炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！
AI技术已历经三代范式跃迁，从判别式AI到生成式AI、再到Agentic AI，产业形态持续升级；英伟达2025 GTC大会上，我们亦看到Robotic AI的崛起，VLA（Vision Language Action）模型为人形机器人和智能驾驶领域带来积极进展。我们认为人形机器人正受益于AI大模型在语言、视觉等方面的能力演进，助力机器人泛化能力提升和交互体验升级，看好人形机器人领域的技术创新和数据处理方式的变革驱动广阔成长空间；自动驾驶产业从端到端向结合VLM（Vision-Language Models，视觉语言模型）的VLA技术演进，我们预期2025年有望看到VLA量产上车，VLA有望推动高阶智驾商业化进程加速，建议关注Robotic AI时代人形机器人、自动驾驶等高阶AI应用发展及相关产业链标的。
技术突破、数据创新与产业协同共同推动人形机器人向更智能、更实用的阶段迈进。从技术突破来看，英伟达发布的Isaac GR00T N1克服了人形机器人海量训练数据和泛化能力的挑战，实现了从环境理解到动作执行的高效转化，大幅提升了人形机器人的操作能力。此外，银河通用基于合成大数据和VLA大模型推出NaVid模型，有效解决了传统数据收集方式成本高、效率低的问题，实现并完善了人形机器人导航追踪等功能，具有强大泛化能力。数据创新方面，AIRSPEED数据生产平台和群核科技的SpatialVerse平台分别从数据生态和仿真技术角度，为人形机器人训练提供了全面、高质量的数据支持和高效的开发环境。以上成果已在零售、家居、商超、医疗和工业等实体产业中逐步应用，我们认为产业协同有望推动人形机器人在更多领域落地，开启人形机器人产业发展的新篇章。
英伟达软硬件生态夯实自动驾驶基座，从端到端到VLA的产业新技术引人瞩目。结合Drive AGX Thor、Omniverse和Cosmos三大技术平台，英伟达当前可以为汽车自动驾驶产业提供从硬件算力支撑、到自动驾驶算法以及数据引擎的完整解决方案。此外英伟达推出了全栈式安全系统Halos，针对从云端到车端的链路安全进行再升级。产业动态来看，本次GTC大会中，理想、元戎启行等企业发表了端到端、VLA等技术的最新动态，其中理想的MindVLA受到关注。我们认为端到端已成为自动驾驶开发的明确趋势，同时多家企业将端到端模型和VLM模型深度融合。展望2025年，我们预计随着VLA技术量产上车，高阶智驾商业化落地有望加速落地。
具身智能相关技术突破不及预期；智能汽车新技术落地不及预期；AI商业化不及预期。
英伟达宣布Agentic AI时代兴起，C端硬件或成流量入口，B端生产工具有望全面升级
Agentic AI时代兴起，英伟达布局Agentic AI“模型+硬件+生态”
3月18日，英伟达于GTC大会上宣布即将进入代理式AI（Agentic AI）时代。AI已经历了三代技术范式的转变，从判别式AI（语音/图像识别等）到生成式AI、再到Agentic AI。Agentic AI阶段将改变传统AI的被动响应模式，让AI具备自主推理、规划与执行能力。
图表1：从生成式AI迈向智能体AI
资料来源：英伟达GTC2025，中金公司研究部
英伟达全方位布局Agentic AI：1）模型方面，英伟达基于Llama-3.1开发，推出Nano（手机端）、Super（单GPU）、Ultra（多GPU）三版本模型，实现了推理速度提升5倍、复杂决策准确率提高20%[1]；2）硬件方面，英伟达发布Blackwell Ultra GPU，实现复杂推理任务响应速度快至10秒；3）生态方面，英伟达与Oracle合作，通过160+AI工具与100+NIM微服务，实现为企业提供Agent自动化解决方案。
未来展望#1：C端AI Agent或改变内容分发渠道，看好硬件流量入口发展空间
未来用户流量或从多个APP聚合到单一Agent，并影响应用开发商格局。移动互联网时代各类APP负责满足不同垂类场景的需求，用户流量平均地分散于微信（即时通讯）、淘宝（电商）、抖音（短视频）、高德（地图导航）等多个垂直类头部APP，QuestMobile数据显示各类头部APP的MAU接近，这也使得应用开发商在市场竞争中有比较多元的生存路径。到了Agent时代，我们认为垂类Agent主要用于增强特定场景下的生产力，有可能会形成接近当前APP的格局；但通用Agent具备跨场景任务执行能力（如独立甚至同时处理日程管理、商品比价、路线规划），用户流量不再需要分散在多个APP上，而是有可能向单一入口（Agent）聚合。因此，我们认为当技术达到一定成熟度、即通用Agent可完全接管终端交互时，应用开发商的格局或更加趋于集中，少数拥有强劲Agent产品的厂商占据大部分市场，因此手机厂商和互联网厂商均在抢滩AI Agent。
内容分发权力或将转移至AI Agent，催生手机厂商和互联网厂商的入口争夺。移动互联网时代，用户从应用商店手动下载APP、使用APP，这一行为代表了用户人为地将内容分发的权利交给了某个APP（以大众点评为例），传统高MAU的APP制定推送机制并借此向内容生产者（如餐饮商家）收取服务费。而在Agent（APP-less）交互模式下，APP弱化为硬件的后台服务提供方，Agent可以通过语义理解直接调用底层API（如整合携程攻略、头条图文的数据生成餐饮决策），代替APP掌握内容分发的权力，同时由于内容筛选规则的改变，其变现商业模式可能也异于当前。内容分发带来的利润在互联网厂商和手机厂商的总利润中占据较大比重，因此我们看到手机厂商和互联网厂商都希望能构建自己的AI Agent产品来竞逐内容分发的入口控制权，建议关注消费电子终端品牌。
未来展望#2：B端企业生产工具有望全面升级
从场景化到跨领域赋能工作流程，AI Agent有望重塑B2B产业价值链。与通用化模型相比，特定领域数据训练的垂直模型在延迟、准确性和成本方面具备更好的表现，且拥有强化自反馈“数据飞轮”效应。我们认为，B端市场沉淀了海量场景化数据集，有望通过模型训练与微调以深化场景体验与模型的耦合程度，实现AI Agent嵌入企业客户工作并承载业务逻辑。此外，在底层数据打通后，AI Agent可凭借跨API联动重新整合工作流，带动系统整体提质增效。我们认为，AI Agent有望在B端逐步释放AI的核心价值，实现降本提效、优化人机、人人交互协同模式并引领生产关系的变革。
图表2：AI Agent在B端落地价值，提升B端生产效率
资料来源：甲子光年《2024年中国AI Agent行业研究报告》，中金公司研究部
企业端强调投入的产出比，赋能企业效率提升是决策核心考量。企业端在应用背后代表着巨额的资本开支、人力等资源调整成本以及战略转型成本，B端产品的首要目标是实现提升业务效率、降低运营成本、提高创收能力等成本收入端变革，打磨交互体验等则处于次要地位。因此，从长期视角审视，当实现产能的提升幅度超越投入成本且投资回报率ROI>1时，企业通常倾向于采取付费策略。
端到端VLA大模型对人形机器人的推动
Isaac GR00T N1
NVIDIA于2025年3月18日发布了Isaac GR00T 平台的核心成果GR00T N1，标志着人形机器人领域对海量训练数据和泛化能力挑战的克服。Isaac GR00T 是一个研究计划和开发平台，用于通用机器人基础模型和数据流水线，以加速人形机器人开发。Isaac GR00T为开发者提供基础模型（Foundational Models）、合成动作与数据生产力链（Synthetic Motions & Data Generation Pipelines）、Isaac Lab与Isaac Sim和Thor机器人计算机（Thor Robotic Computer），GR00T N1是Isaac GR00T的具体成果。
图表3：基础模型
资料来源：NVIDIA Developer，中金公司研究部
GR00T N1是一款适用于人形机器人的通用基础模型，基于合成数据生成、学习与仿真技术构建，受人类认知启发而采用快、慢思维双系统架构。慢思维系统（Vision-Language Model）基于搭载SmolLM-1.7B的NVIDIA-Eagle构建，通过视觉和语言指令解读环境，使机器人能够对环境和指令进行推理，并深思熟虑后规划正确的行动。快思维系统（Diffusion Transformer）生成连续动作以控制机器人的运动，将慢思维系统制定的行动计划转化为精确、连续的机器人动作。借助这套完整的合成数据生成与机器人学习流程，人形机器人开发者可在全球多种环境中，针对不同机器人形态与任务对GR00T N1进行后期训练。
图表4：GR00T N1工作原理
资料来源：GTC“NVIDIA GTC主题演讲”，中金公司研究部
GR00T N1采用单一模型和权重集，支持在Fourier GR-1和1X Neo等人形机器人上实现操作行为。它展现了跨多种任务的强大泛化能力，包括单臂或双臂抓取和操作物体，以及在手臂间传递物品。此外，它还能执行需要持续上下文理解和综合技能整合的复杂多步骤任务，这些能力使其在物料搬运、包装和检测等领域具有广泛适用性。
GR00T N1的训练数据形成金字塔结构：从基础到顶峰，数据量逐渐减少，而实体特定性逐渐增强，大幅提升了训练效率。金字塔底层是互联网规模的网络数据和人类视频，提供广泛的视觉和语言信息，捕捉人类与物体的交互，揭示自然运动模式和任务语义。中间层整合了由 NVIDIA Omniverse平台生成的合成数据。顶峰则是通过远程操作在多种平台上收集的真实机器人数据，为机器人能力提供精确洞察。这一训练过程通过NVIDIA Isaac GR00T蓝图完成，仅用11小时就生成了超过75万个合成轨迹，相当于6500小时（连续九个月）的人类演示数据。
GR00T N1在三种模拟标准和不同实景任务中都展现出出色的性能。与扩散策略（Diffusion Policy）相比，Isaac GR00T N1模型展现出更平滑流畅的动作表现，同时抓取精度大幅提升，尤其在较小的后期训练数据集上进行微调时优势更明显。实际场景的测试结果表明，GR00T N1不仅学习新任务的效率更高，执行语言指令的精准度也超越了基线方法。
图表5：GR00T N1在不同模拟标准下的性能
资料来源：NVIDIA Developer，中金公司研究部
图表6：GR00T N1在实际场景下的性能
资料来源：NVIDIA Developer，中金公司研究部
银河通用
银河通用在2025年3月17日的GTC大会上分享了新的训练数据收集方式：合成大数据（Synthetic Data），并介绍了基于此技术的VLA模型NaVid。与特斯拉的全自动驾驶（FSD）从真实驾驶场景中获取数据不同，目前人形机器人VLA大模型所采用的主流数据收集方式是雇佣人员远程操作（teleoperation），需要消耗大量时间且成本较高，因此缺乏高效的数据收集方法成为目前VLA模型开发过程中的瓶颈。
图表7：VLA可被应用于自动驾驶与通用机器人
资料来源：GTC “合成大数据驱动的具身端到端VLA大模型”，中金公司研究部
为解决数据收集的瓶颈问题，银河通用提出利用合成大数据作为训练机器人的数据收集方法，具备强大的可扩展性。通过创建自己的目标资产并标注相关信息，该方法可形成大规模的合成数据集，例如DEXGraspNet作为全球首个百万级规模的灵巧手抓取数据集，在五千种不同物体上合成了一百万次灵巧抓取动作。同时，银河通用还研究了大量失败案例以缩小模拟结果与现实世界之间的差距。合成大数据的方法通过整合目标资产信息、动作数据和深度传感器仿真，能够创建一个无需真实数据即可生成海量数据（维权）的环境，从而训练出强大且具有泛化能力的模型。
图表8：替代性数据收集方式：合成大数据
资料来源：GTC “合成大数据驱动的具身端到端VLA大模型”，中金公司研究部
基于合成大数据方法，银河在最新的研究中提出了名为Navid的机器人导航系统。该系统基于一个包含70亿参数的模型，能够同时处理视频流和人类语言指令，实现端到端的导航任务。通过在合成数据上训练，该模型能够在未见过的环境中导航，无需额外的调优或环境映射。
图表9：NaVid工作原理
资料来源：GTC “合成大数据驱动的具身端到端VLA大模型”，中金公司研究部
在NaVid基础上，NaVid 4D能够通过深度信息和通用导航模型解决空间推断能力的不足。深度信息使Navid 4D更好地判断物体的远近，而使用大量数据训练的通用导航模型使Navid 4D能够执行更复杂和多样化的任务，如跟随特定目标、回答关于环境的问题，甚至是在未经过特定训练的情况下跟随动物或机器人狗，减少了学习新技能的边际成本。最新的NaVid能够理解并执行多种更自然和简洁的语言指令，能做到前进、转弯、搜索并跟随人，以及回答关于环境的问题。目前，NaVid已被应用于零售、接待、医疗和工业中。
机器人数据资产推动训练成本下行
机器人训练数据困扰了大部分的机器人整机研发公司。真机数据匮乏，机器人操作数据（如灵巧手抓取）采集成本高，标注复杂（需记录关节参数、力反馈）。多模态对齐难题，视觉、触觉、语言数据需在统一空间对齐，但现有方法（如端到端模型）对未标注模态（如触觉）泛化能力弱。在本次GTC大会上，各公司展示了机器人训练数据的获取和平台，力求改变当前通过人力训练和标注的方式，主要通过3D物理世界，即数字孪生的方式进行。
群核科技在2025年3月17日GTC大会上带来了群核空间智能平台SpatialVerse的介绍，通过提供仿真技术为具身智能机器人提供海量训练数据。SpatialVerse是基于群核科技旗下的酷家乐的3D资产，专注于AI大模型、具身智能、XR等前沿领域，提供高质量的物理真实视觉数据集，帮助人工智能构建高逼真物理世界的数据平台。该平台由来自海内外著名高校计算机、数学等专业领域的深厚科研团队支持，并拥有如2018年发布的全球最大的公开室内场景认知数据集InteriorNet等成果。
图表10：群核科技SpatialVerse结构
资料来源：GTC “3D 物理真实数字资产加速推动机器人开发进程”，中金公司研究部
SpatialVerse的构建基于强大的数字矿山和数据引擎。群核科技旗下的酷家乐拥有高达3.6亿的模型素材和月活跃用户8600万，不断产生符合真实世界认知的家庭、商超、办公、工业等多种风格的设计方案，为SpatialVerse提供海量数据库。数据引擎领域，SpatialVerse为资产部件添加物理约束和属性参数，使资产具备可交互的真实物理表现。在资产分割标注上，SpatialVerse采用自动化技术替代人力标注，提供空间层面、资产实物级别和部件级别的多维度标签，通过SceneGraph场景信息体系构建全面的场景结构信息。SpatialVerse还通过自动化抛洒多样化资产的方式，使资产演变出多种造型，实现场景多样性演变。最后，SpatialVerse打通了酷家乐数据库到多种格式的生成管线，能够快速将数据库中的原资产转化为用户可以直接使用的资产，支持包括NVIDIA IsaacSim、UNREAL和MuJoCo在内的多种仿真引擎的机器人仿真任务开发。
SpatialVerse的优势包括海量数据、极致数据质量、客户定制化需求、物理正确性和数据合规性，目前已广泛应用于机器人领域。SpatialVerse通过感知、决策和执行三个环节，利用仿真技术和虚拟机器人训练道场，为机器人领域提供数据支持，尤其在扫地机器人、厨房机器人、宠物机器人及人形机器人方面有较优成效。通过整合数据生成体系，SpatialVerse能在多个应用场景下快速生成大规模数据，同时确保数据的真实性和合规性，目前已在家庭场景、商超环境中应用，且与人形机器人完成高真实度交互训练。
机器人通用数据开发平台
深圳市人工智能与机器人研究院于2025年3月17日介绍了AIRSPEED数据生产平台，为具身智能机器人训练提供了全面的数据解决方案。AIRSPEED在具身智能产业链中占据重要的生态位，上游供应商如远程操作设备制造商、数据采集设备制造商等面临数据通用性和质量难以统一的问题，形成三大瓶颈之一的“数据孤岛”问题，而下游具身智能模型开发商和机器开发商若直接进行数据生产或寻求上游支持，则会增加研发成本或无法满足数据需求。因此，处于中间数据生态位并提供数据采集生成和处理服务的Airspeed应运而生。
图表11：AIRSPEED数据生产平台生态位
资料来源：GTC “AIRSPEED: 用于具身智能的开源通用数据生产平台 ”，中金公司研究部
AIRSPEED对“数据孤岛”问题采用“应收尽收”的解决方案，对各类真实世界数据、仿真环境数据以及自动化构建的数据集全面兼容和统一利用，直到具身智能的模型和算法收敛，数据资产价值大幅提升。为实现该方案，AIRSPEED需要兼顾技术兼容性和软硬件兼容性，形成高生产柔性的架构设计，作为联通四方的平台，使远程操作设备、机器人设备、仿真平台和数据集都能通过AIRSPEED形成数据流通。
AIRSPEED具有两项突出优势：“万物皆可达”与“万物皆可生”。“万物皆可达”指实现任意机器人形态、任意末端执行器、任意距离与视角和任意场景与操作的适配控制，“万物皆可生”指利用NVIDIA生态系统对任意操作轨迹、任意可交互资产、任意智能体决策和任意物理规律的合成与生成。凭借这些优势，AIRSPEED可以通过多技术途径就实现任意的数据生成。
对于目前具身智能的三大数据瓶颈，AIRSPEED均提供了先进的解决方案。AIRSPEED通过最大化软硬件解耦、广泛兼容各类技术应对成本黑洞，通过最广泛的兼容确保数据丰富度应对“数据孤岛”问题，并通过自动化数据集构建和性能潜力评估方法解决评估空白问题，同时形成数据飞轮实现对模型迭代的6倍加速。
图表12：AIRSPEED对数据瓶颈的解决与模型迭代的加速
资料来源：GTC “AIRSPEED: 用于具身智能的开源通用数据生产平台 ”，中金公司研究部
英伟达夯实自动驾驶软硬件基座，VLA或成为高阶智驾落地的下一抓手
英伟达完善汽车AI生态布局，全面支持端到端等新技术
自动驾驶仍是本次GTC大会关注的重点之一，英伟达软硬生态同步升级、助力自动驾驶演进。结合Drive AGX Thor、Omniverse和Cosmos三大技术平台，英伟达当前可以为汽车自动驾驶产业提供从硬件算力支撑、到自动驾驶算法以及数据引擎的完整解决方案。本次GTC 2025主旨演讲中，英伟达推出了全栈式安全系统Halos，针对从云端到车端的链路安全进行再升级。我们认为，英伟达自动驾驶技术平台布局完善，且充分关注对端到端模型、VLM模型等革新技术的底层支持，其方案的升级迭代有望助推L3+时代的加速落地。
结合本次GTC 2025大会信息，我们看到英伟达在自动驾驶的硬件平台、软件工具、安全性三方面有如下升级——
► Drive AGX Thor：Thor芯片最早在GTC 2022发布，按照算力分为了Thor X（1000TOPS；X-Super为2000 TOPS）、Thor U（500TOPS）以及Thor Z（300TOPS）等系列。在年初的CES大会中，Drive AGX Thor平台成为了焦点，作为集中式计算平台，其整合了芯片、软件栈及生态工具，深度融合生成式AI与VLM，支持实时决策、多传感器融合及端到端自动驾驶系统的开发，覆盖从L2+到L4级别的自动驾驶全场景需求。针对端到端模型，Thor通过引入Blackwell架构的Flash Attention技术、新一代编译引擎、FP8&FP16混合精度等新技术，实现了自动驾驶推理算法的优化。
图表13：Thor GPU基于Blackwell架构
资料来源：GTC“NVIDIA全面赋能端到端自动驾驶”，英伟达官网，中金公司研究部
► 整合Omniverse与Cosmos能力，构建自动驾驶系统闭环开发体系。Omniverse数字孪生平台可提供高精度虚拟仿真环境，覆盖极端天气、复杂交通流等长尾场景，支持百万公里级算法训练与验证；Cosmos世界基础模型则通过可控合成技术动态生成多模态交互数据，强化模型对动态场景的泛化能力。两者协同，可以支持模型蒸馏、闭环训练、合成数据生成等新的端到端模型训练方法，用于开发AI优先的自动驾驶系统，为自动驾驶开发人员提供大规模、可控的合成数据生成引擎，同时大幅降低真实数据依赖与标注成本。
图表14：模型蒸馏、闭环训练和合成数据生成优化自动驾驶模型训练
资料来源：GTC 2025主旨演讲，英伟达官网，中金公司研究部
► 推出全栈式综合安全系统Halos。Halos涵盖芯片、软件、工具和服务，用于确保自动驾驶从云端到车端的安全开发，并聚焦基于AI的端到端技术，具备平台安全、算法安全、生态系统安全三个方面的关键能力。根据主旨演讲，英伟达的芯片、系统、系统软件和算法都经过了第三方的安全评估，以确保其设计能够具有多样性、透明度和可解释性。
下一代VLA模型或成为高阶智驾落地的有力推手
理想发布MindVLA，实现端到端与VLM的深度融合。在GTC 2025大会上，理想汽车智驾负责人贾鹏公布了MindVLA（视觉-语言-行为大模型）的最新进展。该模型通过整合空间智能、语言智能与行为智能，首次将端到端技术与VLM模型深度融合，构建了全栈自研的“机器人大模型”架构。我们认为，MindVLA的核心创新在于：1）空间智能引入3D高斯表征，通过图片RGB进行自监督训练，可以充分利用海量数据实现更好的3D表征；2）语言智能，通过在LLM预训练阶段引入MoE混合专家架构和Sparse Attention技术，实现稀疏化，从而在有限资源下实现更大模型参数量的实时推理；3）行为智能，训练模型自主切换快、慢思考双系统，并结合小词表、投机推理、并行解码等工程优化手段，强化模型的推理性能、使其能够满足自动驾驶对实时性的需求；4）利用扩散模型（Diffusion）生成驾驶轨迹，并结合人类偏好数据集与RLHF（基于人类反馈的强化学习）技术微调，提升了VLA在长尾场景的博弈能力与安全下限。5）强化学习时，通过多视角的场景生成和重建，获得更接近真实世界3D交互环境。
从用户体验看，MindVLA实现了“听得懂、看得见、找得到”的交互能力，使汽车从交通工具成为一个能够沟通、并理解用户意图的“司机”。根据理想官方披露[2]，MindVLA预计在今年7月份会和理想i8同时首发。
图表15：从端到端+VLM到VLA
资料来源：GTC“VLA：迈向自动驾驶物理智能体的关键一步”，理想汽车官网，英伟达官网，中金公司研究部
除理想外，小米、商汤与元戎启行等企业也在GTC2025中展示了端到端、VLA等技术的进展。元戎启行去年9月开始内部研发VLA模型，用于解决复杂的长尾场景，公司预计其VLA模型有望于今年年中量产部署于多款车型上，公司认为VLA仍将面临实时响应和现实世界数据的挑战，针对前者，元戎与英伟达Drive AGX平台深度合作。商汤绝影在GTC中宣布端到端的智驾方案UniAD已获定点并计划2025年量产，其世界模型“开悟”，将能够用“实车道路采集+世界模型生成”双轮驱动，生成长尾场景数据。整体来看，我们认为端到端已成为明确趋势，同时多家车企/自动驾驶公司进一步向VLA演进，将端到端模型和VLM模型深度融合，我们预计2025年，随着VLA技术量产上车，高阶智驾商业化落地有望加速。
风险提示
具身智能相关技术突破不及预期。具身智能对算法、算力、数据的要求更高。具身智能要求算法强调感知的细度与广度、与环境的交互性以及控制的协调性；具身智能算力需要能够快速、实时地处理多模态感知数据；具身智能数据也需要向更大规模、更多模态方向发展。如果算法无法实现对环境的全面感知、理解，无法做出准确合理的运动规划，如果边缘算力无法满足大算力、低时延、低功耗的要求，如果数据无法通过仿真模拟、开源数据集的方式弥补，则会限制具身智能的进一步发展。
智能汽车新技术落地不及预期。智能汽车新技术持续塑造汽车智能感、科技感，技术创新推动整车厂配置更多汽车电子，以丰富驾乘体验。如果新技术落地不及预期，或导致汽车电子配置率下降。
AI商业化不及预期。客户对AI付费意愿和使用习惯存在差异，若缺乏持续使用的动力，AI产品难以成为生活必需品，可能导致用户粘性不足，抑制商业化变现能力。
[1]https://www.nvidia.cn/gtc-global/keynote/
[2]https://www.nvidia.cn/gtc-global/session-catalog/?tab.catalogallsessionstab=16566177511100015Kus&search.industrysegment=option_1559593175456&search=VLA#/session/1727430977700001r2OJ
本文摘自：2025年3月25日已经发布的《AI进化论（10）：GTC2025，从Agentic AI到Robotic AI》
张怡康 分析员 SAC 执证编号：S0080522110007 SFC CE Ref：BTO172
李诗雯 分析员 SAC 执证编号：S0080521070008 SFC CE Ref：BRG963
温晗静 分析员 SAC 执证编号：S0080521070003 SFC CE Ref：BSJ666
查玉洁 分析员 SAC 执证编号：S0080524110001
郑欣怡 分析员 SAC 执证编号：S0080524070006
彭虎 分析员 SAC 执证编号：S0080521020001 SFC CE Ref：BRE806
