2026 奇点智能技术大会 · 议题前瞻演讲嘉宾郎玉川昆仑万维机器人具身算法负责人大会时间2026年11月20-21日 · 北京万达文华酒店一、具身智能的商业化拐点从实验室玩具到生产力工具2024-2025 年具身智能经历了从学术概念到产业热点的跃迁。但真正的商业化拐点取决于三个核心问题的解决核心问题学术现状产业化要求差距泛化能力特定任务 80% 成功率新任务 70% 零样本成功率巨大成本控制单台 50 万实验室单台 10 万-量产5x可靠性100 次试验 1 次失败10000 次运行 1 次失败100x郎玉川的核心判断2026-2027 年是具身智能的量产前夜——算法成熟度接近临界点但工程化和成本控制仍是最大瓶颈。二、VLA 模型部署从云端到边缘的压缩之旅2.1 模型规模与部署约束昆仑万维的 VLAVision-Language-Action模型在云端训练时规模庞大但部署到机器人边缘端面临严苛约束指标云端训练模型边缘部署约束压缩目标参数量7B-70B 10B7x-70x显存占用80GB 16GB5x推理延迟100ms/batch 50ms/sample2x功耗500W 50W10x精度任务成功率85% 75%损失 10pp2.2 模型压缩技术栈# VLA 模型边缘部署压缩流程classVLAEdgeDeployment:def__init__(self,model_path):self.modelload_vla_model(model_path)self.target_constraints{max_params:10_000_000_000,max_memory_gb:16,max_latency_ms:50,max_power_w:50,}defcompress_pipeline(self)-CompressedModel:完整的模型压缩流水线# 步骤 1知识蒸馏# 使用大模型教师指导小模型学生训练studentself._knowledge_distillation(teacherself.model,student_architectureVLA-Small,# 1B paramstemperature2.0,alpha0.7,# 蒸馏损失权重)# 步骤 2量化# INT8 量化权重和激活都量化为 8bitquantizedself._quantize(modelstudent,weight_bits8,activation_bits8,calibration_dataself._get_calibration_dataset(),)# 步骤 3剪枝# 结构化剪枝移除不重要的注意力头和通道prunedself._structured_prune(modelquantized,target_sparsity0.3,# 30% 稀疏度pruning_strategymovement,# 基于权重移动的剪枝)# 步骤 4算子优化# 针对边缘芯片如 NVIDIA Jetson、高通 RB优化算子optimizedself._optimize_operators(modelpruned,target_deviceJetson_AGX_Orin,use_tensorrtTrue,use_cuda_graphTrue,)# 验证确保满足约束assertself._check_constraints(optimized),Compression failed to meet constraintsreturnoptimizeddef_knowledge_distillation(self,teacher,student_architecture,temperature,alpha):知识蒸馏让小学生模仿大老师studentcreate_model(student_architecture)optimizerAdamW(student.parameters(),lr1e-4)forbatchinself.training_data:# 教师输出软标签withtorch.no_grad():teacher_logitsteacher(batch.images,batch.instructions)/temperature teacher_probsF.softmax(teacher_logits,dim-1)# 学生输出student_logitsstudent(batch.images,batch.instructions)/temperature student_probsF.softmax(student_logits,dim-1)# 蒸馏损失KL 散度distill_lossF.kl_div(student_probs.log(),teacher_probs,reductionbatchmean)*(temperature**2)# 硬标签损失hard_lossF.cross_entropy(student_logits,batch.actions)# 总损失lossalpha*distill_loss(1-alpha)*hard_loss loss.backward()optimizer.step()optimizer.zero_grad()returnstudentdef_quantize(self,model,weight_bits,activation_bits,calibration_data):量化降低精度以换取速度和内存fromtorch.quantizationimportquantize_dynamic,prepare,convert# 动态量化仅权重ifweight_bits8andactivation_bits32:quantizedquantize_dynamic(model,{nn.Linear},dtypetorch.qint8)# 静态量化权重 激活elifweight_bits8andactivation_bits8:model.eval()model.qconfigtorch.quantization.get_default_qconfig(fbgemm)prepare(model,inplaceTrue)# 校准withtorch.no_grad():forbatchincalibration_data:model(batch.images,batch.instructions)convert(model,inplaceTrue)quantizedmodelreturnquantized2.3 压缩效果数据压缩步骤参数量显存占用延迟精度损失原始模型70B140GB200ms0%知识蒸馏后1B4GB45ms-3ppINT8 量化后1B2GB25ms-5pp结构化剪枝后700M1.4GB18ms-7pp算子优化后700M1.4GB12ms-7pp三、灵巧手触觉感知从视觉主导到多模态融合3.1 触觉传感器技术对比技术路线分辨率响应速度成本成熟度代表产品电阻式中中低高Tekscan FlexiForce电容式高快中中SynTouch BioTac光学式极高快高低Meta DIGIT压阻式高中中中Intel E1视触觉极高中中低GelSight3.2 多模态融合视觉 触觉 力觉# 多模态感知融合架构classMultimodalPerceptionFusion:def__init__(self):# 视觉编码器self.vision_encoderResNetEncoder(pretrainedTrue)# 触觉编码器self.tactile_encoderTactileCNN(input_channels3,# RGB 触觉图像output_dim256,)# 力觉编码器self.force_encoderForceMLP(input_dim6,# 6 轴力/力矩output_dim128,)# 融合层self.fusion_transformerCrossModalTransformer(d_model512,n_heads8,n_layers6,)# 输出头self.grasp_quality_headnn.Linear(512,1)# 抓取质量评分self.slip_detection_headnn.Linear(512,2)# 滑移检测self.object_pose_headnn.Linear(512,7)# 物体位姿34defforward(self,visual_input,tactile_input,force_input):# 各模态编码visual_featself.vision_encoder(visual_input)# [B, 512]tactile_featself.tactile_encoder(tactile_input)# [B, 256]force_featself.force_encoder(force_input)# [B, 128]# 特征拼接multimodal_feattorch.cat([visual_feat,tactile_feat,force_feat],dim-1)# [B, 512256128] [B, 896]# 投影到统一维度multimodal_featself.projection(multimodal_feat)# [B, 512]# 跨模态融合fusedself.fusion_transformer(multimodal_feat)# 多任务输出grasp_qualitytorch.sigmoid(self.grasp_quality_head(fused))slip_probF.softmax(self.slip_detection_head(fused),dim-1)object_poseself.object_pose_head(fused)return{grasp_quality:grasp_quality,slip_probability:slip_prob,object_pose:object_pose,}defpredict_grasp_success(self,visual,tactile,force)-float:预测抓取成功率outputself.forward(visual,tactile,force)returnoutput[grasp_quality].item()defdetect_slip(self,visual,tactile,force)-bool:检测是否发生滑移outputself.forward(visual,tactile,force)slip_proboutput[slip_probability][0,1].item()# 滑移类别概率returnslip_prob0.53.3 触觉反馈控制# 基于触觉反馈的闭环控制classTactileFeedbackController:def__init__(self,perception_fusion,hand_controller):self.perceptionperception_fusion self.handhand_controller# 控制参数self.grasp_force_threshold2.0# Nself.slip_response_force5.0# Nself.max_force20.0# Ndefexecute_grasp(self,target_object,visual_input):执行抓取带触觉反馈闭环# 阶段 1预抓取视觉引导pre_grasp_poseself.compute_pre_grasp_pose(target_object,visual_input)self.hand.move_to(pre_grasp_pose)# 阶段 2闭合力控制current_force0.0whilecurrent_forceself.grasp_force_threshold:# 逐步增加手指闭合度self.hand.close_fingers(delta0.01)# 读取触觉和力觉反馈tactileself.hand.read_tactile_sensors()forceself.hand.read_force_sensors()# 融合感知perceptionself.perception.forward(visual_input,tactile,force)# 检测滑移ifself.perception.detect_slip(visual_input,tactile,force):# 滑移响应增加抓取力current_forceself.slip_response_force self.hand.apply_force(min(current_force,self.max_force))# 调整手指姿态self.hand.adjust_finger_pose(tactile)# 检查抓取质量grasp_qualityself.perception.predict_grasp_success(visual_input,tactile,force)ifgrasp_quality0.9:break# 抓取质量足够停止闭合current_forceforce.norm()# 阶段 3保持持续监控whileself.hand.is_holding():tactileself.hand.read_tactile_sensors()forceself.hand.read_force_sensors()ifself.perception.detect_slip(visual_input,tactile,force):# 发生滑移紧急响应self.hand.emergency_regrasp()time.sleep(0.01)# 100Hz 控制频率四、Sim-to-Real 迁移从虚拟到现实的鸿沟跨越4.1 Sim-to-Real 的核心挑战挑战仿真环境真实环境差距物理参数精确已知估计误差 10-30%动力学不匹配视觉外观完美渲染光照变化、遮挡、反光感知域偏移触觉反馈理想传感器噪声、延迟、非线性控制不稳定接触动力学简化模型复杂摩擦、形变接触不稳定执行器特性理想电机齿轮间隙、迟滞动作不精确4.2 域随机化 域自适应# Sim-to-Real 迁移训练classSimToRealTransfer:def__init__(self,sim_env,real_env):self.simsim_env self.realreal_env self.policyNonedeftrain_with_domain_randomization(self,num_episodes100000):域随机化在仿真中随机化物理参数训练鲁棒策略forepisodeinrange(num_episodes):# 随机化仿真参数self.sim.randomize_physics(mass_range(0.8,1.2),# 质量 ±20%friction_range(0.5,1.5),# 摩擦系数 ±50%damping_range(0.8,1.2),# 阻尼 ±20%actuator_gain_range(0.9,1.1),# 执行器增益 ±10%)# 随机化视觉参数self.sim.randomize_visual(lighting_range(0.5,1.5),# 光照强度texture_randomizationTrue,# 纹理随机化color_jitterTrue,# 颜色抖动)# 训练策略episode_dataself.sim.run_episode(self.policy)self.policy.update(episode_data)defadapt_with_grasp_gan(self,sim_data,real_data):域自适应使用 GraspGAN 将仿真图像转换为真实风格# GraspGAN将仿真视觉输入转换为真实视觉输入的分布grasp_ganGraspGAN()# 训练 GraspGANgrasp_gan.train(sim_imagessim_data.images,real_imagesreal_data.images,epochs100,)# 使用 GraspGAN 进行推断defadapted_policy(observation):# 将仿真风格的观察转换为真实风格real_style_obsgrasp_gan.translate(observation)# 用训练好的策略执行returnself.policy(real_style_obs)returnadapted_policydeffine_tune_on_real(self,real_episodes1000):在真实环境上微调# 冻结大部分层只微调最后一层forparaminself.policy.parameters():param.requires_gradFalse# 只解冻最后一层forparaminself.policy.final_layer.parameters():param.requires_gradTrue# 真实环境微调forepisodeinrange(real_episodes):real_dataself.real.run_episode(self.policy)self.policy.update(real_data,learning_rate1e-5)4.3 Sim-to-Real 效果数据方法仿真成功率真实成功率迁移损失直接迁移85%35%-50pp域随机化80%55%-25pp域自适应80%65%-15pp域随机化 微调78%72%-6pp完整流程 触觉校准75%70%-5pp五、量产成本控制从原型到商品5.1 成本分解组件原型成本量产目标降本路径机械臂15 万3 万模块化设计、国产减速器灵巧手8 万1.5 万3D 打印 注塑、国产电机视觉系统3 万0.5 万国产相机、算法优化计算单元2 万0.3 万边缘芯片国产化触觉传感器5 万0.8 万批量生产、工艺优化结构件2 万0.4 万钣金替代 CNC、压铸软件/算法5 万0.5 万平台化、复用总计40 万7 万5.7x5.2 量产工程化要点要点一模块化设计机械臂、灵巧手、视觉、计算单元独立模块化可单独升级、维修、替换。要点二标准化接口统一机械接口ISO 9409-1、电气接口CAN/EtherCAT、软件接口ROS 2。要点三自动化测试每台机器人出厂前 100% 全检运动精度、力控精度、视觉标定、安全功能。要点四远程运维4G/5G 远程连接实时监控、故障诊断、软件 OTA 升级。六、参会建议角色重点关注推荐演讲机器人算法工程师VLA 模型压缩、Sim-to-Real、触觉融合郎玉川硬件工程师灵巧手设计、传感器选型、量产工艺郎玉川产品经理商业化路径、成本控制、场景选择郎玉川投资人量产时间表、成本曲线、竞争格局郎玉川七、延伸阅读与资料郎玉川昆仑万维机器人具身智能技术博客昆仑万维具身智能产品白皮书大会官网https://ml-summit.org2026 奇点智能技术大会2026年11月20-21日 · 北京万达文华酒店22 位确认嘉宾 · 18 大前沿议题 · 1000 行业精英立即报名 →
昆仑万维机器人具身智能：从算法到量产的工程实践与商业化路径
2026 奇点智能技术大会 · 议题前瞻演讲嘉宾郎玉川昆仑万维机器人具身算法负责人大会时间2026年11月20-21日 · 北京万达文华酒店一、具身智能的商业化拐点从实验室玩具到生产力工具2024-2025 年具身智能经历了从学术概念到产业热点的跃迁。但真正的商业化拐点取决于三个核心问题的解决核心问题学术现状产业化要求差距泛化能力特定任务 80% 成功率新任务 70% 零样本成功率巨大成本控制单台 50 万实验室单台 10 万-量产5x可靠性100 次试验 1 次失败10000 次运行 1 次失败100x郎玉川的核心判断2026-2027 年是具身智能的量产前夜——算法成熟度接近临界点但工程化和成本控制仍是最大瓶颈。二、VLA 模型部署从云端到边缘的压缩之旅2.1 模型规模与部署约束昆仑万维的 VLAVision-Language-Action模型在云端训练时规模庞大但部署到机器人边缘端面临严苛约束指标云端训练模型边缘部署约束压缩目标参数量7B-70B 10B7x-70x显存占用80GB 16GB5x推理延迟100ms/batch 50ms/sample2x功耗500W 50W10x精度任务成功率85% 75%损失 10pp2.2 模型压缩技术栈# VLA 模型边缘部署压缩流程classVLAEdgeDeployment:def__init__(self,model_path):self.modelload_vla_model(model_path)self.target_constraints{max_params:10_000_000_000,max_memory_gb:16,max_latency_ms:50,max_power_w:50,}defcompress_pipeline(self)-CompressedModel:完整的模型压缩流水线# 步骤 1知识蒸馏# 使用大模型教师指导小模型学生训练studentself._knowledge_distillation(teacherself.model,student_architectureVLA-Small,# 1B paramstemperature2.0,alpha0.7,# 蒸馏损失权重)# 步骤 2量化# INT8 量化权重和激活都量化为 8bitquantizedself._quantize(modelstudent,weight_bits8,activation_bits8,calibration_dataself._get_calibration_dataset(),)# 步骤 3剪枝# 结构化剪枝移除不重要的注意力头和通道prunedself._structured_prune(modelquantized,target_sparsity0.3,# 30% 稀疏度pruning_strategymovement,# 基于权重移动的剪枝)# 步骤 4算子优化# 针对边缘芯片如 NVIDIA Jetson、高通 RB优化算子optimizedself._optimize_operators(modelpruned,target_deviceJetson_AGX_Orin,use_tensorrtTrue,use_cuda_graphTrue,)# 验证确保满足约束assertself._check_constraints(optimized),Compression failed to meet constraintsreturnoptimizeddef_knowledge_distillation(self,teacher,student_architecture,temperature,alpha):知识蒸馏让小学生模仿大老师studentcreate_model(student_architecture)optimizerAdamW(student.parameters(),lr1e-4)forbatchinself.training_data:# 教师输出软标签withtorch.no_grad():teacher_logitsteacher(batch.images,batch.instructions)/temperature teacher_probsF.softmax(teacher_logits,dim-1)# 学生输出student_logitsstudent(batch.images,batch.instructions)/temperature student_probsF.softmax(student_logits,dim-1)# 蒸馏损失KL 散度distill_lossF.kl_div(student_probs.log(),teacher_probs,reductionbatchmean)*(temperature**2)# 硬标签损失hard_lossF.cross_entropy(student_logits,batch.actions)# 总损失lossalpha*distill_loss(1-alpha)*hard_loss loss.backward()optimizer.step()optimizer.zero_grad()returnstudentdef_quantize(self,model,weight_bits,activation_bits,calibration_data):量化降低精度以换取速度和内存fromtorch.quantizationimportquantize_dynamic,prepare,convert# 动态量化仅权重ifweight_bits8andactivation_bits32:quantizedquantize_dynamic(model,{nn.Linear},dtypetorch.qint8)# 静态量化权重 激活elifweight_bits8andactivation_bits8:model.eval()model.qconfigtorch.quantization.get_default_qconfig(fbgemm)prepare(model,inplaceTrue)# 校准withtorch.no_grad():forbatchincalibration_data:model(batch.images,batch.instructions)convert(model,inplaceTrue)quantizedmodelreturnquantized2.3 压缩效果数据压缩步骤参数量显存占用延迟精度损失原始模型70B140GB200ms0%知识蒸馏后1B4GB45ms-3ppINT8 量化后1B2GB25ms-5pp结构化剪枝后700M1.4GB18ms-7pp算子优化后700M1.4GB12ms-7pp三、灵巧手触觉感知从视觉主导到多模态融合3.1 触觉传感器技术对比技术路线分辨率响应速度成本成熟度代表产品电阻式中中低高Tekscan FlexiForce电容式高快中中SynTouch BioTac光学式极高快高低Meta DIGIT压阻式高中中中Intel E1视触觉极高中中低GelSight3.2 多模态融合视觉 触觉 力觉# 多模态感知融合架构classMultimodalPerceptionFusion:def__init__(self):# 视觉编码器self.vision_encoderResNetEncoder(pretrainedTrue)# 触觉编码器self.tactile_encoderTactileCNN(input_channels3,# RGB 触觉图像output_dim256,)# 力觉编码器self.force_encoderForceMLP(input_dim6,# 6 轴力/力矩output_dim128,)# 融合层self.fusion_transformerCrossModalTransformer(d_model512,n_heads8,n_layers6,)# 输出头self.grasp_quality_headnn.Linear(512,1)# 抓取质量评分self.slip_detection_headnn.Linear(512,2)# 滑移检测self.object_pose_headnn.Linear(512,7)# 物体位姿34defforward(self,visual_input,tactile_input,force_input):# 各模态编码visual_featself.vision_encoder(visual_input)# [B, 512]tactile_featself.tactile_encoder(tactile_input)# [B, 256]force_featself.force_encoder(force_input)# [B, 128]# 特征拼接multimodal_feattorch.cat([visual_feat,tactile_feat,force_feat],dim-1)# [B, 512256128] [B, 896]# 投影到统一维度multimodal_featself.projection(multimodal_feat)# [B, 512]# 跨模态融合fusedself.fusion_transformer(multimodal_feat)# 多任务输出grasp_qualitytorch.sigmoid(self.grasp_quality_head(fused))slip_probF.softmax(self.slip_detection_head(fused),dim-1)object_poseself.object_pose_head(fused)return{grasp_quality:grasp_quality,slip_probability:slip_prob,object_pose:object_pose,}defpredict_grasp_success(self,visual,tactile,force)-float:预测抓取成功率outputself.forward(visual,tactile,force)returnoutput[grasp_quality].item()defdetect_slip(self,visual,tactile,force)-bool:检测是否发生滑移outputself.forward(visual,tactile,force)slip_proboutput[slip_probability][0,1].item()# 滑移类别概率returnslip_prob0.53.3 触觉反馈控制# 基于触觉反馈的闭环控制classTactileFeedbackController:def__init__(self,perception_fusion,hand_controller):self.perceptionperception_fusion self.handhand_controller# 控制参数self.grasp_force_threshold2.0# Nself.slip_response_force5.0# Nself.max_force20.0# Ndefexecute_grasp(self,target_object,visual_input):执行抓取带触觉反馈闭环# 阶段 1预抓取视觉引导pre_grasp_poseself.compute_pre_grasp_pose(target_object,visual_input)self.hand.move_to(pre_grasp_pose)# 阶段 2闭合力控制current_force0.0whilecurrent_forceself.grasp_force_threshold:# 逐步增加手指闭合度self.hand.close_fingers(delta0.01)# 读取触觉和力觉反馈tactileself.hand.read_tactile_sensors()forceself.hand.read_force_sensors()# 融合感知perceptionself.perception.forward(visual_input,tactile,force)# 检测滑移ifself.perception.detect_slip(visual_input,tactile,force):# 滑移响应增加抓取力current_forceself.slip_response_force self.hand.apply_force(min(current_force,self.max_force))# 调整手指姿态self.hand.adjust_finger_pose(tactile)# 检查抓取质量grasp_qualityself.perception.predict_grasp_success(visual_input,tactile,force)ifgrasp_quality0.9:break# 抓取质量足够停止闭合current_forceforce.norm()# 阶段 3保持持续监控whileself.hand.is_holding():tactileself.hand.read_tactile_sensors()forceself.hand.read_force_sensors()ifself.perception.detect_slip(visual_input,tactile,force):# 发生滑移紧急响应self.hand.emergency_regrasp()time.sleep(0.01)# 100Hz 控制频率四、Sim-to-Real 迁移从虚拟到现实的鸿沟跨越4.1 Sim-to-Real 的核心挑战挑战仿真环境真实环境差距物理参数精确已知估计误差 10-30%动力学不匹配视觉外观完美渲染光照变化、遮挡、反光感知域偏移触觉反馈理想传感器噪声、延迟、非线性控制不稳定接触动力学简化模型复杂摩擦、形变接触不稳定执行器特性理想电机齿轮间隙、迟滞动作不精确4.2 域随机化 域自适应# Sim-to-Real 迁移训练classSimToRealTransfer:def__init__(self,sim_env,real_env):self.simsim_env self.realreal_env self.policyNonedeftrain_with_domain_randomization(self,num_episodes100000):域随机化在仿真中随机化物理参数训练鲁棒策略forepisodeinrange(num_episodes):# 随机化仿真参数self.sim.randomize_physics(mass_range(0.8,1.2),# 质量 ±20%friction_range(0.5,1.5),# 摩擦系数 ±50%damping_range(0.8,1.2),# 阻尼 ±20%actuator_gain_range(0.9,1.1),# 执行器增益 ±10%)# 随机化视觉参数self.sim.randomize_visual(lighting_range(0.5,1.5),# 光照强度texture_randomizationTrue,# 纹理随机化color_jitterTrue,# 颜色抖动)# 训练策略episode_dataself.sim.run_episode(self.policy)self.policy.update(episode_data)defadapt_with_grasp_gan(self,sim_data,real_data):域自适应使用 GraspGAN 将仿真图像转换为真实风格# GraspGAN将仿真视觉输入转换为真实视觉输入的分布grasp_ganGraspGAN()# 训练 GraspGANgrasp_gan.train(sim_imagessim_data.images,real_imagesreal_data.images,epochs100,)# 使用 GraspGAN 进行推断defadapted_policy(observation):# 将仿真风格的观察转换为真实风格real_style_obsgrasp_gan.translate(observation)# 用训练好的策略执行returnself.policy(real_style_obs)returnadapted_policydeffine_tune_on_real(self,real_episodes1000):在真实环境上微调# 冻结大部分层只微调最后一层forparaminself.policy.parameters():param.requires_gradFalse# 只解冻最后一层forparaminself.policy.final_layer.parameters():param.requires_gradTrue# 真实环境微调forepisodeinrange(real_episodes):real_dataself.real.run_episode(self.policy)self.policy.update(real_data,learning_rate1e-5)4.3 Sim-to-Real 效果数据方法仿真成功率真实成功率迁移损失直接迁移85%35%-50pp域随机化80%55%-25pp域自适应80%65%-15pp域随机化 微调78%72%-6pp完整流程 触觉校准75%70%-5pp五、量产成本控制从原型到商品5.1 成本分解组件原型成本量产目标降本路径机械臂15 万3 万模块化设计、国产减速器灵巧手8 万1.5 万3D 打印 注塑、国产电机视觉系统3 万0.5 万国产相机、算法优化计算单元2 万0.3 万边缘芯片国产化触觉传感器5 万0.8 万批量生产、工艺优化结构件2 万0.4 万钣金替代 CNC、压铸软件/算法5 万0.5 万平台化、复用总计40 万7 万5.7x5.2 量产工程化要点要点一模块化设计机械臂、灵巧手、视觉、计算单元独立模块化可单独升级、维修、替换。要点二标准化接口统一机械接口ISO 9409-1、电气接口CAN/EtherCAT、软件接口ROS 2。要点三自动化测试每台机器人出厂前 100% 全检运动精度、力控精度、视觉标定、安全功能。要点四远程运维4G/5G 远程连接实时监控、故障诊断、软件 OTA 升级。六、参会建议角色重点关注推荐演讲机器人算法工程师VLA 模型压缩、Sim-to-Real、触觉融合郎玉川硬件工程师灵巧手设计、传感器选型、量产工艺郎玉川产品经理商业化路径、成本控制、场景选择郎玉川投资人量产时间表、成本曲线、竞争格局郎玉川七、延伸阅读与资料郎玉川昆仑万维机器人具身智能技术博客昆仑万维具身智能产品白皮书大会官网https://ml-summit.org2026 奇点智能技术大会2026年11月20-21日 · 北京万达文华酒店22 位确认嘉宾 · 18 大前沿议题 · 1000 行业精英立即报名 →