圓桌對話：AI時代，新電力如何催生產業鏈式反應｜2025年36氪產業未來大會

9月10日，由36氪主辦的2025年36氪產業未來大會在中國廈門盛大啟幕。本次大會重磅攜手商務部主辦的「中國國際投資貿易洽談會」，以「精耕時代，潮湧嘉禾」為核心主題，傾力打造一場兼具國家高度、產業深度與市場熱度的高規格、高價值、高影響力產業盛典。

大會緊密錨定國家戰略導向與產業發展前沿，聚焦人工智能、低空經濟、先進製造、新能源、大消費五大核心賽道，匯聚行業頂尖力量共商發展路徑、擘畫產業未來。在為期兩天的議程中，大會以「產業協作鏈條」為邏輯主線，重點聚焦「政、資、產」三方協同機制，深入探討如何打破壁壘、整合資源，精準破解產業發展中的痛點堵點與瓶頸制約。

36氪在產業未來大會策劃了一場「AI時代，新電力如何催生產業鏈式反應」的圓桌對話，ELU（及旗下原力無限）聯合創始人劉揚、松禾創投合夥人江冬雲、華方資本合夥人方曉東、雲深處科技投融資總監陳貞豪、主線科技合夥人及前瞻院院長王超博士、新鼎資本董事總經理汪志偉參與討論。

以下為圓桌內容，經36氪整理編輯：

劉揚：大家上午好，非常高興能來到廈門，今天是個好天氣，也很開心跟今天的各位嘉賓，能在很好的天氣討論AI的一些跟產業相關的未來。大家好，我是來自原力無限的劉揚。今天題目叫《AI時代，新電力如何催生產業鏈式反應》，我覺得是一個很有意思的話題。因為大家都知道最近AI很火，但是主辦方直接給它來了個定義，叫新電力了，直接是驅動未來了。在這個主題下，我們請到了各位專家，也先請大家先做簡單的自我介紹。先請江總。

江冬雲：大家好，我是來自深圳松禾創投的合夥人江東雲。松禾創投在投資硬科技、新材料、醫療健康上已經有二十多年，也算是創投界的老兵了。接下來的依然堅守這三個方向，也希望大家有新的機會和想法，多多跟我們進行交流，謝謝。

方曉東：大家好，我是來自杭州華方資本的方曉東，我們是一個CVC，因為杭州華立集團一直在國南網智能電錶的供應里面佔全國前三，還出口一些哈薩克斯坦、中東、中亞等地方，所以我們在電力這塊領域確實也佈局了挺多。我們資本也投一些像可控核聚變、固態電池這樣一些前沿技術，所以很高興今天來到電力相關的論壇，謝謝大家。

陳貞豪：各位好，我是雲深處科技的融資總監陳貞豪。我們是一家俱身智能機器人公司。過去幾年我們是一直專注在機器狗以及人形機器人的研發生產製造以及銷售方面。今年因為具身智能的火熱，我們也確實受到了一些資本市場以及社會上的關注。今天非常榮幸能夠應邀來跟大家一起進行交流，謝謝。

王超博士：大家好，我是主線科技王超。主線科技是一家全球領先的L4級自動駕駛卡車及智能運輸解決方案供應商。我們主要面向的是以港口為代表的大型低速封閉的物流樞紐，口岸園區、以及高速干線物流運輸。像快遞快運、專線及大宗貨物運輸等物流場景。目前也是累計交付並運營近千台套智能卡車及智能運輸解決方案，智能運輸里程累計近億公里的規模了。今天也是很榮幸能夠應邀參加這樣的活動，能夠跟大家在現場多多的交流分享一些觀點。謝謝。

汪志偉：大家好，我是新鼎資本的汪志偉，我們是一家國內頭部的私募股權投資基金。主要投資於半導體、航空航天和新能源核心的三大板塊。在半導體領域投的比較重，有將近50%到60%左右資金投到了半導體行業。像科創板前三的寒武紀、海光信息，都是我們投的項目。很高興今天來到這里，希望跟大家多互動交流。

劉揚：首先第一個問題，需要大家提出自己的觀點。當我們談論到AI賦能產業的時候，現階段談論的都是用AI來提效。從各位的角度上看，除了基本的目標，AI在今天的製造業有哪些更深層次的增量的價值？因為對於這件事的判斷，是先從提效的角度上，現在提到AI兩個字的時候，第一印象就是工具，其實遠景上看，如果真的到AGI時代，不太認為AI僅僅是一個簡單的工具，有更深的意義在里面。如果只是從今天的視角上，也先請大家分享一下各自的觀點？先請江總開始。

江冬雲：我覺得AI降本增效，只是一個表象情況。實際上AI正在重構非常多的生產關係和生產力，比如以下三個方面：

第一個，AI正在讓更多的想法成為可能性。我們現在看到，很多柔性產線的出現，比如大家想做一個消費類的無人機，以前需要幾個大企業支持，而且整個流程非常長。現在AI柔性產線公司，能快速提供各種個性化的零部件，讓我們製造業的研發想法，能更快速、更靈活地實現。

第二個，AI讓從「經驗製造」走向了「數據製造」。比如很多工廠老師傅缺乏，現在AI和製造結合，讓很多的產線都實現了自動生產；比如現在質檢AI機器人，讓很多出品的良品率提高。

第三個，在供應鏈關係上。AI數據，不僅能溯源到上游現在生產情況，還能看到下游出品，甚至看到終端用户使用情況，比如今天會場企業星星充電，不僅能看到充電樁佈局，還能看到用户使用情況。這讓我們整個的生產鏈的生產關係更緊密，生產效率大大提高。

所以在總體來説，AI製造效果，不僅是財務上的數據，而是將整個的生產要素和生產要件，正在從「製造」變成「智造」。謝謝。

劉揚：感謝江總，上來直接就顛覆了我們這個問題，給出了自己的一些觀點。

方曉東：在我看來製造業里面最重要是降本增效。所以剛剛題目里面已經說了，除了降本增效之外能做什麼東西。中國走到現在，除了降本增效以外，製造業要考慮的第一個就是創新。因為AI現在在創新領域，就是在製造業的研發端，其實還沒有很大規模的普及。在一些簡單領域，比方3D打印、一些零部件製造領域確實是有一些幫助。但是可以看到更多的工業現場，在一些材料的仿真、空氣動力學、流體動力學力學等光學磁學等等的仿真上面，做的還有一些差距。所以我們覺得就是未來AI在創新的這一塊，在工業前方里面會有很大的點。

第二個，在我們看來AI如果只是完成到質檢過程，其實還是不足以提高產品的良品率，因為除了工業現場要降本增效以外，也就是我們創造新產品。是我們要讓產品的質量變得更好。良品質量變得更好，並不是説我們把產出不良品篩出去就好了，這是一件最基礎的事情。接下來我們要做的就是如何提高良率，就是把本來70%良率提高到80%、90%。只有更高的良率，企業纔有更強的競爭力。所以我覺得AI可能未來在創新以及提高產品良率兩個方向上，還有更大的突破場景可以探索。

劉揚：感謝方總，給我們總結兩個關鍵字，創新和質量。陳總，從您的視角上來看，以前我們提到機器人，可能更多program的方式，從A到B，但是現在所謂AI時代到來了之后，從我們的視角怎麼看？

陳貞豪：首先説實話，現階段社會上大家大眾對於具身智能的認知稍微有一點點的過分期待。其實現在具身智能機器人在工業領域能做的事情還處在起步階段。在很多領域我們也是在一邊學習一邊創新的過程當中。所以現階段現在具身機器人沒有達到大家想象中那種可以經常打螺絲了，開始可以替代很多人工了。目前不管是我們的機器狗，還有包括少量的人形，都還是在做一些簡單重複性的操作。只能説現階段我們做的比過往傳統機器人做的工作複雜一些，能自適應一定這樣的場景。但是現在還是處在處起步階段。

我覺得最終機器人、AI也好，最終都是要落在降本增效。只不過過往我們想到的都是直接的降本增效。但是不管我們提高良率還是提高什麼，最終還是要從商業邏輯上還是落到了降本和增效。只不過他可能是用一種更加長遠的，更加複雜的一種間接的形式實現。我覺得可能最大的一個特點，可能很大程度上為未來塑造重新塑造整個生產關係。比如像現階段，機器人很多時候就是替代人做很多重複性的、枯燥乏味的一些工作，進而把大多數的人類從這種工作當中解放出來，讓人更多投入到一些有創造力，需要更多組織協調性的工作里面。

我覺得未來大家會越來越發現，你下面管的不再是人，而是機器人。重要的就不再是怎麼做簡單重複性工作，而是怎麼樣能夠發揮更多人的創造性的能力。這個可能是我未來AI對於整個生產關係比較大的改變。

劉揚：感謝陳總，我特別同意陳總的觀點，因為整個具身智能還處於整個行業的非常的早期。大家對於整個具身智能的概念的理解，包括后續的產業鏈的發展，確實現在還非常早。各位嘉賓到時候可以關注一下，包括陳總所在雲深處，包括我們原力無限，其實都在做集成智能方向。也許未來在后面20年里面，我們也會跑出來在具身智能行業里面的BAT、華為。我們對這件事情的理解確實就如陳總所説，效率只是個結果。但是過程當中改變了整個的生產關係和生產的鏈路，更多的事情是我們更值得關注的事情。

王超博士：很同意前面幾位專家的觀點，降本增效其實是製造業乃至全行業都在共同追求的目標。同時也是爲了創造更大經濟效益。過去降本增效，是從簡化流程、優化產品質量等方面去對人員做一些調整。

如今，使用AI技術力更多的是填補人工缺口，解放一部分人工去做更高效的事情，更有效率的做法，因為當前發展到一定意識程度，需要改變及優化工作流程

比如剛纔提到供應鏈，我們知道人工智能是模擬人的能力。非常核心的是能在一定程度上超過人的能力範疇。尤其是在一些複雜大型的系統中，高動態不確定性的情況下，整體供應鏈在過去可能基於經驗，有對上下游非常瞭解甚至熟悉的人員，通過非常長時間的積累，在此基礎再做去管理；但現在的情況，是基於整體數據驅動。像江總提到的，要在需求預測、庫存優化、在途物流管理，生產調度等方面從全局統攬做事情。屬於非常本質上的革新，包括在很多製造工藝上來説也是類似的情況。

一些標準化程度較高的行業已經實現了自動化乃至無人化的生產製造，AI技術的快速發展給了中小型製造企業智能化轉型的機會，甚至能夠賦能整個製造行業的發展。就像方總剛纔所説的，AI使我們在製造業上的有了彎道超車的機會，就像智能汽車的發展，在製造業同樣能夠複製這方面的成功。

謝謝。

劉揚：感謝王超博士，王超博士所在的主線科技就是特別典型的AI特別好應用的公司。大家知道新能源是國家的戰略，我們在做整個硬件側部分的超車，加上AI之后，不僅僅在一個彎道可以超車，又多了一個超車的機會。有請汪總。

汪志偉：大家好，整個AI數字化這一塊我覺得國內應該有頭部的AI公司要跑出來。怎麼跑出來呢？我覺得需要建立整個AI數字化、工業化的平臺。工業化的平臺不僅僅是公司自己的一些軟件的開發應用或者數字化轉型，是更多的是要整合行業工業行業的數據資源，開放式的接口，還有營造非常好的基礎土壤。通過數據治理整合行業的數據。就像以前可能互聯網時代更多是SaaS，軟件及應用。在工業互聯網時代，包括工業數字化時代，可能是數字化及應用，國內需要有頭部的AI公司跑出來，就像谷歌、蘋果這種，能夠開放平臺讓大家都參與進來，包括這里邊還會整合各個行業的專家，把老專家的工藝能夠標準化，設計在平臺里邊來形成標準，包括一些開放式的接口，整合很多行業的一些經驗到平臺里面來，最終這能真正意義上解決各個細分行業產業智能化的問題，包括提升降本增效，提升良率等等。

劉揚：謝謝汪總，我們進入到第二階段，關鍵問題的解法。首先第一個問題先問給到江總，我們知道松禾投資，投資的優艾智禾和在半導體等高端製造領域中應用廣泛。你認為搭載AI的工業移動機器人想要進入工廠產線説服客户的關鍵是什麼？

江冬雲：類似我們投資的優艾智合等移動機器人，進入工廠產線，其實不存在説服的問題。所有的這些機器人要進入工廠都是兩個點：一個就是「我能滿足你的需求」，一個是「能把賬算得過來」。

在滿足需求方面，我舉幾個例子。

我們將一個產品從完工到出倉，很短的一段路。平時小型的消費類品，機器人都沒有問題。當工業級、汽車級等零部件，重量上升到600千克的時候，這就不是一般機器人能接受的承重。所以，搭載優艾智合的機器人，承重能力、靈活性和安全性，很好解決了這種是工業級的痛點。

還有一些很極端的應用場景。比如，在港口的場景，在一個Wifi信號不好的情況下，能不能解決移動機器人的運輸問題。比如，在礦區里，顛簸灰塵的道路，能否解決煤炭或者零件運輸。還比如，一些極高温或者極低温環境，比如冷鏈的倉庫里，機器人在零下十幾度下執行運輸問題。其實，這些都是產業方特別痛的點。只要你能滿足他們這些點，先不用提算賬的問題，這一點就已足夠讓他們進入進行嘗試。目前，我們也看到很多這樣的機器人已經正在出現。

第二，關於賬能算得過來。分兩種賬，算「現在的賬」還是算「未來的賬」。算現在的賬，能進行簡單的人工替代，這是一種賬。但我們現在看到很多的大廠、產業龍頭，都在算未來的賬。這些企業説，我存在一個工業級痛點，存在技術卡脖子的痛點，存在未來想實現產業鏈價值提升的痛點。我願意給你一大筆的錢去嘗試，給你足夠長的時間，把賬算到未來以后，我一定會拿到回報。

第三，所以我對AI的發展，雖然現在處在AI和製造很初級的階段，但我還相對比較樂觀。因為我們可以有足夠的耐心等待他們逐步完善。

劉揚：謝謝。其實剛纔江總提到一個關鍵詞，就是未來，正好跟我們今天的主題是能匹配上。關於未來，我正好有個問題，您覺得AI算法能力與多年的製造經驗，兩者在早期判斷中的權重如何平衡？

江冬雲：我們現在看到的AI製造行業，存在兩類代表團隊：一種是大廠騰訊、阿里出來AI算法方面的團隊；另一種就是製造業產業出身的，他們看到製造業里面很多的痛點，想解決這個痛點。這兩種團隊在我們投資的時候都遇到。這兩種團隊很難完全完美。因為每一個團隊的基因出身都有自己的底色。

我們在投資的時候，需要看投資的是什麼樣的生產鏈和生產關係。

在生產關係簡單的階段、生產環節前后端，算法的團隊會更佔優勢。比如簡單進行人工替代，比如研發階段AI執行小批量研發，比如我們剛纔提到的柔性產線3D打印，不需要深度的參與，AI算法更能發揮優勢。

在一些生產鏈比較複雜的階段，產業出身的背景會更強。因為製造業的生產，從小規模到放大規模的時候，完全不是一回事。如果中間出現一點問題，造成一天或者兩天的停產，對整個工廠來説是一個不可挽回的損失。所以在這個情況下，理解制造業邏輯的產業背景更重要的。

當我們上升到另外一個階段，上升到現在國家競爭力上。我們看得出美國的算法，目前比中國強，這點我們是必須承認。但是宏觀看，中國的製造場景更豐富，製造業很發達。美國的製造業迴流，是不可能實現的。所以，從長遠來看，中國的製造和AI的融合是一定能跑贏美國的。因為我們研發出每個AI算法，都能馬上應用到中國巨大的製造業生產嘗試。所以，中國AI和製造，在未來一定能夠會融合得非常好，這點我們還是很有信心。謝謝。

劉揚：謝謝江總。江總談到了信心，我覺得今天台下這麼多的觀眾，也充分看到了大家的信心，有這麼多優秀的人才。剛纔江總提到團隊的兩類矛盾，一類是來自於互聯網公司，一類來自於傳統制造業。我特別有幸，其實我之在騰訊、百度都工作過，后來又在主機廠也工作過，正好是這兩類人羣。所以剛纔您提到的觀點我特別有感觸。

接下來一個問題，我們問到的是汪總，從您的觀察來看，擅長技術的AI公司如何解決製造業客户場景非常碎片化、難以標準化痛點，有什麼更好的辦法？

汪志偉：我覺得后邊國內需要有一個頭部的AI公司能夠做一個整合的平臺。其實現在也有公司在做了，行業里有一家叫廣域銘島的Geega，已經在做相關的工作，他就是做標準化的工業AI大平臺。在這個平臺里，就像樂高一樣，你需要的每一個功能，工業化的軟件，軟件要結合硬件，硬件可能是芯片，可能是傳感器，可能是自動化機牀等等，把這些結合在一起，每一個都形成標準化的模塊，這些模塊可以隨意拼接，訂閲自己想要的。在這個過程中肯定還是很大的工程，但是我覺得需要有更多的頭部公司跑出來做這樣的工作。最終我覺得是可以把碎片化慢慢變成標準化的過程，每個行業都會有一個標準化的AI智能化的解決方案。謝謝！

劉揚：第二個問題，製造業是重資產行業，但是AI改造需要這種持續的投入。從您觀察的角度上去看，市場上更容易獲得資本青睞的是輕資產高毛利的模式，還是軟硬結合與製造業深度綁定的模式。

汪志偉：其實從眼前來看，這個輕資產高毛利的模式肯定是更多的純財務投資人比較看重的。但整個投資邏輯，可能是上個時代的邏輯，我們叫模式創新，是工業互聯網第一個階段，也是SAAS最火的階段，但是更多基本上是軟件，核心的問題主要就是可複製性很強。核心的優勢也是複製性很強，能夠迅速做大，財務數據很好看。但是帶來的弊端就是非常內卷，這個行業就非常卷，而且門檻很低。

現在的投資人，包括今年我們看到2025年整個投資一個是智能製造，一個是人工智能，機構投資人基本上都是在這里面扎堆的，它是斷層領先於其他投資板塊的。包括今年9月份阿里剛剛投完自變量機器人，也是打造工業工業行業自動化通用式的機器人，就是怎麼做成標準化的產品。所以現在的機構還是要看重軟件加硬件一體化，包括行業工藝深耕和標準化的過程，更多是把工業化的東西變成智能化的模塊。最終我覺得帶來的產業效益是最大。包括現在的模式創新對上市來也是非常難的，現在基本上不允許上市。所以更多投資人更多還是看重數字化轉型的工業場景。

劉揚：稍微總結下三個關鍵詞：軟硬一體、硬科技、高壁壘。

接下來的一個問題是給到方總，在工業場景、質檢等場景，質檢已經應用了很多年了。您認為其中還尚存哪些未被發掘的新機會？

方曉東：可能這個問題不太符合現在大語言模型能夠應用的場景，更多的是上個十年計算機視覺帶來的突破。計算機視覺發展到現在，在一些平面可見光方向上已經相對成熟了。但是我們看到最近工業里面已經覺得這樣的平面，或者可見光範圍不夠，可能會融合一些紅外、X射線、激光雷達的3D點雲，做光譜類的多模態感知，這是一種。

第二種，在工業場景下面，一些氣體的泄漏、漏檢等等方向上面，可能還是需要一些更多模態的。比方對氣體的一些感覺的電子鼻，對力學的一些檢測，跟光學一起做融合，這是一種。

第三種，快速部署。因為現在大家知道現在我們的AI質檢，如果是用AI的方法，不用傳統的算法就很依賴「缺陷庫」。所有AI的算法訓練都需要到工業現場匹配缺陷庫。一旦需要到工業現場去匹配，可能部署時間就會到兩個月甚至三個月的訓練周期。並且良率和檢出率還是在慢慢爬升的過程當中，並不是一蹴而就的。這時候可能就需要更好的算法模型進行匹配，如何把缺陷庫在非常小數據量的情況下，提高檢出率，這是我覺得這是第二層面。

我們前面提到的質檢。當他發現了一些問題的時候，能不能追溯到底是哪個工藝環節出了問題。在這些工藝環境上面出了問題以后，如何改變工藝製程，如何改善，或者更換材料，或者更換反應温度等等辦法來提升我們良品率。我覺得質檢接下來可能會往這三個方向發展。

劉揚：感謝方總給到了我們對於這件事情完整的思考，從表像到后面的根源。

接下來一個問題，在您篩選項目的時候，如何判斷一個製造業場景是真正適合被AI改造的富礦，還是看似熱鬧實則難以標準化的雞肋。有沒有一些標準可以幫我分享一下？

方曉東：我們也一直在思考，思考的核心，就是場景下有沒有被AI改造的可能性。第一，數據能不能標準化，這是很難的一件事情。比方一張彩色的圖片，或者是一個動畫，或者一個快速高速運動的物體，這時候你是很難把它做成標準化的東西。我們如何用光也好，聲也好，這種信號能夠把它變成標準化的數據，這是第一位的。如果產生了標準化的數據，我們就可以根據標準化的數據跟我們要檢測的東西一一對應。這是情況下出現了可分析的數據，這是第一位的。第二位，出現了可分析的數據情況下，要看看能不能匹配模型。現在大家看到2C端的一些大語言的模型、NRP的模型，在工業現場的佈局是非常困難。因為並不太適用於大多數工業現場，需要高架動率、高速、高反應的情況，可以慢慢推理，在大家搜索的場景下做，但是在工業現場他很難佈局。所以我們第二步會去看看算法是不是能夠匹配，最好能有相對應的匹配算法。如果沒有，如何改善現有算法，或者融合一些新的Transformers的框架，能夠把它改善，這是第二個模型上的問題。

第三個，一旦我把我自己的數據跟算法確定下來以后，在邊緣端能不能有足夠的算力支持這套的算法，因為現在我們看到很多的工業現場是沒有這樣算力去支持的。很多人想把算力集成到相機里面，很多人也只能把相機傳到數據，放到我自己的上位機里面做計算。這里面就影響到了推理的速度或影響到了檢出率等等一些問題。所以綜上考慮三個問題以后，我們才能把產品的大致形態定義下來。

從數據到算法到算力，這一套東西到底要花多少錢，在工業現場要布多少時間，這才把我們整個研發投入產出比算清楚了。如果工業現場有相應的利潤空間，能夠保障我們50到60%的毛利空間，這樣的產品才值得研發。如果都沒有的話，那壓根就不用研發。其他的就是考慮團隊是否在這些領域上面有足夠的思考，有足夠的想法，這樣我們纔會認為這個項目在這個領域做佈局是符合商業邏輯的，否則不符合商業邏輯的事情我們一般不投。

劉揚：我覺得方總的思考確實很有深度。一般我們提這事一般就只提到數據、算法、算力這三件事，方總還提到團隊，哪怕你有以上，但是團隊沒有準備好，實際上后面還是很難推進的。

接下來一個問題是給到陳總這邊。雲深處的四足機器人已經應用在電力巡檢、消防救援等真實場景。將機器人部署到惡劣的工業環境的時候，最大的挑戰是什麼？

陳貞豪：最大的挑戰就是在很多複雜工業場景下，它會有非常多之前沒想過的一些情況。像我們之前在有一些工廠里面部署的時候，在巡檢的時候，工廠里面的粉塵是非常大的。所以基於機器長時間運行，很多零部件的損耗是比想象中要嚴重的。這個的時候就要求整個機器人的防護等級要不斷往上提升。像目前我們的機器人基本上能實現IP6768的水平。大部分工廠的粉塵的防護都是能夠實現的。但這一點也是經過不斷的迭代。像我們現在的工業級的機器狗叫X30，已經是第三代的產品了。這些複雜場景的改進就會推動不斷迭代自己的產品。很多時候如果總是想要搞標準化模型，在最開始的工業場景里面，你會發現其實是跑不通的。還有大量真正客户需要的環節，所謂標準化平臺都是解決不掉的，所以我覺得人工智能，包括具身智能在這些場景的應用，可能會分兩個階段。

第一個階段，我們肯定要有比較虛心學習的狀態，我們早期也是一個學習者，在很多場景里面要不斷學習。一個賽道里面的都有哪些複雜的場景，這些場景大概都需要什麼樣的解決方案，客户大概需要哪些需求。當你磨到一定程度了以后，把這個賽道徹底跑通，基本上80%或者90%需求場景，產品基本上都能夠考慮覆蓋掉，而且是比較通用型的問題。這個時候可以説我形成的是比較標準化的產品。像我們雲深處現在在電力巡檢，包括一些應急安防的場景里面，基本上相當於是跑通了。就我們的X30基本上加上一些解決方案是能夠適應絕大多數客户的大多數需求。所以就不是特別需要做很多定製化的二次開發了。這種情況下，可能就相當於跑通了這個環節。

當然今年因為社會關注比較多，確實也有很多新領域的客户找到我們。大家也會提出很多新的需求，我們現在很多場景也是需要經過評估，評估這些場景適不適合使用機器狗，適不適合具身智能的應用落地，再逐漸把現有的一些方案應用進去。但是同時再根據一些新的領域調整需求。大家都追求標準化的產品。但是行業標準化的產品是需要前期很多跟客户進行大量的需求對接以及產品的打磨。

劉揚：感謝陳總。剛纔陳總觀點，我不能同意更多，里面提到很關鍵的一點，關於整個最終我們在實驗室里和真正走到環境里面，走到場景里面，有非常大的差異。這正好能應和剛纔汪總的觀點，我們硬科技軟硬一體，不僅僅是在技術測，更多是在場景里測。因為很多情況下是需要一定的時間完成日積月累的整合才能達到后面更好的效果。

陳總，還有一個問題，在商業模式上，您更看好直銷模式還是租賃模式，還是按效果付費？這是個商業模式上的考慮，是否有跨場景的模式創新，能加速市場滲透。

陳貞豪：目前來講雲深處這邊還是以直銷為主。實際上在機器人領域，現在確實有融資租賃的一些公司找到我們談這樣解決方案。但是按照效果來付費的方式，應該是在自動駕駛領域會有一些這樣的案例。但在具身智能這邊現在還不多。但具身智能領域可能會有另外一種模式，屬於是集成商，有點介於直銷和租賃的模式，或者也有一部分效果付費的形態，但又不完全一樣。比如我們把機器狗賣給集成商，集成商再根據下游客户的需求做一些改裝。也就是解決剛纔説到的，我們還不會在標準化平臺上去絕對覆蓋的那些功能，因為有些需求量很低。如果這個產品什麼都包括了，整個產品性價比反倒就不高了。反倒對於那種80%的一般性的客户來講，很多功能是屬於多余的。很多場景下複雜的一些應用，包括后期的運維，就需要集成商介入幫我們做。集成商可能會有自己的利潤空間，當然也要給人家利潤空間。但是需要長期的運維服務。兩種模式各有利弊。但是我們現在更多做直銷的原因，是因為我們覺得整個行業現在是一個做大蛋糕的階段，還遠遠沒到分蛋糕階段。所以現在需要的是大家一起參與進來，把整個市場徹底的做大。所以分一塊蛋糕出來給到集成商，可以幫助我們一起把整個市場拓展起來，能夠迅速把整個盤子做大，我們覺得也是一種不錯的方式。整個生態的建立，我覺得對於長遠發展來講，遠比短期的利益要更加的重要。

劉揚：感謝，我翻譯一下陳總的觀點。具身智能現在還處於類似於互聯網的早期，大家現在免費用郵箱，后面我們商業化機會有的是，慢慢來，不着急。

最后請到王超博士，第一個問題，主線科技在港口實現無人化沉澱了寶貴的經驗，哪些方法論可以複製到工廠內，實現物流的無人化。

王超博士：其實工廠的內部的自動化，非常早就開始進行了。因為我們在北京，在早期17年成立的時候，我去了好幾次京東的亞裔倉參觀，整個非常壯觀，整個倉庫所有的工作有條不紊的進行。

這里面給我們一個啓發，初期你想把一個工作做成無人化、智能化的時候，需要選擇好的切入場景，非常好的前提是標準化，且標準化程度也是非常重要的一個前提。它給你前期的需求設計、產品設計提供非常好的指導。同時對你的可複製可擴展性提供了非常大的支持。

在港口場景，我們一開始定位是做自動駕駛卡車，但是同時有非常多其他物流場景可以做。比如高速干線、礦山、機場等等。我們就選擇了港口里集裝箱碼頭作為切入。因為它的信息化標準化程度很高，國際通用。而且國內的港口資源非常發達，全球十大港口國內佔七個，所以我們選擇這個方向做。

我們有兩個非常有代表性的項目，一個是天津港項目，一個是寧波舟山港項目。這兩個是代表性項目，一個是完全從頭建設的新碼頭，天津港C段碼頭，另外一個是傳統碼頭升級改造且混行的寧波舟山港。從升級改造，相當於四個泊位，先拿出一個泊位來做試驗田，做設備改造，做基礎設施，像服務器、雲平臺、基站建設，再逐步拓展，天津港C段碼頭，從頂層設計完全為無人化、智能化服務的。

在這樣的過程中，我們有一個非常重要的體會，其實我們做的是把原來有人在管的工作完全用人工智能、自動駕駛實現。那首先要有非常全局總體的視角，我們提供的是一種全套的智慧港口無人駕駛解決方案，除了解決在途運輸的問題，還需要解決一些設備交互、任務管理，尤其其他不同時代的機械設備、信息設備、智能設備的交互對接管理的問題等。

用總體視角做事情，對於一些傳統工廠，或者是一些倉庫，在做工作的時候，如果有非常好的頂層，從頭開始做這個事是能夠成功的。尤其大量的已經有了一定基礎的企業，希望從現在的程度改善、提升和實現無人化、智能化，就非常像寧波舟山港的升級改造。AI技術力對這樣的場景能夠提供比較靈活解決方案，從核心環節先切入，打造最小循環，逐步拓展到整個廠區或園區的業務。這樣就需要總體全局的設計改造思路，再到具體需求的對接。比如碼頭先解決貨車水平行駛的無人駕駛問題，再解決無人駕駛卡車和集裝箱裝卸對接的問題，最小循環就完成。接下來對接到設備，再對接到雲端管理平臺，任務下發的問題。再去做整個碼頭規模的優化，比如作業調度、線路規劃等等，實現總體從無人化到智能化高效效率提升。所以我覺得這是可以相互借鑑的一種思路，助力現在更多傳統的廠區、倉庫等實現無人化、智能化的目標。

劉揚：感謝王超博士。最后還有一個給大家完整的問題，因為今天討論AI產業化落地、挑戰和機遇，展望未來十年，AI我們判斷是不會取代人，而會成為人的工具。也許未來的工廠里最需要的崗位，不再是傳統的操作工，而是能夠同時理解AI大腦與工業場景的新工匠。這也是我們原力無限的所謂的一腦多深多場景戰略實踐中的切身體會。請大家各自一句話來幫我們總結一下，如果重塑製造業的人才結構的核心技能，大家認為分別是什麼？

江冬雲：我認為人才，目前是簡單地執行加工型人才，未來勝出的是更理解客户的服務型以及懂挖掘高附加值型的人才。

方曉東：我認為未來只有兩種人能夠存活下來，一種就是能引領AI的人，另外一種是以AI為主體去使用它的人，這兩種會在製造業存活下來。

陳貞豪：我的觀點跟方總差不多。我覺得兩種人會比較重要：一個是你能夠創造，並且能夠加速AI的發展。第二種，不斷進行快速學習的能力。因為未來可能AI對於整個生產方式跟產業鏈的重塑速度會超過大家的想像。所以可能需要你不斷適應新的生產模式。

王超博士：面向龐大的製造業市場，重點培訓各個垂直應用場景的AI使用的人才。這是未來非常重要的方向。

汪志偉：我覺得未來一定是有一部分人會被智能化替代掉。但這一部分人，我個人有一些想法，我覺得國家可能可以出臺一些制度，因為這些人肯定后邊就業是很難的。智能化降本所產生的企業效益，企業必須拿出來一定的比例用於就業分配。可能用智能化管理方面的人員，再控制這些智能化的系統，也是為更多人提供一些就業機會，當然市場優勝劣汰是一個必然趨勢，但是在實際過程中，可以有個緩衝墊，保障社會的穩定。

劉揚：謝謝大家。我也分享一下我的觀點。我覺得萬變不離其宗，看我們為什麼要用AI，為什麼要有AI，我覺得最核心的還是以人為核心的社會主體，這個目標是萬變不離其宗的。如果部分的東西因為AI的存在徹底被替代掉了。但是以目標為結果的，AI一定有它還沒覆蓋的這部分。而這部分如果人蔘與到里面，更好體驗，更好理解，怎麼用好AI，這個關鍵點還是最核心的。

今天的這場圓桌我們就先到這兒。感謝大家，