2024 年 7 月，OpenAI 公司向公眾披露了其對 AI 發(fā)展階段的界定標準，以幫助人們更清晰地理解 AI 的安全和未來(lái)發(fā)展。
結合文本、語(yǔ)音、圖像等多模態(tài)能力的大模型不僅改變了人機交互方式，還催生了新的“工種”——智能體。
業(yè)界通常認為，AI 智能體是指具有自主性、反應性、交互性等特征的智能“代理”，能夠自主理解、規劃決策并執行復雜任
務(wù)。其核心在于自主性的增強，即能夠獨立完成某項工作，無(wú)需人類(lèi)進(jìn)行過(guò)多的審核校正，可以顯著(zhù)降低時(shí)間、金錢(qián)
等成本。對于人來(lái)說(shuō)，這將極大程度地解放生產(chǎn)力，助力創(chuàng )新和提升效率。特別是通過(guò)在個(gè)人智能終端或邊緣設備
（如電腦、手機、平板、頭顯乃至汽車(chē)）上運行 AI 大模型壓縮技術(shù)，通過(guò)自然交互接收指令并執行推理，形成個(gè)人智
能體（Agent）。
在這些搭載了智能體的設備上，AI 大模型能夠依據個(gè)人旅行記錄、購物偏好等信息，更好地進(jìn)行推理并采取行動(dòng)；它甚至可以根據用戶(hù)的思維模式和行為頻率預測下一個(gè)任務(wù)，并主動(dòng)提出建議、自主尋找解決方案，
促使人機之間形成更佳的協(xié)同關(guān)系。最終，智能化系統將逐漸具備自主決策和行動(dòng)能力，不僅能提供建議，更能代
表人類(lèi)行動(dòng)和自主處理信息——人與機器之間的界限將被重新界定。
強大的生成能力使 AI 能夠在沒(méi)有直接人類(lèi)指令的情況下創(chuàng )作出全新的作品;便利的自然語(yǔ)言交互;廣泛的應用場(chǎng)景可以在醫療診斷、金融分析和技術(shù)故障排查等領(lǐng)域 發(fā)揮重要作用
起步發(fā)展期（1943-1960 年）;黃金時(shí)代（1960-1974 年）;第一次寒冬（1974-1980 年）;再次繁榮（1980-1987 年）;第二次寒冬（1987-1993 年）;深化發(fā)展（1993-2015 年）
體能型和智能型,聚焦兩大商業(yè)化落地場(chǎng)景的方向;體能型以美國波士頓動(dòng)力的Atlas,特斯拉Optimus為代表;智能型以香港Hanson Robotics的Sophia以及英國Engineered Arts的Ameca為代表
厘清具身智能的概念內涵、演進(jìn)歷程、技術(shù)體系，通過(guò)梳理當前具身智能技術(shù)發(fā)展現狀，研判分析 具身智能應用潛力與可能影響，提出面臨的問(wèn)題挑戰，展望思維智 能和行動(dòng)智能融合的未來(lái)發(fā)展趨勢
通過(guò)對“醫”、“食”、 “住”、“行”、“城市”、“企業(yè)”、“能源”、“數字可信”八個(gè)維度在下一個(gè)十年的展望，來(lái)嘗試 描繪智能世界 2030 的美好圖景，智能 世界擁有無(wú)限可能
性關(guān)鍵技術(shù)和應用開(kāi)發(fā)類(lèi)計劃項目形成 標準成果的比例達到 60％以上,標準與產(chǎn)業(yè)科技創(chuàng )新的聯(lián) 動(dòng)水平持續提升,新制定國家標準和行業(yè)標準50 項以上
人形市場(chǎng)對比分析、國內人形創(chuàng )企對比分析、人形公司基本概述、融資情況、人形機器人產(chǎn)品及參數、產(chǎn)品迭代及商業(yè)化進(jìn)展、眾人形機器人產(chǎn)品參數和商業(yè)化進(jìn)展對比、人形機器人領(lǐng)域核心技術(shù)
深入分析了全球存儲行業(yè)的現狀與格局�？梢哉f(shuō)，存儲行業(yè)的“強者恒強”趨勢十分明顯;未來(lái)全球數據量將以每年超過(guò)30%的速度增長(cháng)
安全監測智 能布控球 危險作業(yè)安 全監測預警 設備及系統 人員定位監 測預警系統 有限空間數 據采集預警 裝備 工業(yè)聲紋監 測設備 無(wú)線(xiàn)無(wú)源超 聲波測厚設 備
科技板塊市值權重有較大提升空間， 部分估值已具備優(yōu)勢；隨著(zhù)近年持續向創(chuàng )新驅動(dòng)轉 型，盈利相對優(yōu)勢提升，中國科技股投資性?xún)r(jià)比突出
2023年中國低空經(jīng)濟規模突破5000億元，2026年有望突破10000億元。低空經(jīng)濟存在 三層萬(wàn)億空間，第一層是低空飛行活動(dòng)牽引，第二層是低空空域管理與開(kāi)發(fā)利用帶動(dòng)
視頻生成模型算法主要由基于SD逐幀生成和基于時(shí)空Patches兩種范式構成，是效率與效益的比拼;Sora訓練算力需求是GPT-4的4.5倍，而推理算力需求接近GPT-4的400倍
