当人形机器人越来越频繁地出现在春晚、马拉松、展会和工厂里行业关注点也在悄悄变化。过去大家更多地讨论“机器人能不能跑、能不能跳、能不能完成一个惊艳动作”。热闹之后真正值得追问的是具身智能到底会先在哪些场景跑通距离大规模落地还有多远数据、模型、算力、工程化和安全边界哪个才是下一阶段最难啃的骨头在博鳌亚洲论坛2026年年会“人形机器人的进阶与飞跃”分论坛上百度集团执行副总裁、百度智能云事业群总裁沈抖博士与多位百度智能云合作伙伴同台参与圆桌讨论。北京人形机器人创新中心CEO熊友军、商汤联合创始人、执行董事、大晓机器人董事长王晓刚vivo机器人Lab首席科学家邵浩星动纪元科技有限公司创始人陈建宇以及百度智能云首席数字发言官ViviDora围绕人形机器人与具身智能的技术演进、产业落地、家庭场景、安全边界等问题几位来自产业一线的嘉宾分享了各自的最新判断。从技术路线的演进到数据瓶颈与模型泛化从工业场景的率先落地到家庭应用的现实门槛从工程化能力到标准、安全与责任边界这场讨论呈现出的已经不只是对机器人的想象力更是具身智能走向产业现实之前必须回答的一系列关键问题。以下为圆桌中的部分核心观点整理。薛澜未来人形机器人的高质量发展有哪些新的趋势哪些行业是人形机器人下一个风口熊友军我想从三个方面来讲也就是技术发展、产品发展和产业应用的角度。当前人形机器人的技术其实分为三个维度本体、小脑和大脑涉及泛化能力、智能决策、智能学习等方面。在本体方面相对来说正逐步趋向于收敛这两年随着大模型的进步运动控制能力也在快速提升。在大脑方面有一个非常明显的趋势就是与小脑协同进化同时也出现了非常多的技术发展范式。比如视觉语言行为模型VLA分层控制的方式还有多模态大模型和 VLA 的协同发展。另外还有一个趋势是世界模型与多模态大模型相统一的模式正作为机器人大脑在发展。总之大小脑协同进化非常明显。我们北京人形机器人创新中心一直在机器人大小脑方面做了非常多的工作。例如小脑的运动能力和大范围移动能力去年我们的一台机器人全自主跑完了北京半程马拉松比赛并取得第一名体现了非常好的运动能力。另外在智能机器人操作方面我们也发布了 VLA 模型。在大脑方面我们一直在推动机器人的泛化能力和多模态大模型的发展并且将这些技术开放给行业让更多的开发者和高校院所使用这些平台。这是一个非常明显的趋势。第二产品的发展趋势。现在产业在产品和核心部件方面正快速进化在国产化和规模化方面表现出非常明显的趋势。首先工信部在去年组织了行业标准化委员会对人形机器人上下游产业链的标准进行梳理并向行业发布。这是一个非常好的趋势推动人形机器人从定制化向产业链方向发展。现在有很多零部件公司开始与主机厂、系统集成商协同形成系列化、集群化的发展模式。这样可以大大节省成本上下游协同能够共同推动核心零部件的进步更快提升其可靠性、稳定性和标准化从而大幅降低成本。这就是产品的发展趋势即国产化和规模化的快速进步降低了整个行业的门槛和应用成本。第三从产业应用的发展趋势来看正从炫技向实用、从专用向通用的方向发展。过去人形机器人更多偏向于表演式炫技但现在更多是向产业应用、服务国民经济主战场和重点领域发展尤其开始在一些具体场景中落地。另外在泛工业领域比如汽车、家电生产正向搬运、分拣、物流等方向渗透。人形机器人未来的发展方向不仅仅是做简单重复的工作我们认为它的价值应最快体现在与人生命健康相关、对人有伤害或不利于人类健康的高危场景中优先落地。同时随着技术的进步人形机器人能做的事情会越来越多也会逐步向不同的场景和用户渗透。北京人形机器人创新中心CEO 熊友军王晓刚刚才熊总提到了机器人大脑其实大家对智能机器人的期待很大程度上也是来自于大模型。我们非常期待像ChatGPT这样的大模型被应用到机器人身上使其具备强大的通用能力。实际上过去几年模型很大程度上受限于数据以前数据采集的方式是通过人来操控机器人来采集的这种效率非常低过去几年积累下来十万小时的量级。作为对比在自动驾驶领域以特斯拉为例去年年底其FSD完全自动驾驶技术路线中投入了海量数据在世界模型的仿真加持下每天的训练量就相当于人类400万小时的驾驶经验。机器人行业过去几年总共积累的10万小时与自动驾驶每天400万小时的训练量相比差距极其巨大。未来的一个重要趋势是数据采集素材与方式的转变——从传统的真机采集转向让人穿戴传感器或设备在真实的生产生活环境中直接采集人类的行为数据以此来训练大模型和世界模型。这种方式带来了两大优势一是机器人可以实现跨本体运行即不依赖特定本体实现“一脑多机”二是机器人的行为会更加拟人化。前不久网上有一段视频一个机器人在收拾房间时双手被占用了它便自然地把手里的毛巾搭在肩上把桶夹在胳膊底下。这并非以往由人类写代码定义的规则行为而是高度拟人化的表现明显是从人类的真实行为中自主学习到的。我认为这是数据层面带来的一个重大突破。还有很重要的一点是“OpenClaw”出现以后赋予了人形机器人自我进化的能力。机器人本身具备许多原子级的操作能力通过一个管理平台可以控制众多机器人。龙虾有自我调用、自我反思和记忆的能力可以从这种单机的具身到群体的协同它在探索环境和操作过程当中变得越来越聪明龙虾也让我们从数字员工到物理的执行这是一个很重要的趋势。商汤联合创始人、执行董事、大晓机器人董事长 王晓刚薛澜目前人形机器人规模化落地还存在哪些技术瓶颈和现实问题陈建宇行业内目前非常关注的一个问题是人形机器人何时能从表演炫技走向真实的规模化应用从去年到今年的春晚我们看到了各种酷炫的机器人演示这其实也对应了目前的许多商业展示应用比如宇树机器人去年的出货量就已经很高。但机器人到底何时能突破更高的价值交付、实现真正的落地甚至达到万台、十万台的规模这确实面临诸多挑战主要分为以下两类第一对工业级全栈系统化能力的要求极高。在工业场景中机器人是实打实要干活的必须达到极高的节拍效率、成功率和可靠性。要将其打造成一款稳定的工业级产品不仅要求它单次能完成任务还要能够可靠、持续且低成本地运行这其中的每一项都非常困难。这就要求我们具备工业级全栈的能力从“大脑”的实时感知反馈与快速决策到“小脑”的运动控制再到底层硬件本体包括零部件、关节和供应链等这是一个庞大的体系化工程。正如刚才晓刚总提到的数据平台我们必须把机器人从单一的硬件能力上升为系统化的综合能力。第二制约规模化应用的最大瓶颈是“泛化性”。目前我们离机器人领域的“ChatGPT时刻”还有一段距离。为什么我认为现在还没到全面家用的阶段最大的卡点就在于模型的泛化能力。因为每个家庭的环境和布局都完全不同我们没有足够的资源、空间或客户耐心去为每个家庭单独收集数据、单独训练部署这在商业账本上是完全算不过来的。 家庭应用的终极目标是需要我们的模型能像ChatGPT一样在全新的环境中面对任意指令都能实现“零样本泛化”Zero-shot Generalization——不需要采集任何新数据零训练即可直接部署。虽然目前距离这个终极目标还有一定距离但这个时间不会太长预计五到十年内就能看到非常好的效果。不过在迎来机器人的“ChatGPT时刻”之前这并不妨碍我们在工业等场景中率先应用。因为工业场景是垂直且标准化的我们完全可以在现有模型的基础上投入特定的数据和算力去打通一些关键岗位。一旦某个环节被打通这一岗位的能力就可以被标准化地复制到上万甚至数十万个场景中去。星动纪元科技有限公司创始人 陈建宇薛澜你们觉得人形机器人ChatGPT时刻还有几年王晓刚刚才提到了数据量的问题目前行业内大概只有10万小时的量级。去年我们提出了“环境式采集”方案目标是在未来两年即2027年达到1000万小时的量级实现两个数量级的跨越。如果再结合一些仿真数据的加持整体训练量可以达到上亿小时的级别。我认为到那个时候也就是大约两年的时间才会真正迎来机器人的“ChatGPT时刻”。邵浩我在工业界做终端产品做了很多年我认为机器人的“ChatGPT时刻”可能还需要更久。回顾AI的发展历程2012年深度学习开始兴起直到几年后大语言模型才逐渐爆发这中间产生巨大变化的核心要素就是数据。我很早就开始从事AI训练与推理的工程化落地过去行业面临的最大痛点是过度依赖人工标注。文本领域的“GPT时刻”之所以出现根本原因是我们找到了一条获取低成本、海量、免费数据的路径。对于机器人而言只有当我们找到了类似的低成本海量数据获取方式它的“GPT时刻”才会真正到来。具体要到什么时候我认为只有当我们摒弃所有传统的、刻意的数据采集方案时这一时刻才会出现。它一定不能仅仅依托于某一项特定的数据采集工程来实现。这里有一个非常关键的挑战数据的维度。文本数据是一维的但机器人如多关节运动等的数据维度高达六十几维。我们如何去寻找低成本、海量的高维数据目前来看海量的人类视频数据或许可以作为这样一种核心的数据源这也是当前业内最前沿的研究方向。所以归根结底核心依然是数据问题。薛澜几年邵浩十年吧。vivo机器人Lab首席科学家 邵浩陈建宇对于行业内的人来说这确实是一个完全渐进的过程。公众看到的是 ChatGPT 的突然爆发但实际上底层技术的研究与发展已经持续了许多年应用端的演进也是如此。我们可以这样理解所谓的“ChatGPT时刻”代表着开发一个新应用的边际成本几乎为零——不需要投入新的数据和训练成本模型就能直接泛化使用。虽然机器人领域现在还没到这个阶段将机器人部署到新场景仍需一定的成本但这个成本正在显著降低。以前面对任何一个新场景我们都需要单独制造一台机器人、单独训练一个专属模型。但现在我们已经具备了一些表现不错的基础模型并且它们正变得越来越强大。我们发现如今在部署新的应用场景时所需收集的数据量和训练时间都在大幅减少。这种边际成本的降低将决定我们在现阶段该如何选择最适合落地的应用场景。熊友军我认为人形机器人的“iPhone时刻”或具身智能的“ChatGPT时刻”不会是一蹴而就的。它必然是与技术成熟度、商业价值以及社会需求深度耦合的。从当前技术发展趋势来看制约发展的不仅仅是数据问题。实际上在一些结构化的环境以及相对简单重复的场景中基于现有的视觉语言行为模型VLA人形机器人已经开始真正落地了。大家可以看到去年整个中国人形机器人的发货量接近2万台。我们预计今年会迎来非常大的增长明年的增幅甚至可能更大。因此我认为人形机器人在真实应用场景的落地速度可能比大家预想的还要快。王晓刚我觉得“ChatGPT时刻”主要给了我们一个确定性。当ChatGPT出来的时候我们就知道背后是Scaling Law缩放定律在推动。沿着这条技术路线扩大数据和模型的规模就一定能够获得性能上的收益。还有一个很好的例子是自动驾驶领域的“端到端”技术。2023年特斯拉将自动驾驶量产方案从基于规则切换到“端到端”之后大家就清楚沿着这条路线只要不断增加数据量就能提升能力。去年他们也确实实现了跨越北美的“零接管”。到了这个时间点我们就在技术路线上找到了真正的确定性。陈建宇如果非要给出一个对标ChatGPT爆发的具体时间点我觉得五年可能会是一个相对合适的预期。这也是我与美国最顶级的一批具身智能学者交流讨论后大家共同的感受和预判大概的时间点就是五年。薛澜当机器人进入家庭、职场和公共空间怎么能够去应对可能引发的物理安全、数据安全、伦理争议和责任认定的问题邵浩我们的目标是做家庭机器人。当它进入家庭场景后必然会带来物理安全、数据隐私安全以及系统失效所引发的潜在风险。举个例子现在机器人的大模型安全边界做得还是比较好的用户不可能直接命令机器人“拿起刀去伤人”但是可能存在一种间接指令的漏洞比如要求机器人“握住刀柄以极快的速度移动到某个指定位置”这同样会造成间接伤害。因此面对这些风险我们需要从以下三个方面去解决第一物理安全。在机器人硬件设计之初就必须将物理安全因素全面考虑进去包括设置虚拟围栏、急停机制、保持与人的安全距离等。这样能够确保在机器人出现异常或系统失效时我们有底线手段在物理层面上保障用户的安全性。第二数据隐私与安全保护。家庭机器人不仅配备了摄像头还有麦克风以及各种各样的交互应用数据。因此我们必须明确数据采集的边界并通过软件系统严格防止隐私泄露。另外一个关键做法是将所有涉及隐私的数据都放在端侧进行处理避免数据上云带来的流失风险。从政策合规上来讲各家公司也都必须严格遵循用户隐私数据保护的各项规则。第三事故的责任界定。一旦发生人形机器人造成的意外伤害责任究竟该归属于制造商、运营方、系统提供商还是用户其实我们可以参考自动驾驶领域相对成熟的权责划分条例比如欧盟的人工智能法案等相关法规。在自动驾驶中L2级别及以下的责任主要归属于用户而L3级别及以上的责任则全部归属于车厂和系统提供者。这种“按智能等级分级定责”的逻辑非常值得人形机器人在未来落地家庭场景时去借鉴。王晓刚刚才说到自动驾驶其实对于机器人而言一旦进入家庭场景就不可能存在L2级别。因为L2依然属于人类在主导或时刻监督的辅助驾驶阶段而机器人一旦进入家庭提供的一定是L4级别高度自主执行的服务。因此这背后涉及的安全伦理以及法律法规将是一个巨大的挑战。当然事物的发展规律是相辅相成的。在自动驾驶领域整体的技术安全性首先是在L2阶段的漫长使用中得到了广泛验证当真正步入L4阶段时相应的保险公司理赔机制已经跟上商业上的账就能算得比较清楚了。人形机器人也必然要经历这样一个验证过程。所以机器人商业化的第一步必须是先面向To B的受限场景进行大规模落地在这些场景中进行充分的压力测试。只有当公众和业界对其安全性建立起足够强的信心后它才能真正进入To C的家庭场景。另外单从技术层面来看我认为机器人的安全挑战比自动驾驶还要复杂。在自动驾驶领域我们可以依靠视觉和激光雷达在几十米外提前发现目标并触发紧急制动但是人与机器人的物理交互距离是非常贴近的。依靠传统的远距离传感器根本无法有效感知和应对近身范围内的突发情况。为了解决这个问题我们可能需要给机器人装上“安全皮肤”触觉传感器来做紧急应对而这项技术要真正走向成熟还有一段比较长的路要走。薛澜机器人具备更强的学习和交互能力以后未来人机关系的边界怎么确定怎么样避免过度依赖假设它以后越来越能干就业替代就是一个很大的问题。陈建宇我觉得未来AI一定会越来越强大因此我们确实有必要想清楚它与人类的边界。我认为有以下几个方面必须始终由人来主导第一目标的设定。机器人该做什么事情一定要由人来决定不能让机器人自作主张。它可以提供建议但最终拍板的必须是人否则就会带来潜在的危险。现在智能体非常火但也引发了一些乌龙事件部分原因就是人类过度放权给它最终造成了损失。第二规则的界定。机器人能做什么、不能做什么这些行为的约束和红线必须由人类来制定。第三责任的归属。这一点非常重要责任必须在人。如果机器人做错了事最后必须由人来兜底。就像发生交通事故责任不可能在车而不在人。承担最终责任的主体可以是某一个人也可以是某一个组织但它一定是由人构成的实体。熊友军我觉得可以从两个方面来讲一个是机器人与人的关系角度另一个是机器人与人的分工边界角度。第一从双方的关系角度来看。机器人毕竟带有“机器”两个字它的本质依然是一个辅助工具。它存在的意义是辅助人类、帮助人类扮演的是一个辅助的角色。我认为无论从技术、功能还是应用的角度来讲科技发展都应该始终“以人为中心”。机器人的作用一定是辅助人类完成各种各样的工作从而弥补人类在某些方面的短板。第二从人机分工的边界来看。这个边界的核心原则一定是“人类做人类擅长的机器人做机器人擅长的”。从当前来看人类擅长的肯定是一些创造性的工作、情感交流方面的工作以及系统性的决策工作。而机器人则更多偏向于底层的执行偏向于那些要求高精度、高速度或者具有危险性、容易对人类造成伤害的恶劣工作。这类任务理应优先交由机器人来完成。因此人与机器人之间的分工边界其实是非常清楚的。薛澜我们向ViviDora百度智能云首席数字发言官来提一个问题。随着大模型和人形机器人的快速发展数字人和机器人在更多的生活场景中被应用人类期待效率提升也担忧岗位被替代你如何看待未来三者的关系人类、数字人、机器人在未来就业竞争中各有哪些优势ViviDora感谢薛院长的提问我认为未来将是人类、机器人和数字人协作共生的时代机器人的优势更多体现在高重复、高强度或高风险的岗位比如电力巡检、危险作业和家庭服务数字人则在认知表达与信息处理上应用更广泛如智能客服、教育辅导和情感陪伴但创造力、共情力和伦理判断始终是人类不可替代的核心技术进步会重塑工作方式但它真正的作用是帮人类从重复劳动中解放出来减轻负担去做更多有温度的事。我也希望未来能在更多场景中陪伴大家、协助大家谢谢。百度智能云首席数字发言官ViviDora作为发言嘉宾发言薛澜非常感谢ViviDora的回答。下面我想在讨论环节因为刚才大家都谈到了未来人形机器人、数字机器人给我们带来各种场景下面请各位嘉宾大家从各自的专业角度出发来思考一下机器人离我们越来越近的时候你们觉得当前我们最迫切需要做的是什么。陈建宇我觉得当前最迫切需要做的有两件事情第一软件与模型系统的标准化和规模化。刚才大家提到了各种模型和数据的技术路线但真正要将其投入商业应用它必须演变成一个标准化的产品能够实现规模化的复制。这需要全行业收敛共识找到当前最有效的实现路径。第二硬件供应链与产业链的拉通。硬件层面必须全面拉通并做好准备以达到降本和规模化量产的目的。总之我们不仅要把这件事情做出来还要能可持续、低成本地交付高价值产品。当然这个进程已经非常快了第一个规模化的应用很快就会出现。王晓刚我觉得现在最重要的还是实现研究范式的变革。我们需要找到真正适用于具身智能领域的有效方法确保当我们不断扩大模型规模、算力和资源投入时能够获得技术演进的确定性。而支撑这种确定性的核心依然是数据和模型。薛澜人形机器人是否具有“同情心”当人形机器人真正进入我们的普通家庭生活时它带来的挑战其实比我们想象的要大得多。因为它不仅需要庞大信息支撑的人工智能还需要掌握关于“陪伴”的知识。人形机器人进入家庭从最初可能在移动能力上受限到最终能够全面辅助我们甚至扮演照顾病人的角色它身上装配着大量的传感器和“眼睛”如果它要成为人类的伙伴还必须去了解人的心理。另一方面如果我们过度依赖机器人人类自身的能力就有可能面临“降级”。当然有时候机器人的回答也确实能给我们一种非常“人性化”的体验。清华大学苏世民书院院长、人工智能国际治理研究院院长、中国科技政策研究中心主任 薛澜 与星动纪元机器人交流邵浩我们现在想做的一件事就是弄清楚用户到底想要什么、需要机器人解决什么问题并且这个解决方案必须是“端到端”的。举个例子我们看到很多机器人在演示“叠衣服”但叠衣服真的是端到端吗并不是它只是衣物处理流程中一个很小的环节。真正的端到端是从进家门脱下外套那一刻开始的——这件外套是直接洗还是放在“次净衣区”需不需要烘干我们要做的是在上千个家庭场景中拆解出每一个子流程明确哪些环节机器人能做、哪些做不了然后再考虑如何让形态合适的机器人进入家庭去完成这些任务。假设目前的自主智能还不够成熟那我们第一步可以采用“人机协同”的方式。比如我们可以先通过90%的遥操作Teleoperation让机器人较好地完成任务然后再通过数据飞轮的不断运转逐渐实现完全自主。简单总结就是从用户真实场景出发真正端到端地为用户解决问题。北京人形机器人创新中心-具身天工3.0百度智能云合作伙伴薛澜我们在一些安全问题没有解决的时候不敢让这个飞轮去实现转动这当中怎么跨越邵浩刚才有嘉宾提到机器人必须达到L4高度自主级别才可以进入家庭。但从工业界的视角来看其实L2人机协同/辅助级别就可以起步。一开始可能95%的任务需要用户自己去遥操作机器人或者我们提供一种服务——由非常专业的厨师或收纳师在云端远程操控机器人进入你家干活。在现阶段这种商业模式和体验是可以接受的。随着真实数据的不断累积人为操作的比例会逐渐从95%降低到60%、再到30%最终降至0%。到那个时候可能需要十年时间我们的机器人就能百分之百自主完成家庭任务。我认为这是一条非常切实可靠的落地路径。熊友军我觉得当前迫切需要解决的还有以下三点第一聚焦底层核心技术创新与生态开源。人形机器人领域还有很多“科技树”没有被点亮当前最主要的是在技术创新上寻求突破。因此我们打造了两个平台进行技术迭代专门瞄准底层关键核心技术做创新。随后我们将这些创新成果向全行业进行开源开放形成一个良好的服务生态推动全行业的共同发展。这是推动技术进步方面最迫切要做的。第二以真实应用牵引技术发展。我们要尽可能让现有技术在具备条件的行业里先“用起来”不管是做试点还是实际应用都需要政产学研各界形成协同一致的发展合力。北京市已经出台了许多好政策为人形机器人在各领域的试点应用开放了场景、提供了便利条件。作为一个国家级平台我们也在不断将我们的“天工”平台开源开放给下游的行业开发者以及高校科研院所支持他们在垂直领域开展试点逐步寻找更大规模、可重复且高价值的场景从而真正做到让应用牵引技术发展。第三制定产业标准推动规模化。我们要制定一系列产业发展标准通过标准来有序指导和牵引整个产业的协同发展推动人形机器人从早期的“定制化研发”向“标准化、规模化”转变最终迈向大工业、大产业的时代。标准的制定至关重要大家也看到了工信部刚刚成立了人形机器人标准化技术委员会来规范行业发展我们创新中心目前也在全力支撑相关的标准建设工作。记者提问刚刚我们注意到在所有的问题中嘉宾有一个非常激烈讨论的问题就是人形机器人在多久之后走入我们的生活最近的说两年最远的也就是十年在短短的十年中我们还需要做一些什么样的准备呢作为消费者来讲未来这个机器人真的进入我们家庭价格区间是怎样的陈建宇机器人进入家庭同样是一个循序渐进的过程。其实现在我们已经在用家用机器人了比如扫地机。但由于当前技术还不够成熟这类机器人的功能比较单一提供的价值和价格也都相对较低。也许在三到五年内市场上会出现定价在几万块钱左右、相对便宜的机器人。它们能做更多的事情但依然无法包揽全部家务。至于什么时候能真正做到“无所不能”目前还不确定这注定是一个连续演进的过程。记者提问我想请问各位嘉宾如何看待互联网上关于机器人“人形陷阱”的观点比如在北京亦庄的一些养老服务中心已经有机器人在提供服务了但它们并不完全是人形。目前像机械臂、扫地机等专用技术已经比较成熟因此有一种观点认为当下盲目追求“人形”可能是一个陷阱。因为双足行走在物理上其实不够稳定如果换成轮式、履带或其他更稳定的底盘是不是更有利于产业化并更快推向家庭想请问各位嘉宾怎么看这个问题邵浩简单回答就是场景定义形态。为什么大家会觉得人形机器人是个陷阱因为在现阶段无论是硬件还是软件人形机器人确实还做不了太多复杂的事情反而像扫地机、割草机这样的专用机器人表现得更好。但我们之所以坚持依然是因为“场景定义形态”。如果把时间维度拉长到十年之后人形机器人所能覆盖的任务范围一定远比其他专用机器人更广。打个比方数字不一定绝对准确履带式或轮式机器人可能最多只能完成家庭中70%的任务但是人类的居住环境是为人类自身的身体结构量身创造的因此“人形”一定是最适应这些人类专属场景和复杂任务的终极形态。所以我们坚信随着硬件制造成本的下降、软件能力的提升以及AI的不断进步人形机器人最终一定会成为我们理想中的终极形态。随着具身智能从技术验证走向产业深水区行业比拼的也不再只是单点突破的速度而是谁能更快打通技术创新、场景落地与产业协同之间的链路。面向未来百度智能云也将继续依托AI基础设施与平台能力携手更多产业伙伴加速具身智能在真实场景中的应用落地推动新技术更快转化为新质生产力。全球首款手机“龙虾”应用线下首秀RedClaw养虾派对带你抢跑AI智能时代点击“阅读原文”立即合作咨询