猜你想问
这份研报主要讲了什么内容？
这份研报探讨了实体AI的发展趋势，重点关注智能如何走出屏幕与物理世界融合。报告分析了自动驾驶出租车、人形机器人、仓库机器人等AI在物理经济中的应用，以及边缘计算所需的硬件支持。同时，报告还介绍了Nvidia Cosmos、Waymo Atlas等基础模型的开发进展，并指出自动驾驶出租车已在多个城市实际部署，其经济效益已初步显现。此外，研报还关注了劳动力短缺对制造业的影响，以及人形机器人如何缓解这一压力。
AI在物理世界的应用赛道有哪些发展趋势？
AI在物理世界的应用赛道正快速发展，主要趋势包括自动驾驶出租车、人形机器人、仓库机器人、无人机和手术系统等领域的广泛应用。边缘计算成为关键技术支撑，需要GPU、CPU或ASIC芯片提供强大算力。自动驾驶出租车已在全球多个城市部署并逐步扩大规模，Waymo累计行驶里程超过1亿英里，Tesla奥斯汀和Pony.ai在北京等城市提供服务。人形机器人因其低成本优势，预计将缓解制造业劳动力短缺问题，每小时生产成本远低于人类。
研报重点分析了哪些方向？
研报重点分析了实体AI如何与物理世界融合的关键技术路径和商业应用场景。报告详细介绍了自动驾驶出租车、人形机器人等应用的实际部署情况和经济效益，并探讨了边缘计算所需的硬件支持。此外，报告还关注了基础模型如Nvidia Cosmos、Waymo Atlas/Marble、Tesla FSD的开发进展，以及AI如何通过模拟、远程操作等方式解决数据和供应链瓶颈问题。
当前物理人工智能的市场现状如何？
物理人工智能尚处于早期阶段，但发展迅速。目前，自动驾驶出租车是首个实际部署并逐步扩大的应用，Waymo已在全球累计行驶超过1亿英里，Tesla和Pony.ai等企业也在多个城市提供服务。人形机器人作为新兴应用，因其低成本优势开始受到关注，预计将缓解制造业劳动力短缺问题。然而，数据和供应链仍是主要障碍，用于训练的数据有限且保真度不足，机器人行动数据缺乏关节角度、扭矩等关键信息。美国国内供应链与中国相比仍有差距，特别是在稀土磁铁、精密减速器和电池电芯方面。
研报提示了哪些风险？
研报提示了物理人工智能发展面临的主要风险。数据和供应链方面，用于训练的数据有限且保真度不足，人类视频数据缺乏机器人学习所需的关键信息，如关节角度、扭矩和抓取状态等。解决方案包括人类视频、模拟、远程操作和评估等，但实施难度较大。美国国内供应链仍需完善，与中国相比存在差距，特别是在稀土磁铁、精密减速器和电池电芯方面。此外，太空数据中心建设面临政治反对、供应瓶颈和劳动力短缺等制约因素，虽然预计2030年代将与地面数据中心成本持平，但初期投入和建设速度仍面临挑战。