寧德時(shí) 代的凝聚態(tài)電池技術(shù)，不僅可應(yīng)用于汽車，未來也可能為機(jī)器人提供更高能量密度的電源。
其次，AD+機(jī)器人，對低空經(jīng)濟(jì)的技術(shù)外溢：以視覺算法/傳感器/電機(jī)/能源系統(tǒng)為 例。1) 視覺算法技術(shù)，復(fù)用到無人機(jī)的 AI 識別算法。例如，復(fù)亞智能的無人機(jī) AI 識別算 法，通過深入分析低空巡查的特殊需求，專為無人機(jī)視角設(shè)計(jì)，可用于檢測各種類型的物 體，如人物、車輛、建筑物等。2) 傳感器，復(fù)用環(huán)境感知和飛行姿態(tài)控制，例如小鵬匯天飛行汽車。小鵬匯天飛行汽 車在安全系統(tǒng)和飛行控制等方面應(yīng)用了多種傳感器，如激光雷達(dá)、攝像頭等，用于環(huán)境感 知和飛行姿態(tài)控制。3) 電機(jī)技術(shù)：復(fù)用到電動垂直起降飛行器（eVTOL）等，例如 250kw 及以下航空電 機(jī)及驅(qū)動系統(tǒng)規(guī)?；慨a(chǎn)技術(shù)。該可借鑒智能汽車和機(jī)器人電機(jī)的生產(chǎn)制造和控制技術(shù)。4) 能源系統(tǒng)技術(shù)：復(fù)用能源系統(tǒng)技術(shù)，例如寧德時(shí)代的凝聚態(tài)電池技術(shù)（航空級）。寧德時(shí)代的凝聚態(tài)電池技術(shù)，正在按照航空級的標(biāo)準(zhǔn)和測試進(jìn)行研發(fā)，目標(biāo)是滿足航空級 別的安全和質(zhì)量要求。
如果本環(huán)節(jié)分析得當(dāng)，投資者未必需要擔(dān)心機(jī)器人的崛起，會刺激過于旺盛的產(chǎn)能。因?yàn)椤爸悄苘?機(jī)器人-低空經(jīng)濟(jì)”是遞進(jìn)關(guān)系，當(dāng)前機(jī)器人的投入可以后續(xù)“技術(shù)外溢” 到“低空經(jīng)濟(jì)”。
2.3 被嚴(yán)重低估：行業(yè)機(jī)器人，消費(fèi)機(jī)器人
例如特斯拉的人形機(jī)器人、Figure 1 的機(jī)器人，與量產(chǎn)普及存在差距。類似的，還有 GPT5 的進(jìn)度問題。因此部分投資者會認(rèn)為，當(dāng)前仍然在導(dǎo)入期。“攀登珠峰，沿途下蛋”1 2的策略，或許用于機(jī)器人領(lǐng)域，也頗為恰當(dāng)。朝向“人形 機(jī)器人”發(fā)展過程中，被低估的是行業(yè)機(jī)器人、消費(fèi)機(jī)器人。而這個(gè)歷史，在 AD/ADAS 過程中、AGI 相關(guān)算力發(fā)展過程中，都是充分證明的。
1）AD/ADAS 領(lǐng)域的“攀登珠峰，沿途下蛋”：2010-2015 年，如果遙望 L4-L5 自 動駕駛，是非常遙遠(yuǎn)的。但朝向這個(gè)宏大目標(biāo)，既有 L2（傳感器前融合、智能座艙升級、 地圖高精化）、L2.5（行泊一體化、高快 NOA、城市 NOA），又有準(zhǔn) L3（大模型、端 到端）?，F(xiàn)在再看 L4 的代表 Robotaxi、車路協(xié)同，已并不遙遠(yuǎn)。因?yàn)橹圃?、科技、用?心智，都已經(jīng)大幅度成熟。2）AGI 對應(yīng) AI 算力的“攀登珠峰，沿途下蛋”。CPU 誕生伊始，是無法滿足 AGI 對應(yīng)的算力需求的。但歷經(jīng)終端計(jì)算（CPU）、云端計(jì)算（GPU、NPU、TPU 等）、邊 緣與端側(cè)等（例如 DSA、ASIC 服務(wù)），產(chǎn)業(yè)與投資者都不認(rèn)為 AGI 的堵點(diǎn)在算力。討論 能源瓶頸、GPT 算法反而更多。3）預(yù)計(jì)這個(gè)過程會在機(jī)器人領(lǐng)域重現(xiàn)。投資者未必需要額外關(guān)注人形機(jī)器人（尤其 特斯拉的人形機(jī)器人），工業(yè)機(jī)器人、協(xié)作機(jī)器人、掃地機(jī)器人、機(jī)器狗等已經(jīng)是“沿途 下蛋”。預(yù)計(jì) 2025 年開始行業(yè)機(jī)器人（例如能源、特殊、化工）、消費(fèi)機(jī)器人（例如 AI 玩具、陪伴、教育、可穿戴），也會是“沿途下蛋”。
3. 自上而下：融合人口疑問與新產(chǎn)能
3.1 歷史問題：人口紅利，工程師紅利
人口紅利。一般認(rèn)為中國在 20 世紀(jì) 90 年代至 21 世紀(jì)初進(jìn)入人口紅利期。1990 年 到 2010 年期間，中國 15—59 歲勞動年齡人口以年均 1.8% 的速度增長3，而非勞動年齡 人口的增長則基本停滯，同期年均增長率為 -0.2%。當(dāng)前的工程師紅利。中國的工程師紅利大致從 20 世紀(jì) 90 年代開始顯現(xiàn)，1999 年大 學(xué)擴(kuò)招后進(jìn)一步加速。工程師儲備，我們可以用本科生、碩士生畢業(yè)人數(shù)的比例做近似。盡管教育質(zhì)量、系別有差距，但誤差不會顯著。兩者的比例關(guān)系為 2-3 倍、1-2 倍，恰與 雙方第二產(chǎn)業(yè)工業(yè)增加值的規(guī)模比例接近。也有投資者擔(dān)心，美國私立學(xué)校培養(yǎng)的人才未 統(tǒng)計(jì)進(jìn)去。STEM 畢業(yè)生數(shù)量也是約每年百萬人，這些信息可以加強(qiáng)計(jì)算的可靠性。
3.2 產(chǎn)能設(shè)想：軟件大模型+硬件機(jī)器人
大家普遍關(guān)心人口紅利、工程師紅利，有兩個(gè)隱含問題：1） 是否還有足夠的未來的就業(yè)人口，支持人口紅利、工程師紅利；2） 如果沒有，如何支持未來的增長與創(chuàng)新。我們稍微創(chuàng)新的用“科技賦能后用工人數(shù)“（即機(jī)器人、大模型修正后就業(yè)人口）來 解釋。用當(dāng)前的工業(yè)機(jī)器人（含協(xié)作機(jī)器人）、服務(wù)機(jī)器人，計(jì)算它們等效員工數(shù)量。等效員工數(shù)量，加上原有累計(jì)用工人數(shù)（規(guī)模以上工業(yè)企業(yè)），得到“科技賦能后用工人數(shù) “，這才是實(shí)際上有效的生產(chǎn)要素。即投資者未必需要糾結(jié)人口紅利、工程師紅利，未來人力生產(chǎn)要素紅利，很多依靠科 技手段來體現(xiàn)，例如軟件大模型、硬件機(jī)器人。
工業(yè)機(jī)器人（含協(xié)作機(jī)器人）等效人力系數(shù)為 4.0。系數(shù)的參考依據(jù)是：1）一個(gè)經(jīng)驗(yàn) 豐富的汽車焊接工人每小時(shí)可能焊接 20 - 30 個(gè)焊點(diǎn)，而一臺工業(yè)焊接機(jī)器人每小時(shí)可以 焊接超過 60 - 80 個(gè)焊點(diǎn)，從焊接速度上看，這臺機(jī)器人在焊接這個(gè)任務(wù)上大約相當(dāng)于 2 - 4 個(gè)工人的工作量；2）在電子元件組裝任務(wù)中，一個(gè)工人每分鐘可能組裝 3 - 5 個(gè)元件， 而一臺高速電子組裝機(jī)器人每分鐘可以組裝 20 - 30 個(gè)元件，相當(dāng)于 4 - 10 個(gè)工人的組裝 效率；3）工業(yè)機(jī)器人可以 24 小時(shí)不間斷工作，而普通工人一天工作 8 小時(shí)左右。如果 單純按照工作時(shí)間來算，假設(shè)一個(gè)工人一年工作 2000 小時(shí)（除去節(jié)假日等），機(jī)器人一 年工作 8760 小時(shí)（365 天 * 24 小時(shí)），那么這臺機(jī)器人在工作時(shí)長方面相當(dāng)于 4.38 個(gè) 工人 服務(wù)機(jī)器人等效人力系數(shù)為 0.7。系數(shù)的參考依據(jù)是：1）清潔任務(wù)：以酒店清潔為例， 一名清潔工人清潔一個(gè)標(biāo)準(zhǔn)客房可能需要 30 - 45 分鐘，而一臺清潔服務(wù)機(jī)器人完成同樣 的清潔任務(wù)（包括地面清掃、吸塵等基本清潔）可能需要 60 - 90 分鐘。但服務(wù)機(jī)器人可以不間斷工作，在一天 8 小時(shí)的工作時(shí)間內(nèi)，假設(shè)清潔工人一天清潔 10 - 12 個(gè)房間，清 潔機(jī)器人可能可以清潔 5 - 7 個(gè)房間，大約相當(dāng)于 0.5 - 0.7 個(gè)人力。2）送餐任務(wù)：在餐 廳送餐場景中，一名服務(wù)員在餐廳高峰期每小時(shí)可能送餐 10 - 15 桌，而一臺送餐服務(wù)機(jī) 器人每小時(shí)可以送餐 8 - 12 桌，大約相當(dāng)于 0.5 - 0.8 個(gè)人力。不過，這還需要考慮機(jī)器 人不能像服務(wù)員一樣與顧客進(jìn)行復(fù)雜的溝通和提供個(gè)性化服務(wù)等因素。這樣得到一個(gè)結(jié)論：3) 計(jì)算“科技賦能后用工人數(shù)“，生產(chǎn)要素增速充沛，最近五個(gè)月同比增速高達(dá) 3.4%/3.8%/3.8%/4.2%/ 4.7%。這個(gè)增速或有效支撐了年化 GDP 的增速。無論人口紅 利還是工程師紅利大家如何預(yù)期，有效生產(chǎn)要素或許還是充沛的。尤其考慮軟件大模型、 硬件機(jī)器人的賦能。4) 未必需要討論是否有替代關(guān)系，會用機(jī)器人和大模型的人力很有價(jià)值。既然人口紅 利、工程師紅利是當(dāng)前我們重要生產(chǎn)要素，而軟件大模型、硬件機(jī)器人的升級，是重要技 術(shù)趨勢，兩者的交織會很有價(jià)值。
4．參與者與催化劑：預(yù)計(jì) 2025 年高頻
4.1 五大參與者一張圖
下載完整報(bào)告，請掃描下方圖片二維碼入知識星球社群查閱下載
（本文僅供參考，不代表我們的任何投資建議。如需使用相關(guān)信息，請參閱報(bào)告原文。）
入群方式：添加助理微信【touzireport666】，發(fā)送「個(gè)人紙質(zhì)名片」或「電子名片」審核后即可入群。
