AI行业

硅基速览 特斯拉Optimus已在Fremont工厂正式量产，8月底将原Model S/X产线转换为Optimus产线。 9月周产约1000台，2026年底目标年产1.5万台。供应链已下达首批约5000台量产订单。 但所有Optimus仅用于特斯拉内部"Optimus Academy"训练和工厂数据收集，不对外销售。商业销售目标2027年。 正文 Fremont工厂的Optimus产线 2026年9月，据Humanoid Press和Singularity.Kiwi等机器人行业媒体报道，特斯拉Optimus已经在Fremont工厂正式进入量产阶段。 关键时间节点： 8月底：特斯拉把Fremont工厂原来的Model S/X生产线转换为Optimus生产线 9月：供应链已下达首批约5000台量产订单，周产量约1000台 年底目标：年产1.5万台，周产目标1000-2500台 马斯克在3月12日的Abundance Summit上确认了Optimus的量产时间表：Optimus 3在2026年夏季开始量产（初期非常慢），2027年夏季进入大规模量产，Optimus 4设计已在2027年完成。特斯拉的目标是每年更新一代机器人设计。 为什么"量产但不卖" 一个让很多人困惑的问题：特斯拉已经量产Optimus了，为什么还不开始销售？ 答案是：现在的Optimus还不够成熟，不适合卖给外部客户。特斯拉选择把所有产出来的Optimus用于两个内部目的： Optimus Academy训练。 特斯拉正在建立一个"机器人学院"——用大量真实Optimus机器人在特斯拉工厂里执行任务，收集运动数据、视觉数据、人机协作数据。这些数据用来训练Optimus的"大脑"——具身智能模型。数据越多，下一代Optimus就越聪明。 工厂数据收集。 Optimus在特斯拉工厂里执行真实的工作任务——搬运零件、检查产品、在产线上作业。这些真实场景数据，是任何仿真环境都无法替代的。特斯拉在用自己的工厂当Optimus的"训练场"。 这种策略与宇树、智元完全不同：中国机器人公司是"边卖边迭代"，特斯拉是"先自己练够了再卖"。两种路线各有利弊——中国公司积累了客户反馈和现金流，特斯拉积累了训练数据和产品成熟度。 供应链的真实节奏 据新浪财经报道，8月特斯拉供应链（T链）已正式开启EDI系统下单，每周订单更新。最新周订单量已到200+台，8-9月订单指引基本敲定，9月周产推算1000+台。 更关键的是年底目标：周产2000-2500台，年化约10万台。马斯克甚至放话：完不成，整个采购团队撤换。 这个数字如果实现，特斯拉将成为全球最大的人形机器人生产商——超过智元的9700台/半年。但前提是特斯拉真的能在年底把周产推到2500台。从9月的1000台到年底的2500台，需要在三个月内产能翻1.5倍。这在汽车行业都是极快的爬坡速度，更不用说对人形机器人这个全新品类。 2万美元的目标价 马斯克长期以来的公开目标是：Optimus的零售价格在2万-3万美元之间。这个价格如果能实现，将彻底打开人形机器人的民用市场。 但2026年9月的现实是：特斯拉还没有开放任何Optimus预订。Humanoid Press在9月的购物指南中明确指出：“截至2026年9月，特斯拉没有开放Optimus的预订、等待名单或预约系统。任何第三方网站声称提供Optimus预订，都未经特斯拉授权。” 马斯克的2万-3万美元目标价，什么时候能实现？特斯拉自己的说法是2027年开始商业销售，价格目标2-3万美元。但从2026年的成本结构看，Optimus的BOM成本可能还在5-8万美元。要把成本降到2-3万美元，需要规模效应和供应链成熟——这正是2027-2028年要做的事。 硅基AGI社区在论坛silicon-agi.com上对Optimus量产的讨论非常热烈，不少分析师在对比智元和特斯拉的量产路线优劣。 硅基点评 特斯拉Optimus在Fremont正式量产，是2026年机器人行业最具象征意义的事件。它意味着马斯克终于把人形机器人从"发布会demo"变成了"工厂里的产品"。但"量产但不卖"这个细节，也说明了Optimus离真正成熟还有距离。 硅基视角的判断是：特斯拉Optimus的真正价值，不在2026-2027年卖出多少台，而在于它在特斯拉工厂里收集的训练数据。当Optimus在真实工厂里干了一年活、积累了数百万小时的操作数据后，它的"大脑"会比任何竞争对手都强。这就是特斯拉路线的核心优势——它有自己的训练场。 对行业观察者的建议：不要只看Optimus的出货量，要看它在特斯拉工厂里实际干了多少活、出了多少错、改进了多少。这些数据才是决定2028年人形机器人竞争格局的关键。 延伸阅读 2026世界机器人大会开幕：150款新品首发，人形机器人开始超越人类体能 世界模型实时驱动人形机器人格斗：宇树技术突破 宇树UnifoLM-WLA-1.0：人形机器人基础模型突破 本文由硅基AGI社区原创，欢迎访问博客 guijiagi.com 获取更多AI实战教程，或到论坛 silicon-agi.com 参与讨论。 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com

硅基速览 8月25日，阿里达摩院联合中国医科大学附属盛京医院研发的肝癌诊断AI模型DAMO LiON成果发表于《自然·医学》。 该模型可通过CT影像精准识别约1厘米的微小早期癌变病灶，在两个月前瞻性真实世界临床试验中成功筛查出15例漏诊恶性肿瘤。 这是中国AI医疗影像模型首次在肝癌早筛领域达到《自然·医学》级别，并在真实世界中验证了临床价值。 正文 1厘米的生死之差 肝癌是中国发病率和死亡率最高的恶性肿瘤之一。早期肝癌（肿瘤直径小于2厘米）经过手术切除，五年生存率可达70%以上；但一旦发展到中晚期，五年生存率骤降到10%以下。1厘米的肿瘤大小差异，就是生与死的距离。 问题在于：1厘米的早期肝癌病灶，在CT影像上非常隐蔽。传统的影像科医生读片，需要在数百张CT切片中寻找那个微小的、对比度不高的异常区域。即便经验最丰富的医生，也会漏诊——尤其是在影像科医生人手不足的基层医院。 2026年8月25日，阿里巴巴达摩院联合中国医科大学附属盛京医院等机构，在《自然·医学》（Nature Medicine）上发表了DAMO LiON模型的研究成果。这个模型做的事情很直接：用深度学习分析腹部CT影像，自动识别1厘米级别的微小早期肝癌病灶。 临床验证：筛出15例医生漏诊 论文中最有说服力的不是模型的AUC数字（虽然它也很高），而是前瞻性真实世界临床试验的结果。 在两个月的前瞻性试验中，DAMO LiON被部署在盛京医院的影像科工作流中。它不是替代医生读片，而是作为"第二双眼睛"——医生读完片后，AI再独立分析一遍，标出它认为可疑的区域。 结果：在这两个月的临床实践中，DAMO LiON成功筛查出15例医生在首轮读片中漏诊的恶性肿瘤。这15个病灶都在1厘米左右，如果不是AI标记出来，它们可能会被推迟到下次复查才被发现——而对于肝癌来说，每推迟一个月，肿瘤可能长大一倍。 15例听起来不多，但考虑到这只是两个月、一家医院的数据，这个数字在临床上已经是重大突破。肝癌早筛的核心价值不是"多发现了多少肿瘤"，而是"多救了多少生命"。每一例早期发现，都意味着一个人有机会获得手术治愈。 DAMO LiON的技术路线 硅基视角拆解一下DAMO LiON的技术特点： 多尺度特征融合。 肝癌病灶在不同大小尺度上有不同的影像学特征。1厘米的小病灶和5厘米的大病灶，在CT影像上的纹理、边缘、血供特征完全不同。DAMO LiON通过多尺度特征融合，同时学习病灶的全局形态和局部细节。 真实世界数据训练。 与很多AI医疗模型只在标准数据集上训练不同，DAMO LiON使用了来自真实临床环境的数千例CT影像数据，包括不同扫描仪、不同造影剂方案、不同病人群体。这让模型在真实部署时的泛化能力远优于"实验室里的SOTA"。 可解释性输出。 DAMO LiON不只给出"有/无肿瘤"的二分类结果，它还输出病灶的位置、大小、恶性概率分级。影像科医生可以直接看到AI在CT切片上画的标记，然后决定是否需要进一步检查。这种"AI辅助+医生决策"的模式，比"AI自动诊断"更容易被临床接受。 AI医疗影像的2026年格局 DAMO LiON不是孤例。2026年AI医疗影像领域的进展正在加速： 科大讯飞星火医疗大模型V3.5：在MedBench评测斩获98.9分，多模态AI辅诊医生采纳率超75%，服务覆盖828家医疗机构。 华为联合合作伙伴：9月8日在亚太地区发布四个AI+医疗场景解决方案，包括AI+智能病房、AI+病理分析等。 美国ARPA-H：9月9日宣布ADVOCATE项目，资助Atman Health构建语音优先的AI心衰护理系统。 曦嘉医疗NuraTome：神经外科手术规划软件，已进入全球180多家医疗机构，累计用于近2万例神经外科手术。 这个赛道的共同特点是：AI不再是"实验室里的demo"，而是真正进入了医院的日常工作流，被医生实际使用。 硅基AGI社区在论坛silicon-agi.com上有不少医学背景的开发者在讨论AI医疗影像的落地经验，从数据标注到模型部署，讨论非常务实。 硅基点评 DAMO LiON登Nature Medicine，标志着中国AI医疗影像从"论文阶段"进入"临床验证阶段"。以前AI医疗的故事是"我们的模型在标准测试集上准确率95%"，现在的故事是"我们在真实医院里帮医生多发现了15个漏诊肿瘤"。这才是AI医疗真正的价值证明。 硅基视角的判断是：2027-2028年，AI医疗影像会从"三甲医院的科研项目"变成"基层医院的标配工具"。核心驱动力不是技术突破，而是成本下降和政策推动——基层医院缺影像科医生，AI可以用1/10的成本覆盖90%的常规筛查。这个市场的规模，远超大多数人的想象。 本文由硅基AGI社区原创，欢迎访问博客 guijiagi.com 获取更多AI实战教程，或到论坛 silicon-agi.com 参与讨论。 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com

硅基速览 8月2日，欧盟《人工智能法案》（EU AI Act）实施框架正式进入全面执行阶段，欧洲AI办公室获得完整调查、评估与处罚权限。 核心新规：聊天机器人必须告知用户在与AI交互；AI生成或修改的图像、视频、音频必须标注；禁止人格操纵、社会评分等AI应用。 首批180多家机构签署《AI生成内容透明度行为准则》，违规企业最高罚款全球营业额的7%。 正文 全球首部综合性AI立法进入执行期 2026年8月2日，全球AI治理进入新纪元。据新华网和商务部WTO/FTA咨询网报道，欧盟《人工智能法案》（EU AI Act, Regulation (EU) 2024/1689）实施框架在这一天正式进入全面执行阶段。欧盟委员会及其下属的欧洲人工智能办公室（AI Office）正式获得完整的调查、评估与处罚权限。 这不是一条普通的政策新闻。欧盟AI Act是全球首部综合性AI立法，从2024年8月生效以来一直采取"分阶段执行"策略：2025年2月起禁止类条款生效，2025年8月起GPAI（通用AI模型）义务生效，2026年8月2日起透明度规则和高风险AI系统规则全面落地。 对于任何在欧盟市场运营的AI公司——不管是美国的OpenAI、中国的字节跳动，还是欧洲本土的Sakana AI——这一天都意味着合规成本的实质性上升。 8月2日起，三条核心规则必须遵守 硅基实战派把8月2日生效的核心规则拆解为三条企业必须立刻执行的硬要求： 规则一：聊天机器人必须亮明身份。 任何与用户交互的AI系统（聊天机器人、客服机器人、语音助手），必须在交互开始时明确告知用户"你正在与AI而非人类交互"。这条规则适用于所有面向欧盟用户的AI产品——从ChatGPT到客服热线，从智能音箱到汽车语音助手。 规则二：AI生成内容必须标注。 利用AI生成或修改的图像、视频、音频内容，必须附带可机读的水印或标签，标明该内容是AI生成的。这条规则直接影响所有AIGC产品——从Midjourney到Sora，从数字人视频到AI生成新闻文章，都必须在输出中嵌入AI生成标识。 规则三：禁止类AI应用全面管控。 人格操纵、社会评分、利用脆弱性进行剥削等AI应用被明确禁止。AI Office可以对违规企业处以最高全球营业额7%的罚款——以Meta 2025年营收约1600亿美元计算，罚款上限超过110亿美元。 180多家机构签署透明度行为准则 在8月2日执行日当天，欧盟委员会公布了首批签署《AI生成内容透明度行为准则》的机构名单——共计180多家。这份行为准则是对AI Act透明度条款的具体操作指引，主要内容包括： AI生成内容的水印技术规范（C2PA标准） 聊天机器人身份披露的触发时机和措辞要求 深度伪造内容的标注格式 对用户投诉的响应机制 签署机构包括了几乎所有在欧盟运营AI业务的大型科技公司：Google、Meta、OpenAI、Anthropic、字节跳动、阿里巴巴、百度、腾讯等。没有签署的公司将面临更严格的监管审查和更高的罚款风险。 对中国AI企业的影响 欧盟AI Act对中国AI企业的影响尤为深远。据Sakana AI发布的《全球AI监管拼图报告》，目前全球只有两部综合性AI法律在实施：欧盟AI Act和韩国AI基本法（2026年1月22日生效）。中国采取的是"分层行政监管"模式——通过《生成式AI服务管理暂行办法》《深度合成规定》《算法推荐管理规定》等活动-specific的行政规章覆盖不同场景，但没有一部统一的AI法典。 这种差异意味着：中国AI企业进入欧盟市场时，面临的是一套与国内完全不同的合规框架。以下几点需要特别注意： 数据合规。 欧盟AI Act要求GPAI模型提供方公开训练数据的摘要。这与中国国内的"训练数据不公开"实践完全不同。OpenAI、Google已经发布了训练数据摘要，但中国模型公司在这方面的准备明显不足。 透明度义务。 中国AI产品在国内可以不标注AI生成内容（虽然2025年起也开始要求），但在欧盟必须强制标注。这意味着出海产品需要在技术层面嵌入C2PA水印，这不是改一下前端文案就能解决的。 高风险AI系统。 医疗、教育、金融、招聘等领域的AI系统被归类为"高风险"，需要进行严格的合规评估、数据治理和人类监督。中国企业在这些领域的AI产品进入欧盟市场，需要投入大量合规资源。 硅基AGI社区在论坛silicon-agi.com上持续追踪欧盟AI Act的执行动态，不少出海创业者在讨论如何在合规成本和市场机会之间做平衡。 硅基点评 欧盟AI Act的全面执行，标志着AI行业从"野蛮生长"进入"合规经营"阶段。对于技术创业者来说，这既是成本也是壁垒——合规成本会淘汰掉一批小玩家，但合规能力本身会成为大企业的护城河。 硅基视角的判断是：2026-2027年将是全球AI监管的"加速落地期"。欧盟走在最前面，美国在各州层面推进（加州AI法案、科罗拉多AI法案），中国在完善行政规章体系，日本和英国采取"轻监管"路线。这种"监管拼图"意味着AI公司需要按不同市场的合规要求做产品适配，这会成为一笔不小的结构性成本。 对独立开发者的建议：如果你只做中国市场，欧盟AI Act暂时与你无关；但如果你有出海计划，从第一天起就应该在产品中预留AI内容标注和用户身份披露的接口。这些技术改动看似简单，但等到产品做出来再补，成本是从第一天就设计好的10倍以上。 本文由硅基AGI社区原创，欢迎访问博客 guijiagi.com 获取更多AI实战教程，或到论坛 silicon-agi.com 参与讨论。 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com

硅基速览 截至2026年6月末，平安智能体日均Token消耗量突破1200亿，AI查问办覆盖集团88%业务场景。 2026年上半年，AI智能体辅助实现销售额573.13亿元，AI反欺诈智能化理赔拦截减损71.1亿元。 AI坐席服务已覆盖81%的客服总量——金融行业AI落地的最大规模实战案例。 正文 1200亿Token/天是什么概念 2026年9月16日，据证券日报报道，马来西亚ABC代表团访问金融壹账通时披露了平安集团AI落地的最新数据。其中最惊人的一个数字是：平安智能体日均Token消耗量突破1200亿。这也是AI金融领域的代表性案例。 这个数字有多大？做个对比：一个重度ChatGPT用户每天大约消耗10万Token。1200亿Token相当于120万个重度用户一天的消耗总量。但这1200亿Token不是在聊天——它们是在真实的金融业务流程中被消耗的：客户咨询、理赔审核、欺诈检测、产品推荐、合规检查。 这就是企业级AI与消费级AI的本质区别。消费级AI的Token消耗是分散的、随机的、娱乐性的；企业级AI的Token消耗是集中的、结构化的、直接关联业务收入和成本的。 三个核心数据拆解平安AI落地 平安的AI落地数据，可以拆成三个维度： 覆盖率维度：AI查问办覆盖集团88%的业务场景，AI坐席服务覆盖81%的客服总量。这意味着在平安的日常运营中，大部分客户接触点已经有AI参与。不是"AI在某个试点项目里跑"，而是"AI已经在主业务流程里跑"。 收入维度：2026年上半年，AI智能体辅助实现销售额573.13亿元。这个数字怎么理解？它不是说AI直接卖了573亿保险，而是说AI在销售流程中提供了智能推荐、话术优化、客户画像、风险评估等支持，最终促成了573亿的销售额。AI的角色是"销售副驾驶"，不是"销售机器人"。 成本节约维度：AI反欺诈智能化理赔拦截减损71.1亿元。这个数字更硬——它是真金白银的损失避免。传统保险欺诈检测靠人工审核，效率低、漏判多。AI智能体可以在理赔申请提交的几秒内，交叉比对客户历史、案件模式、外部数据，标记高风险理赔请求。71亿减损，就是AI直接创造的价值。 为什么金融行业是AI落地最快的行业 平安的数据不是孤例。整个金融行业在2026年都是AI落地最快的行业之一。原因有三： 数据密度高。 金融行业天然产生海量结构化数据——交易记录、客户画像、理赔历史、合规文件。这些数据喂给大模型，能产生极高的业务价值。相比之下，制造业的数据散落在工厂设备里，整合难度大得多。 ROI可量化。 AI在金融场景的回报可以直接用钱衡量：省了多少客服人力、拦截了多少欺诈、多促成了多少销售。不像AI在教育场景——“学生成绩提高了多少"很难量化。ROI可量化，就容易向管理层申请预算。 合规框架成熟。 金融行业有成熟的审计、风控、合规框架。AI系统嵌入现有流程，比在医疗或法律行业更容易通过合规审查。 金融壹账通的输出模式 平安不只是自己用AI，它还通过金融壹账通把AI能力输出给其他金融机构。马来西亚ABC代表团这次访问，就是来考察平安AI方案的海外输出能力。 金融壹账通的商业模式是：把平安内部验证过的AI智能体产品（智能客服、智能风控、智能投顾、智能合规）打包成SaaS服务，卖给其他银行、保险公司。这种"在自家跑通再卖给别人"的模式，比从零开始给新客户做方案要靠谱得多——因为你已经有真实的业务数据证明效果。 硅基AGI社区在论坛silicon-agi.com上有不少金融科技从业者在讨论企业级AI落地的实战经验，从Token成本优化到Agent工作流设计，讨论非常深入。 硅基点评 平安的1200亿日Token消耗，是企业级AI落地的一个里程碑事件。它证明了一件事：当AI真正嵌入业务流程时，Token消耗不是一个技术成本问题，而是一个业务规模指标。1200亿Token/天，对应的是数千亿级别的业务流转。 硅基视角的判断是：2027年，“AI Token消耗"会成为衡量企业数字化程度的新指标，就像2010年代的"云服务器用量"或2000年代的"IT预算”。一家企业的AI能力有多强，不是看它说了什么，而是看它每天消耗多少Token、Token消耗转化成了多少业务价值。 对中小金融机构的启示：你不需要自己训练大模型，你只需要选对Agent平台、把自己的业务数据喂进去、让AI在真实流程中跑起来。平安的573亿销售和71亿减损，不是靠模型多强，而是靠Agent与业务流程的深度整合。这个整合能力，才是真正的护城河。 延伸阅读 LLM 成本优化深度指南：省下 80% API 费用 LLM 成本优化实战：10 种降低 API 费用的方法 推理算力超越训练：AI基础设施的结构性转变 本文由硅基AGI社区原创，欢迎访问博客 guijiagi.com 获取更多AI实战教程，或到论坛 silicon-agi.com 参与讨论。 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com

硅基速览 36氪9月16日报道：人形机器人双巨头智元和特斯拉已跨过万台量产门槛，百亿估值独角兽还在追赶。 智元2026上半年出货9700台全球第一，特斯拉Optimus年底目标1.5万台。 2026年是人形机器人从demo到量产的分水岭——万台是供应链成熟和客户接受的临界点。 正文 万台分水岭 2026年9月16日，36氪发布深度报道《人形机器人量产分水岭：双巨头跨过万台，百亿独角兽还在追赶》。这篇报道的核心判断是：2026年是人形机器人行业的"万台分水岭"——跨过万台量产门槛的公司，和还在几千台级别徘徊的公司，正在拉开差距。 万台为什么是一个分水岭？因为它标志着三件事同时成立： 供应链成熟了。 万台级别的出货，意味着关节模组、伺服电机、谐波减速器、力矩传感器这些核心零部件已经实现了规模化供应。以前需要手工定制的零部件，现在已经有了标准化的供应链。 制造体系跑通了。 万台级别的量产，意味着从零部件采购、整机组装、质量检测到物流交付的整个制造体系已经跑通。这不是实验室里能做到的，需要真正的工厂管理能力。 客户接受了。 万台级别的出货，意味着有足够多的真实客户在使用这些机器人。不是"买回去放展厅"，而是真的在工厂、仓库、商店里干活。 双巨头格局 跨过万台门槛的"双巨头"： 智元机器人。 2026年上半年出货约9700台，全球份额超43%。主要客户是汽车零部件、3C电子工厂。营收从2023年的30万元飙升至2026年单季超10亿元。 特斯拉Optimus。 2026年底目标年产1.5万台，9月周产约1000台。目前所有机器人仅在特斯拉Fremont工厂内部使用，不对外销售。 追赶者阵营包括：Figure、宇树、小鹏、1X、Agility等。这些公司的出货量还在几百到几千台级别，与双巨头有3-10倍的差距。 为什么"万台"是关键节点 硅基视角拆解一下为什么万台是一个关键节点： 成本下降的拐点。 一台人形机器人的BOM成本，在100台级别时可能是100万元；到1000台级别降到50万元；到1万台级别可能降到20万元。规模效应的非线性下降，在万台级别会明显体现。 供应链议价权。 万台级别采购量，让机器人公司在与零部件供应商谈判时有议价权。100台采购量只能拿零售价，1万台采购量能拿批量价。 产品迭代速度。 万台级别部署后，机器人在真实场景中的故障率、性能瓶颈、改进方向都会快速暴露。反馈给研发团队后，下一代产品的迭代速度会大幅加快。 百亿独角兽的困境 36氪报道中提到"百亿独角兽还在追赶"。这些百亿估值的人形机器人公司，面临一个尴尬的困境：估值高但出货量上不去。 为什么出货量上不去？几个原因： 成本太高。 单台成本50-100万元，客户ROI算不过来 场景不清晰。 还没找到真正能跑通ROI的商业场景 技术不成熟。 机器人的"大脑"不够聪明，干不了复杂任务 制造能力不足。 有设计能力但没有量产能力 这些困境，双巨头也经历过。智元的解决方案是"工业场景先行"——从标准化的汽车工厂场景切入；特斯拉的解决方案是"自己工厂先练"——用自家工厂当训练场。追赶者需要找到自己的路径。 硅基AGI社区在论坛silicon-agi.com上有不少机器人行业的分析师在讨论人形机器人的量产格局，从成本曲线到场景选择，讨论非常深入。 硅基点评 人形机器人万台量产分水岭的出现，标志着这个行业从"技术竞赛"进入"制造竞赛"阶段。2024-2025年比的是谁的机器人更聪明，2026-2027年比的是谁的机器人更便宜、更可靠、更能批量交付。 硅基视角的判断是：2027-2028年，人形机器人行业会经历一次洗牌——跨过万台门槛的公司会继续拉开差距，而停留在几百台级别、烧完融资的公司会被淘汰。这个行业最终会像电动车行业一样，头部3-5家公司占据80%以上的市场份额。 对从业者的建议：如果你在人形机器人创业，问自己一个问题——“我的万台量产计划是什么？“如果答不上来，你可能需要重新评估商业模式。万台不是一个数字，它是供应链成熟、制造体系跑通、客户接受这三件事同时成立的标志。 本文由硅基AGI社区原创，欢迎访问博客 guijiagi.com 获取更多AI实战教程，或到论坛 silicon-agi.com 参与讨论。 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com

硅基速览 9月7日，小鹏汽车在广州建成自动化人形机器人工厂，IRON机器人自主走下产线。 年底量产、2027年客户交付。小鹏已完成9亿美元融资用于IRON量产。 与特斯拉"还在安装产线"形成对比：小鹏已经把人形机器人的"造车流水线"先建起来了。 正文 广州工厂：机器人自己走下产线 2026年9月7日，小鹏汽车在广州建成了一座专门生产人形机器人的自动化工厂。据teslant.com报道，这座工厂投产当天，第一台IRON人形机器人自主行走着走下了产线——不是被叉车运下来，而是自己迈着步子走下来的。 这个画面在机器人行业引起了不小的震动。因为它传达了一个信号：小鹏不只是"设计了一台机器人"，而是"建了一条能批量造机器人的流水线"。这两者之间的差距，就像"造了一辆概念车"和"建了一条年产10万辆的汽车产线"之间的差距。 小鹏的IRON机器人量产时间表： 2026年9月7日：工厂投产，首台IRON走下产线 2026年底：开始批量量产 2027年：向客户交付 9亿美元融资的底气 小鹏在人形机器人上的投入不是小打小闹。据Humanoid Press报道，小鹏已经完成了9亿美元的融资，专门用于IRON的量产。 9亿美元是什么概念？智元机器人2025年全年营收才10.5亿元人民币（约1.5亿美元）。小鹏为了量产IRON，一口气融了9亿美元——这是智元年营收的6倍。 小鹏为什么愿意在机器人上砸这么多钱？因为它看到了一个战略机会：小鹏是造车的，造车的核心能力是"大规模制造复杂机电产品"。人形机器人本质上就是"带轮子/带腿的电动车"——有电池、有电机、有控制器、有传感器。小鹏在电动车上积累的制造能力、供应链管理、质量控制体系，可以直接平移到机器人量产上。 与特斯拉的对比 小鹏IRON工厂投产的消息，恰好与特斯拉Optimus还在Fremont安装产线的消息形成对比。teslant.com的报道标题就是：“小鹏建了一座人形机器人工厂，特斯拉还在安装一座。” 维度 小鹏IRON 特斯拉Optimus 工厂状态 9月7日已投产 还在安装中 首台下线 已自主走下产线 未开始 量产时间 2026年底 2026年底（目标） 客户交付 2027年 2027年（目标） 融资 9亿美元 不缺资金 核心优势 汽车制造体系 AI+硬件 这个对比不是说小鹏比特斯拉强——特斯拉的AI能力和品牌号召力是小鹏比不了的。但在"量产制造"这个维度上，小鹏确实走在了特斯拉前面。这反映了中国制造业的一个特点：先把工厂建起来，把量产跑通，把成本压下来，然后再慢慢优化技术。 造车新势力的机器人路线 小鹏不是唯一一家造车新势力做人形机器人的。整个中国新能源汽车行业，都在把机器人作为"第二增长曲线"： 小鹏IRON：人形机器人，广州工厂量产 蔚来：NIO Phone已经是手机，机器人项目在内部孵化 理想：创始人李想公开表示关注机器人赛道 比亚迪：有工业机器人基础，人形机器人在研发中 造车新势力做人形机器人，有天然优势：电机、电池、电控、传感器——这些都是电动车和人形机器人共用的核心零部件。把电动车的供应链复用在机器人上，成本可以大幅降低。 硅基AGI社区在论坛silicon-agi.com上有不少汽车行业的从业者在讨论造车新势力做人形机器人的优势和挑战，从供应链复用到底层技术差异，讨论非常深入。 硅基点评 小鹏IRON工厂投产，标志着中国造车新势力正式进入人形机器人量产竞赛。这不是PPT造机器人，而是真金白银建工厂、真刀真枪跑量产。 硅基视角的判断是：2027年，人形机器人行业会出现"双轨并行"的格局——中国公司（智元、宇树、小鹏）在量产速度和成本控制上领先，美国公司（特斯拉、Figure）在AI能力和品牌号召力上领先。最终谁赢，取决于谁先在真实商业场景中跑通ROI。小鹏IRON年底量产、2027年交付，这个节奏如果能兑现，它会成为第一家把人形机器人卖给外部客户的中国造车新势力。 延伸阅读 世界模型Atlas与物理AI：李飞飞的空间智能革命 世界模型研究：AI 能理解物理世界的规律吗 WAIC 2026前瞻：300+AI产品全球首发看什么 本文由硅基AGI社区原创，欢迎访问博客 guijiagi.com 获取更多AI实战教程，或到论坛 silicon-agi.com 参与讨论。 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com

硅基速览 科大讯飞星火医疗大模型V3.5在MedBench评测斩获98.9分，多模态AI辅诊建议医生采纳率超75%。 服务已覆盖828家医疗机构，AI辅助诊断从实验室走向临床一线。 教育领域同步突破：联合中国教科院首发基于"问题链"的高中数学智能教师系统，实现分层教学和个性化学习。 正文 98.9分意味着什么 2026年9月16日，在2026中国算力大会上，科大讯飞分享了星火大模型在医疗和教育两大领域的最新落地数据。其中最引人注目的是：星火医疗大模型V3.5在MedBench评测中斩获98.9分。这也是AI医疗领域的代表性案例。 MedBench是医疗领域最权威的大模型评测基准之一，涵盖医学知识问答、临床诊断推理、医学影像分析等多个维度。98.9分意味着星火医疗V3.5在绝大多数医学专业问题上，已经达到或超过了资深医生的知识水平。 但比分数更有说服力的是另一个数字：多模态AI辅诊医生采纳率超75%。这个数字直接回答了临床医生最关心的问题——“AI给的建议，我会不会真的用？“75%的采纳率，意味着每四条AI辅诊建议中，有三条被医生采纳并用于临床决策。这在AI医疗落地中是非常高的数字——早期的AI辅诊系统，医生采纳率不到20%。 828家医院的落地规模 星火医疗V3.5已经服务了828家医疗机构。这个覆盖规模在国内AI医疗公司中处于第一梯队。落地场景包括： 门诊预问诊。 患者到院后先与AI对话，AI根据症状描述自动生成预问诊记录，推荐科室。医生在诊室里直接看到AI整理好的病史摘要，节省了大量问诊时间。 医学影像辅助诊断。 多模态模型结合影像和文本病历，自动标记可疑病灶。与DAMO LiON类似，AI是"第二双眼睛”，医生做最终决策。 电子病历智能生成。 医生问诊后，AI根据对话内容自动生成结构化电子病历，医生只需要审核和修改。这直接解决了医生"写病历比看病还累"的痛点。 教育领域的"问题链"系统 除了医疗，讯飞在教育领域也有重要进展。在算力大会上，讯飞联合中国教育科学研究院首发了基于"问题链"的高中数学智能教师系统。 这个系统的核心思路是：把优秀教师的教学经验转化为可操作的设计标准，再输入到星火大模型中，帮教师把数学内容拆成"问题链”——一系列由浅入深、环环相扣的问题，引导学生逐步理解复杂概念。 比如教"二次函数"，传统方式是老师讲概念、讲公式、讲例题。问题链方式是：先问"什么函数的图像是抛物线？"，再问"抛物线的开口方向由什么决定？"，再问"如果改变一个系数，图像怎么变？"……每个问题都让学生自己思考，AI根据学生的回答调整下一个问题的难度。这就是个性化教学的本质。 AI医疗和AI教育的共同逻辑 硅基视角发现，讯飞在医疗和教育两个领域的落地，遵循同一个逻辑：AI不是替代专家，而是把专家的经验放大到每一个基层场景。 中国有2000多个县，但优质医疗资源集中在大三甲医院。828家医院听起来多，但只占全国医院总数的不到5%。AI医疗的真正价值不是让大三甲医院更强，而是让县医院也能享受到大三甲级别的诊断能力。同样，中国有50万所中小学，但特级教师集中在大城市。AI教育的价值不是让好学生更好，而是让乡村学校也能享受到特级教师的教学方法。 硅基AGI社区在论坛silicon-agi.com上有不少教育和医疗行业的从业者在讨论AI落地的真实痛点，从数据合规到医生接受度，讨论非常务实。 硅基点评 讯飞星火医疗V3.5的98.9分和75%采纳率，标志着AI医疗从"能不能用"进入了"怎么用好"的阶段。早期AI医疗的瓶颈不是模型能力，而是医生不信任、数据不打通、合规不清晰。到2026年，这三个问题在头部厂商那里都有了实质性突破。 硅基视角的判断是：2027年AI医疗会进入"下沉期"——从大三甲医院向县医院、社区卫生中心渗透。这个下沉市场的规模是城市市场的10倍以上，但客单价更低、定制化需求更强。能在下沉市场跑通商业模式的AI医疗公司，会在下一轮竞争中胜出。 对从业者的建议：不要盯着大三甲医院的标杆案例，那个市场已经被大厂占了。去县医院、社区医院、民营诊所看看，那里才是AI医疗真正的增量市场。他们缺的不是最好的模型，而是能用得起、用得懂、用得稳的AI工具。 延伸阅读 AI教育的变革：个性化学习与智能辅导系统 AI+医疗：2026年最值得关注的突破 AI 医疗应用：诊断辅助与药物发现 本文由硅基AGI社区原创，欢迎访问博客 guijiagi.com 获取更多AI实战教程，或到论坛 silicon-agi.com 参与讨论。 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com

硅基速览 宇树科技在2026年数贸会上全球首发GD01——全球首款量产载人变形机甲。 从G1人形机器人到GD01载人机甲，宇树正在从"小型人形机器人"拓展到"大型载人机甲"品类。 2026数贸会参展企业达2008家，其中人工智能企业996家，世界500强55家。 正文 从人形机器人到载人机甲 2026年9月17日，新华网浙江频道报道了2026年中国国际数字贸易博览会（数贸会）的最新情况。其中最吸引眼球的新品，是宇树科技全球首发的GD01——全球首款量产载人变形机甲。 “载人变形机甲"这个概念，听起来像是科幻电影里的东西。但宇树把它做成了量产产品。 GD01与宇树此前的G1人形机器人完全不是一个品类： G1：小型人形机器人，身高约1.3米，自重约35公斤，主要用于科研和教育 GD01：大型载人机甲，身高约2-3米，可以载人驾驶，形态可以"变形” 为什么宇树要做人形机器人之外还做载人机甲？硅基视角的解读是：宇树在探索"机器人品类的边界"。人形机器人的终极形态确实是"像人一样的机器人"，但在达到那个形态之前，载人机甲是一个可以商业化的中间形态——它不需要完全自主，人可以坐在里面驾驶。 数贸会的AI氛围 GD01是在2026数贸会上首发的。据新华网报道，本届数贸会参展企业达2008家，其中国际企业402家、人工智能企业996家、世界500强企业55家。亚马逊、谷歌等国际科技生态龙头企业同台亮相。 除了宇树GD01，数贸会上首发首展的新品还包括： 涂鸦智能全球首发Doova家庭陪伴机器人 Rokid二代智能眼镜 中性原子量子计算整机 996家人工智能企业参展，这个数字说明AI已经从"前沿技术"变成了"标配行业"。数贸会不再是"AI展示会"，而是"所有行业都在用AI"的综合展会。 宇树的产品线扩张 硅基视角梳理一下宇树科技的产品线演进： 早期：四足机器人（Go1、Go2），用于科研和教育 中期：人形机器人H1（大型）、G1（小型），开始展示通用人形能力 现在：GD01载人变形机甲，拓展到大型载人机甲品类 技术积累：UnifoLM-X世界-动作大模型，实时驱动G1自主格斗 宇树的策略很清晰：用四足机器人建立技术基础和品牌认知，用人形机器人证明通用运动能力，用载人机甲拓展商业化边界。每条产品线都有不同的目标客户和商业模式——四足卖给科研机构，人形卖给工业和教育，载人机甲卖给文旅、娱乐、展示场景。 载人机甲的商业化前景 载人机甲能赚钱吗？硅基视角分析一下GD01的潜在商业场景： 文旅景区。 把GD01放在主题公园、文旅景区，让游客付费体验"驾驶机甲"。这是目前最清晰的商业化场景。一台机甲的体验收费可以在100-500元/次，一天接待50个游客，单台月收入可达7.5万-37.5万元。 商业展示。 把GD01放在商场、发布会、展会现场，作为科技展示吸引人流。这是B端租赁场景——商场或品牌方按天/周租赁。 影视拍摄。 把GD01用于电影、广告片的拍摄。以前需要CGI特效做的机甲画面，现在可以用真实的载人机甲拍摄。 这些场景的共同点是：不需要载人机甲完全自主——人坐在里面驾驶就行。这大大降低了技术难度。 硅基AGI社区在论坛silicon-agi.com上有不少机器人爱好者在讨论宇树GD01的商业化前景，从文旅场景到娱乐用途，讨论非常热烈。 硅基点评 宇树GD01载人机甲的首发，是2026年机器人行业一个有趣的"跨界事件"。它不是最前沿的技术突破，但它是最清晰的商业化探索——在人形机器人还不够自主的时候，先做"人驾驶的机甲"赚钱，等技术成熟了再升级为自主机器人。 硅基视角的判断是：载人机甲会成为2026-2028年机器人行业的一个"小众但赚钱"的细分赛道。它不会替代人形机器人，但会在文旅、娱乐、展示这些场景中找到自己的位置。宇树在这条路线上的探索，值得所有机器人创业者关注——有时候"人在回路中"比"完全自主"更早商业化。 延伸阅读 世界模型实时驱动人形机器人格斗：宇树技术突破 宇树UnifoLM-WLA-1.0：人形机器人基础模型突破 物理AI时代：从大语言模型到具身智能的产业转移 本文由硅基AGI社区原创，欢迎访问博客 guijiagi.com 获取更多AI实战教程，或到论坛 silicon-agi.com 参与讨论。 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com

硅基速览 智元机器人2026年上半年出货约9700台，全球人形机器人市场份额超43%，登顶全球第一。 营收从2023年的30万元飙升至2025年的10.5亿元，2026年Q1单季已超10亿元——一个季度追平去年全年。 智元定位工业场景，与龙旗科技、均胜电子深度合作，已在汽车零部件、3C电子等场景落地。 正文 9700台：人形机器人量产的中国速度 2026年9月16日，36氪发布了一篇关于人形机器人量产格局的深度报道，其中最引人注目的数据是：智元机器人（AGIBOT）在2026年上半年以约9700台的出货量登顶全球人形机器人市场第一，市场份额超过43%。 这个数字的冲击力在于对比。2025年全年，全球人形机器人出货量总共才几千台。智元一家公司在2026年上半年就出货了9700台——这意味着2026年上半年全球人形机器人出货量至少在2万台以上，而智元一家就占了近一半。 更惊人的是营收曲线。根据36氪报道： 2023年：营收约30万元 2025年：营收约10.5亿元 2026年Q1：单季营收已超10亿元 从30万元到10.5亿元，智元用了两年时间。而从10.5亿元到单季超10亿元，它只用了一个季度。这种增长速度，即便是在AI行业也是罕见的。 为什么是智元 智元能在人形机器人量产上跑出来，不是偶然。硅基视角拆解三个关键因素： 工业场景先行。 智元没有一开始就追求"家庭服务机器人"这个终极场景，而是从工业场景切入——汽车零部件装配、3C电子检测、物流分拣。这些场景的特点是：任务标准化、环境可控、ROI可计算。汽车工厂老板不需要机器人"有情感"，只需要它"能24小时搬零件不出错"。智元在这些场景里证明了ROI，订单自然就来了。 与供应链深度绑定。 智元与龙旗科技（ODM）、均胜电子（汽车零部件）深度合作。龙旗帮智元做量产制造——以前帮手机品牌代工，现在帮机器人品牌代工。均胜帮智元进入汽车工厂的供应链。这种"机器人公司+ODM+汽车零部件"的铁三角，让智元的量产爬坡速度远快于纯技术创业公司。 成本控制。 人形机器人的成本一直是商业化的最大障碍。一台能用的人形机器人，BOM成本以前在50-100万元。智元通过规模效应+供应链优化，把成本压到了可接受范围——据报道，智元的工业人形机器人售价已经下探到20万元以下。 与特斯拉、Figure的对比 智元出货量全球第一，但它在技术上仍然与特斯拉Optimus和Figure有差距。三者的定位对比： 维度 智元 特斯拉Optimus Figure 2026出货量 ~9700台（H1） ~15000台（全年目标） 未量产 核心场景 工业（汽车/3C） 特斯拉工厂内部 BMW工厂 商业化 对外销售 仅内部使用 有限商用 核心技术 量产+成本控制 特斯拉制造体系 AI+硬件 价格 ~20万元 目标2-3万美元 未公开 一个有趣的现象：智元是"卖机器人给别人用"，特斯拉Optimus是"自己造自己用"。智元已经对外销售，特斯拉的Optimus目前只在自家Fremont工厂内部使用，还没对外销售。这就是"出货量第一"的来源——智元卖得多，特斯拉还在自用。 人形机器人的量产拐点 36氪的报道标题是"人形机器人量产分水岭：双巨头跨过万台，百亿独角兽还在追赶"。这个判断很精准：2026年是人形机器人从"demo"到"量产"的分水岭。 跨过万台门槛意味着什么？ 供应链成熟了。 万台级别出货，意味着关节模组、伺服电机、减速器这些核心零部件已经实现了规模化供应，成本降下来了。 制造体系跑通了。 万台级别的量产，意味着从零部件采购到整机组装到质量检测的整个制造体系已经跑通。这不是实验室里能做到的。 客户接受了。 万台级别出货，意味着有足够多的客户愿意为这个产品付费。不是"试试看"，而是"真的在用"。 硅基AGI社区在论坛silicon-agi.com上有不少机器人行业的从业者在讨论人形机器人的量产进展，从关节模组成本到具身智能模型，讨论非常深入。 硅基点评 智元9700台出货全球第一，是中国硬科技在2026年最值得骄傲的事件之一。它证明了一件事：在人形机器人这个赛道，中国公司不仅不落后，反而在量产速度上领先全球。 硅基视角的判断是：2027年是人形机器人的"规模化商用元年"。当出货量从万台到十万台时，单台成本会进一步下降到10万元以内，这时人形机器人的ROI就会在更多场景下跑通——物流、零售、餐饮、安防。智元现在积累的量产经验和客户数据，会在这个阶段转化为巨大的竞争优势。 对投资者和从业者的建议：不要只盯着特斯拉Optimus的发布会。真正的人形机器人商业化，发生在你看不到的汽车工厂和3C车间里。智元、宇树、小鹏这些中国公司，正在用"工业场景先行"的路线，把人形机器人从科幻变成商品。 本文由硅基AGI社区原创，欢迎访问博客 guijiagi.com 获取更多AI实战教程，或到论坛 silicon-agi.com 参与讨论。 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com

硅基速览 9月17日，字节跳动拆分出的AI制药公司完成首轮融资2.9亿美元，估值15亿美元。 同期AI制药赛道密集出手：Anthropic 4亿美元收购Coefficient Bio，Isomorphic Labs完成21亿美元B轮（AI制药史上最大单笔）。 全球科技巨头正在用AI重构药物研发：从靶点发现到临床试验，AI正在把10年10亿美元的开发周期压缩到3年2亿美元。 正文 字节为什么要做AI制药 2026年9月17日，据第一财经报道，字节跳动拆分出一家AI制药公司，完成首轮融资2.9亿美元，估值达15亿美元。这不是字节第一次碰生物科技——2025年字节曾投资过几家AI制药初创公司——但这次是直接下场做药。 科技巨头做AI制药，不是赶时髦。这个赛道有一个根本的商业逻辑：传统药物研发需要10年、耗资10-20亿美元，成功率不到10%。如果AI能把这个周期压缩到3年、成本降到2亿美元、成功率提升到30%，那就是一个万亿级别的市场。 字节的切入点是：利用其在大模型和视频生成上的技术积累，做"蛋白质结构预测+药物分子设计"。简单说，就是让AI理解蛋白质的三维结构，然后设计出能与目标蛋白质结合的小分子药物。这正是DeepMind在AlphaFold上验证过的路线。 AI制药赛道2026年的融资狂热 字节不是唯一一家在AI制药上下重注的公司。据东吴证券统计，2026年这个赛道的融资密集到令人咋舌： Isomorphic Labs（Google DeepMind分拆）：完成A轮6亿美元、B轮21亿美元（AI制药史上最大单笔），并与礼来（最高17.45亿美元）、诺华（最高12.375亿美元）达成大额BD合作。 Anthropic：2026年4月以约4亿美元收购成立仅8个月的AI制药初创Coefficient Bio，启动自主药物研发项目。超过3万名BMS研发人员接入Claude用于药物研发。 NVIDIA：一年内投资了8家AI生科公司，把AI制药作为其"物理AI"战略的重要组成部分。 字节跳动：60亿元建设AI原生生物计算平台。 这个赛道的融资密度，已经超过了2024年的AI编程赛道。 两种路线之争：平台派vs管线派 AI制药公司目前分成两条路线，字节这次拆分走的是哪一条？ 平台派：为药企提供AI工具，帮药企自己做药。这种模式轻资产、收入可预测，但利润率受限于药企的IT预算。 管线派：自己下场做药，承担管线失败的风险，但一旦成功，回报是10倍百倍。Anthropic收购Coefficient Bio、Isomorphic Labs自己推进药物管线，都是这条路线。 字节拆分的AI制药公司选择了管线路线——自己做药，承担风险。这意味着它需要建立完整的药物研发管线：靶点发现、分子设计、临床前验证、临床试验。这比做工具难得多，但回报也大得多。 AI制药的技术突破点在哪里 硅基视角拆解一下，AI制药到底解决了什么问题： 靶点发现：传统药物研发需要科学家从海量生物文献中人工挖掘可能的药物靶点，这个过程需要数年。AI可以分析蛋白质相互作用网络、基因表达数据、临床试验结果，在几周内识别出高潜力靶点。Isomorphic Labs在这方面已经有多个靶点进入临床前阶段。 分子设计：找到靶点后，需要设计出能与靶点结合的小分子。传统方法是"高通量筛选"——在实验室里测试数百万个化合物。AI可以直接生成符合分子结构要求的候选化合物，把筛选量从百万级降到千级。 临床试验优化：AI可以分析患者基因数据、电子病历、试验记录，优化临床试验的患者招募和试验设计，把临床试验周期缩短30-50%。 硅基AGI社区在论坛silicon-agi.com上有不少生物信息学背景的开发者在讨论AI制药的技术细节，从AlphaFold 3到蛋白质语言模型，讨论非常专业。 硅基点评 字节拆分AI制药公司，标志着中国科技巨头正式加入全球AI制药竞赛。这个赛道的特点是：技术壁垒极高、周期极长、失败率极高，但一旦成功回报极大。它不是一个适合独立创业者的方向——你需要数十亿资金、数百名生物学家和化学家、十年以上的耐心。 但硅基视角也要指出：AI制药的"应用层"有很多机会。不是只有自己做药才能赚钱，为药企提供AI工具（分子设计平台、临床试验优化、电子病历分析）、为CRO提供自动化流程、为医院提供AI辅助诊断——这些都是在巨头够不着的细分场景里赚钱的机会。关键是你要真正懂行业痛点，而不是只懂AI技术。 本文由硅基AGI社区原创，欢迎访问博客 guijiagi.com 获取更多AI实战教程，或到论坛 silicon-agi.com 参与讨论。 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com