作為深耕高等教育數字化的知識型企業，卓越睿新並非通用大模型廠商，其核心資產在於多年積累的全學科知識圖譜與千萬級結構化知識單元。在通用大模型向產業縱深滲透的過程中，高質量知識資產已成為關鍵瓶頸，這一積累正逐步構成AI落地的底層基礎設施。本次中期報吿顯示，公司已全面擁抱AI，從收入分類的命名調整，到產品體系與外部合作的同步佈局，均指向同一方向。
一、業績概覽：收入結構呈現結構性變化2026年上半年，卓越睿新實現營業收入3.279億元，同比增長19.1%；毛利率由46.9%提升至50.4%。除收入與毛利率外，收入結構的變動更值得關注。
本次中期報吿對收入分類的命名進行了調整，原「數字化教學內容服務」更名為「AI知識資產建設」，原「數字化教學環境服務」更名為「AI智能體及虛實場景」。收入分類是財報對業務本質的定義框架，調整後公司全部營業收入3.279億元均歸入這兩項以「AI」命名的分類，AI業務已覆蓋收入全口徑。命名調整與業務結構變化的方向一致：AI知識資產建設業務構成收入基本盤，AI智能體及虛實場景業務增速顯著高於整體。與之呼應，公司產品體系以自研「大明白」多智能體平台為核心，並與阿里雲、火山引擎、百度等AI頭部企業先後達成深度合作。收入分類、產品體系與外部合作同步轉向AI，公司定位由教育數字化服務向AI知識基礎設施的整體切換由此確立。
從結構看，AI知識資產建設業務構成收入基本盤，增速保持穩定；AI智能體及虛實場景收入基數相對較小，但增速顯著高於整體，收入佔比持續提升。增長並非整體均攤，而是由業務結構調整所驅動。
毛利率方面，AI智能體及虛實場景業務毛利率達到70.7%，明顯高於AI知識資產建設業務。高毛利業務佔比上升，帶動整體毛利率提升3.5個百分點。毛利率改善主要源於業務結構優化，而非單一產品提價。
在手訂單5.054億元，同比增長34.7%，排產已覆蓋至2028年。訂單轉化為收入的節奏受客户驗收及交付進度等因素影響，將在後續財報中逐步體現。
二、產業邏輯：AI頭部企業為何集中落子2026年6月22日，卓越睿新與阿里雲簽署全面深度合作框架協議。雙方基於阿里雲開源的AgentScope Java框架，融合通義千問3.7-Max、CosyVoice、通義聽悟等模型能力，聯合打造多智能體平台"大明白Polymas"，構建"高質量Token+AI+實體場景"的技術架構。7月20日，火山引擎加入合作，圍繞豆包大模型知識精調、虛實融合實訓、AI音視頻互動教學等方向展開協同。8月，百度的深度合作正式落地。
兩個月內，三家國內AI頭部企業先後與卓越睿新達成深度合作，背景在於通用大模型向產業縱深滲透過程中，對體系化、高質量知識底座的需求日益凸顯。卓越睿新近二十年在高校教學一線積累的全學科知識圖譜與千萬級結構化知識單元，是專業場景落地中較為稀缺的資源。此類知識積累難以通過資本投入速成，須在實際教學場景中反覆驗證與迭代，時間維度構成較深的進入壁壘。
三、產品矩陣：從"大明白"到多智能體卓越睿新的AI佈局具備長期積累，產品矩陣呈現清晰的技術演進路徑。
自研大模型方面，2025年11月12日，卓越睿新自研的"大明白"模型通過上海市網信辦生成式人工智能服務備案，成為國內首批完成監管備案的垂直教育大模型之一。該事件標誌着卓越睿新從知識數字化向AI基礎設施方向推進的關鍵節點，也為後續與阿里雲、火山引擎、百度的深度合作奠定了合規基礎。
學科專屬大模型方面，以與哈爾濱工程大學共同研發的"興海"大模型為代表，卓越睿新已聯合多所院校推進學科專屬模型落地。與通用大模型的泛化路線不同，此類模型聚焦特定學科領域，深度理解專業知識體系與教學邏輯，在精準度與可用性上實現差異化。
由此，卓越睿新已構建"通用垂直大模型+學科專屬模型"的雙層架構，為AI產品矩陣提供技術底座。
四、場景突破：國際化佈局加速，跨行業場景深度落地2026年，卓越睿新的應用場景從高等院校延伸至三甲醫院、央企科研體系與海外市場。在醫院場景，公司與上海交通大學醫學院附屬第六人民醫院合作，依託Polymas多智能體平台構建"醫學知識圖譜+臨牀思維智能體"解決方案，將知識底座能力延伸至醫療領域。在央企場景，公司與中國機械科學研究總院集團有限公司合作，基於知識底座與Polymas平台，為先進製造領域的科研知識管理與人才培養提供AI解決方案。在海外場景，公司已與馬來亞大學等東南亞地區高校及"一帶一路"沿線國家教育機構達成合作，以標準化知識圖譜與智能體平台輸出AI教育基礎設施，探索知識資產的國際化複製路徑。
這一拓展的意義在於，卓越睿新的定位正從"教育數字化解決方案提供商"向"AI知識基礎設施"升級。高校場景驗證了知識圖譜與智能體的產品形態，醫院與央企場景檢驗了知識底座的行業通用性，海外場景則進一步驗證了跨地域、跨文化的複製能力。跨行業複製的邊際成本較低，同一套知識Token底座與Polymas平台僅需適配行業知識即可進入新場景。MCP協議、DAG編排、Polymas平台等技術底座的成熟，使公司得以標準化方式向新行業輸出AI能力，"一次構建、跨行業複用"的路徑構成競爭對手在時間與成本上的追趕壁壘。
五、結語AI競爭正從通用模型層面向產業應用層面轉移，核心壁壘由算力與參數量逐漸轉向高質量專業知識、可交付工作流及深度場景嵌入能力。卓越睿新多年積累的全學科知識資產，在AI產業化進程中逐步顯現基礎設施價值。從"教育數字化"到"AI知識基礎設施"的角色升級，既源於公司長期戰略佈局，亦是知識資產在AI產業化進程中價值兑現的自然結果。
研發投入是判斷一家科技企業技術成色最直接的財務錨點。卓越睿新(2687.HK)2026年中期業績公吿顯示，報吿期內研發開支達人民幣1.02億元，同比增長26.1%，研發費用率達到31.3%。資金投向高度聚焦——自研知識領域垂直大模型"大明白"的V5版本迭代是核心中的核心。
一、"大明白"V5：高教垂直領域全模態大模型的能力躍遷
"大明白"的核心定位是高教垂直領域全模態大模型——基於備案通過的自研模型，沉澱二十年結構化學科知識資產，打造"模型+知識+交付"一體化的高教專屬AI引擎，讓AI真正融入教學全流程。V5不是一次常規參數調優，而是一次能力維度的系統性升級。
從底座看，V5新增自研VOM(虛擬對象模型)與VLM(視覺語言模型)，接入World Labs世界模型，支持文本、語音、圖像及3D虛實內容生成，打破單一交互限制。七層全模態矩陣——LLM、VLM、VOM、ASR、TTS、3DM、WM——從底層模型算法、中層數據引擎到上層交互載體實現全鏈路自研覆蓋。
從知識看，V5依託全學科知識圖譜，顯著提升專業課問答與公式推導準確率，從源頭降低AI幻覺風險。每一個知識節點均附着專家推理鏈條——判別標準、推導過程、邊界條件及典型錯誤路徑，這些帶有專家級因果邏輯的結構化數據，對大模型微調的訓練價值遠高於等量級的一般語料。
從承載看，V5支持高校大規模併發訪問，月消耗token超8,000億，穩定支撐萬人級教學與科研場景。8,000億月token意味着"大明白"已跨越實驗室驗證階段，進入了高頻次、大規模的真實教學科研場景——對於垂直大模型而言，token調用量不僅是技術指標，更是商業化成熟度的直接體現。
二、多智能體協同：從V4"單智能體"到V5"多Agent分工配合"
V5最具架構意義的升級，是多智能體協同能力的成型。簡單講：多個專業AI角色分工配合、共同完成一件複雜高校任務，不是單個大模型單打獨鬥。
V4時代是單智能體架構，一次只能做一類工作——比如只負責備課，或者只負責學情分析；遇到跨環節複雜任務，需要分步串行執行，效率和連貫性受限。
V5升級為多智能體協同架構，可以同時調度不同職能Agent：學科知識Agent負責專業知識推理與問答，實驗仿真Agent負責三維物理實驗的建模與實時反饋，學情評測Agent負責學習數據分析與自適應出題，3D場景生成Agent負責沉浸式虛實空間的實時構建。多個Agent並行協作、互相調用，一個複雜教學任務——從備課、知識講解、實驗操作到學情評測——可以在同一智能體集羣內端到端完成。
這一架構的工程化載體，是公司與阿里雲基於開源AgentScope Java框架聯合打造的多Agent平台"大明白Polymas"。公吿在未來展望中進一步明確，將持續迭代"萬象多智能體體系"，完善"結構化知識底座+多Agent場景應用+三維虛實實訓"一體化產品矩陣。多智能體協同不是技術概念的包裝，而是讓AI從"對話式助手"升級為"執行式同事"的關鍵架構躍遷——這也是通用大模型在垂直場景落地時最難跨越的工程鴻溝。
三、深耕教育 vs 通用模型：三個核心差異
在通用大模型能力飛速提升的背景下，"垂直大模型是否還有存在必要"是市場關注的核心問題。公司以業務出發，從數據、價值、合規三個維度，給出了"大明白"V5區別於通用大模型的清晰答案。
數據：沉澱20年高校結構化知識 vs 海量互聯網公開數據。通用大模型基於海量互聯網公開數據訓練，缺乏垂直領域深度與專業度；"大明白"沉澱20年高校結構化知識與全流程數據，拒絕通用互聯網噪聲，搭建全鏈路信源可追溯的循證式知識底座。整套知識資產涵蓋全學科專業理論與學術文獻、實訓素材與能力模型、實驗與課題成果、培養方案與測評標準、驗證過程及糾錯案例——源自真實學術實踐，不存在公開批量獲取通道，新進入者無法通過短期投入彌補這一時間維度的積累差距。
價值：極低幻覺、原生適配教務系統 vs 專業領域易產生幻覺、需大量二次開發。通用大模型的輸出本質是基於概率的文本生成，在專業領域易產生幻覺，需大量二次開發才能適配學術領域相關流程；"大明白"背後的知識圖譜將學科知識淬鍊為承載專家推理路徑的語義網絡，賦予大模型專業級的推理精度與邏輯嚴謹性，實現極低幻覺，原生適配教務系統，可直接生成教案、實驗方案。配合V5新增的VOM/VLM與World Labs世界模型，"大明白"更將能力從二維文本延伸至三維物理空間，支持物理AI虛擬實驗中的空間推理、操作邏輯與實時反饋——這是純文本或圖像驅動的通用大模型目前不具備的能力維度。
合規：已完成場景備案 vs 通用合規框架需客户自行校驗。"大明白"已完成場景備案，嚴格匹配教學科研內容合規與版權要求；通用模型僅提供通用合規框架，需客户自行校驗教育或科研場景的合規性與版權風險。在教育這一對內容安全和知識產權高度敏感的賽道，合規能力本身就是競爭壁壘——報吿期內公司平台數據已直接接入教育部等國家級平台，合規水平經過最高級別場景驗證。
值得注意的是，通用大模型廠商自身也用腳投票。報吿期內，公司在兩個月內相繼與阿里雲、火山引擎、百度智能雲三家頭部通用大模型廠商簽署戰略合作。通用模型廠商選擇協同而非替代，本質上印證了"大明白"在行業數據層和場景交互層的不可替代性——通用基座提供基礎算力與通用能力，垂直模型提供專業知識與落地交付，二者構成互補而非競爭關係。
總結：通用模型輸出"答案"，"大明白"V5輸出"可落地的高教解決方案"，實現從"對話"到"交付"的質的飛躍。
四、數據與模型的複利飛輪
研發投入的長期價值不止於模型本身，更在於數據與模型之間已形成雙向複利循環。公吿揭示了一個"數據—模型—交互—實踐—數據"的完整閉環：高質量專業語料持續提升模型在垂直場景中的表現，模型能力的進步又催生新的數據類型與應用場景，反哺數據資產的厚度與廣度；知識圖譜的持續擴容直接提升智能體的推理質量，智能體的交互日誌又反哺知識圖譜的優化方向。這個內部飛輪意味着產品迭代不受外部環節制約，且每一次服務交付都在加厚競爭壁壘。
飛輪的運轉離不開一線服務網絡的支撐。公司採用FDE(Forward Deployed Engineer，前線部署工程師)模式，工程師深入合作高校與科研一線，與客户團隊共建、共研、共同交付。FDE網絡已覆蓋全國95個城市、251個客户服務中心，同一交付週期內可並行交付逾三千個項目。一線場景中產生的教學模式、學科洞察與交互數據，通過FDE網絡持續迴流至公司數據資產池，形成"越服務越智能"的正向增強迴路。數據資產的"時效不可複製性"正源於此——依託龐大機構客户羣的持續使用，數據保持"活體"更新而非一次性靜態語料庫。
五、研發投入的長期承諾
從資源配置看，公司對研發的戰略傾斜具有制度性保障。IPO全球發售所得款項淨額中，36.7%(約1.58億港元)明確分配至研發領域，包括招聘及培訓研發人員、完善研發基礎設施；另有21.4%(約9,240萬港元)用於建設知識圖譜構建中心。截至報吿期末，研發相關所得款項已動用7,960萬港元，剩餘7,870萬港元將在2030年底前持續投入。公司員工總數達2,873人，研發團隊擴張是僱員開支上升的主要原因之一。
展望未來，公司明確表示將持續加碼AI資本開支投入，持續擴容算力集羣、完善多模態訓練基礎設施、搭建MCP智能體開發底座、迭代DAG小模型訓練調度體系，持續迭代"大明白"全模態大模型、Polymas數據平台、物理AI虛實實驗及萬象多智能體體系。31.3%的研發費用率不是財務負擔，而是對自研技術、行業數據和深度交付三大互鎖壁壘的持續加註。
格隆匯8月27日丨卓越睿新(02687.HK)發佈公吿，自2026年9月21日上午九時正起，公司境外上市外資股(“H股”)於聯交所主板買賣的每手買賣單位將由100股H股變更為50股H股。
格隆匯8月27日丨卓越睿新(02687.HK)發佈公吿，根據指引及考慮到公司自股東接獲參與H股全流通的意向，2026年8月27日，董事會已考慮及批准建議實施公司股東(“參與股東”)持有的公司471.39萬股境內未上市股份轉為公司H股(“H股全流通”)，佔公司於本公吿日期已發行股本總額約7.0708%。本次H股全流通擬申請流通的境內未上市股份數量尚需中國證監會備案及聯交所批准，並在H股全流通完成前公司若向現有股東派送紅股及資本公積轉增股本事項時進行相應調整。
格隆匯8月27日丨卓越睿新(02687.HK)公佈中期業績，截至2026年6月30日止六個月，報吿期內，公司聚焦AI知識資產建設與AI智能體及虛實場景兩大核心業務，持續深化人工智能與教育場景的深度融合，經營業績保持快速增長。截至2026年6月30日，集團實現總收入人民幣3.28億元，較上年同期增長19.1%。在手訂單為人民幣5.05億元，較上年同期增長34.7%，為未來收入增長提供有力支撐。服務客户總數達1,266家，較上年同期淨增123家，其中33家來自燈塔客户，客户覆蓋廣度與市場滲透率穩步提升。
客户結構持續向高質量方向優化。年交易額超百萬元的高價值客户數量同比增長26.7%，貢獻收入增長36.7%，增速約為整體收入的1.9倍，高價值客羣已成為收入增長的重要驅動力。高價值客户收入佔比由29.0%提升至33.3%，平均收入由人民幣177.4萬元提升至191.5萬元，量、價、佔比同步改善，收入結構穩步向好。
在北大醫學未來學習中心， 卓越睿新的FDE團隊與基礎醫學教師並肩工作了數月。 他們不是來賣系統的， 而是把課堂裏「講不清、 看不見、 做不了 」的痛點， 逐條翻譯成可運行的數字化教學資產。 這種被業內稱為FDE( Forward Deployed Engineer， 前線部署工程師) 的工作方式， 正在成為AI產業從「能演示」走向「能交付 」的關鍵分水嶺。
AI落地的鴻溝： Demo很豐滿， 生產很骨感
2026年， AI行業正經歷一場集體反思。 過去三年， 企業比拼的是模型參數規模和評測榜單； 進入2026年， 共識已經轉向： 模型能力不再稀缺， 能在真實業務場景中跑通、 產生可量化回報的能力， 才掌握定價權。
一個被反覆提及的行業痛點是——大量企業採購了大模型， 但項目停在演示階段。 一進生產就撞上各種牆： 老系統連不上、 數據散落各處、 業務方説不清具體需求、 合規權限過不了關。 從Demo到真正能用的成品之間， 橫亙着一道巨大的「履約鴻溝」。
這道鴻溝在高等教育場景尤為突出。 高校學科體系龐雜、 教學標準嚴格、 知識容錯率極低—— 一個醫學概念的偏差可能誤導未來的臨牀決策， 一個物理公式的簡化可能動搖整個知識鏈條的嚴謹性。 通用大模型「什麼都懂一點、 什麼都不精 」的短板， 在這裏被放大到極致。
FDE為什麼突然成了行業「硬通貨」
FDE並非新概念。 它最早被海外科技公司用來描述派駐客户一線的「產品化工程師」——既不是傳統售前， 也不是後台研發， 而是一手紮根真實業務現場、 一手握着工程能力的複合角色。
但2026年， 這個角色突然被推到了產業舞台中央。 標誌性事件是： 今年5月， OpenAI宣佈成立OpenAI Deployment Company， 計劃將FDE嵌入企業客户， 圍繞關鍵業務流程設計、 構建和部署生產系統， 並披露擬收購Tomoro引入約150名FDE及部署專家， 初始投資超過40億美元。幾乎同期， Anthropic、 Google Cloud、 Databricks等公司均在擴大FDE類崗位編制。
業內將FDE的工作概括為「六分溝通， 四分技術」。 最耗時的往往不是寫代碼， 而是從一線人員的經驗中反向提取那些從未被文檔化的隱性業務規則——一位老教授講了二十年課的教學邏輯，一個臨牀操作中「只能意會 」的判斷標準， 一套實驗流程裏經過無數次踩坑才形成的安全規範。
這些東西， 遠程交付拿不到， 標準化產品裝不下， 只能靠人在現場一寸一寸地挖。
卓越睿新的FDE： 不是一個崗位， 是一套體系
外界容易把FDE簡單理解為「駐場開發」， 但在卓越睿新的業務體系中， FDE是連接前端場景與後端能力的系統性樞紐， 其運轉依託三層支撐。
第一層： 近二十年沉澱的結構化知識底座。 公司旗下智慧樹平台聚合12萬餘門慕課資 源， 覆蓋全國29個省市合作高校與200餘家產業學院， 內容資產涵蓋標準化學科知識語料庫、 工業工藝規範庫、 實操流程庫、 典型故障案例庫等。 FDE在現場不是從零開始， 而是站在這座知識礦山上做精準開採與增量構建。
第二層： 全模態自研AI技術矩陣。 公司已構建覆蓋文本、 語音、 視覺、 3D生成的全模態AI能力棧， 形成LLM、 VLM、 VOM、 ASR、 TTS、 3DM、 WM七層模型組合， 並接入World Labs世界模型。 FDE在現場發現的需求， 可以快速調用這些模塊化能力進行原型驗證和產品化封裝。
第三層： 全國化服務網絡。 截至2025年末， 公司在95座城市設立251個客户服務與支持中心， 覆蓋全國絕大部分省、 市及自治區。 這意味着FDE不是幾支精英小隊， 而是一套可以規模化觸達、 快速響應、 持續運營的分佈式履約體系。
三層支撐疊加， 使FDE在卓越睿新不只是「派人去現場」， 而是「帶着底座去現場、 帶着數據回平台」。
真正的壁壘： 現場沉澱反哺平台的飛輪
FDE模式的深層價值， 不在於單個項目交付得多漂亮， 而在於一線經驗能夠持續迴流、 沉澱為可複用資產， 形成正向循環。
在北大醫學未來學習中心， FDE團隊與基礎醫學專家共建過程中提煉的學科知識結構、 教學邏輯和評估標準， 會被結構化錄入知識底座； 在浙江大學《具身空間智能》課程的落地中， FDE把全球前沿模型的接入、 評測和封裝流程固化為標準化教學產品方案； 在與西門子、 比亞迪等產業龍頭的產教融合項目中， 真實工況數據和工藝規範持續迴流， 擴充平台的行業知識縱深。
每一次現場交付都不是「項目結束」， 而是公司能力曲線被抬升一格。 下一個客户、 下一個場 景， 不必從零再來。 這條路徑的經濟學含義是： 隨着知識資產持續沉澱， FDE模式的邊際交付成本遞減， 產品化程度和毛利結構具備持續優化空間。
數據不會説謊。 2025年年報顯示， 公司燈塔客户(985/211/「雙一流」高校及「雙高計劃」高職院校)貢獻收入3.01億元， 同比增長21.3%； ARPU達138.8萬元， 同比增長34.1%。 知識圖譜業務收入5.74億元， 同比增長68.5%， 佔總收入比重升至59.2%。 整體毛利率65.5%， 淨利率超13%， 利潤增速持續高於收入增速。
頭部客户單客價值34%的增長， 對應的正是FDE深度共建模式下客户粘性和價值密度的系統性提升——客户買的不再是一套軟件， 而是一個持續進化的知識基礎設施。
資本市場正在重新理解「 重」 的價值
在SaaS盛行的年代， 「輕」 曾是資本市場追捧的關鍵詞。 但AI產業進入深水區後， 市場開始重新認識「重 」的壁壘價值。 遠程交付能解決的問題是有限的， 真正高價值、 高壁壘、 高粘性的客户關係， 必須靠人在現場一寸一寸地建立。
國盛證券在8月14日發佈的首次覆蓋研報中明確指出， 卓越睿新以知識圖譜、 智能體等產品為基礎構建核心壁壘， 產品結構持續優化， 市場滲透率穩步提升。 研報預計公司2026-2028年收入分別為13.3/18.0/24.2億元， 同比增長36.8%/35.7%/34.5%； 歸母淨利潤分別為2.0/2.8/4.2億元， 同比增長51.9%/43.9%/48.1%， 給予「買入」評級。
一位長期跟蹤港股科技板塊的基金管理人坦言： 「市場過去把卓越睿新當成教育信息化公司看 ，但知識圖譜收入接近60%、 增速68.5%， 頭部客户ARPU增速34%， 這些數字説明它已經不是一個按項目結算的傳統服務商。 FDE模式驅動的資產沉澱飛輪， 才是估值邏輯切換的關鍵。 」
回到北大醫學未來學習中心那間FDE與教授們並肩工作的會議室。 屏幕上是基礎醫學13個核心學科的知識圖譜， 桌邊討論的是如何把一個臨牀推理過程轉化為AI可模擬的教學路徑。 這些工作沒有聚光燈， 也寫不進炫酷的產品發佈會， 但它們構成了AI從「彙報裏成立」走向「現實中成立 」的那道堅實橋樑。
當整個行業都在尋找AI落地的真正答案， 卓越睿新用近二十年時間證明了一件事： 最硬核的壁 壘， 往往不在模型參數裏， 而在那些願意走進現場、 紮根現場、 把現場經驗一寸一寸沉澱為資產的人身上。
人工智能正在走出屏幕。
過去十幾年，AI學會了識別圖像、理解語言、生成文本。這些能力再強，也只停留在數字世界。真正的分水嶺出現在AI開始理解三維空間、操控物理世界的時候。機器人能不能在陌生環境中自主行走，無人機能不能在樓宇之間精準導航，智能體能不能在生產線上完成精細裝配，背後都指向同一個技術方向，具身空間智能。
這個方向最近有了一個標誌性動作。卓越睿新與浙江大學合作建設的《具身空間智能》課程正式落地，面向國家戰略性新興學科，搭建從基礎理論到工程實踐的完整培養通道。在國內具身智能領域學科建設尚處起步階段的當下，這次合作的分量超出了一門課程本身。
為什麼是具身空間智能
人工智能正在經歷一場範式轉換。從被動處理信息到主動與環境交互，智能體需要以實體形態存在於三維物理空間，通過感知、交互和持續反饋完成自主決策。這被廣泛認為是通向通用人工智能的核心路徑之一。
空間智能是這場轉換中最關鍵的變量。精準幾何建模解決"看清周圍"的問題，深度語義理解回答"這是什麼"，空間認知推理判斷"接下來怎麼做"，物理操控執行完成"動手去做"。四項能力疊加，直接支撐無人駕駛的實時決策、人形機器人的精細操作、低空飛行器的自主導航和智能製造的全流程優化。
全球頭部科研機構和科技企業正在以前所未有的力度投入這一領域。各國圍繞具身智能展開的戰略競爭日趨激烈，而人才是這場競爭中最稀缺的資源。目前全球具身智能領域複合型人才的供給速度遠低於產業需求增速，學科體系化建設才剛剛起步。誰能率先打通從基礎理論到工程實踐的培養通道，誰就能在這個方向上掌握長期話語權。
浙江大學與卓越睿新的合作，正是在這個節點上落子。
一門課背後的體系化設計
《具身空間智能》面向人工智能與機器人領域，以智能體在三維環境中的感知、認知、決策與交互為主線，覆蓋3D視覺幾何、空間語義理解、具身決策方法、世界模型與仿真技術等核心內容。
課程的設計邏輯很清晰。從基礎理論出發，逐步深入空間語義建模與智能決策算法，最終落地到機器人操控與仿真訓練。學習者通過拆解自主導航、物體抓取、場景交互等典型任務，把理論知識轉化為解決工程問題的實際能力。整條知識鏈條按幾何建模、語義認知、智能決策、本體執行、仿真模擬、任務應用六個環節遞進展開，層層銜接，從理解物理世界到構建虛擬世界再到執行真實任務，形成一套完整的認知迴路。
這種體系化設計在國內高校中並不多見。多數相關課程要麼偏重於計算機視覺的某一分支，要麼聚焦機器人控制的某個環節，能夠把空間感知、認知決策和仿真執行串成一條完整教學路徑的課程體系，目前仍然稀缺。
卓越睿新的技術牌面
課程能夠在浙江大學落地，背後依託的是卓越睿新在底層技術架構上的長期積累。
公司自研的全模態AI能力矩陣，覆蓋文本、語音、視覺和3D生成四大技術方向，已接入World Labs世界模型。在具身空間智能領域，這套能力矩陣具備"接入、評測、封裝"三位一體的技術功能，可以靈活對接全球前沿模型，系統驗證其在高等教育場景的適配度，再將最優方案封裝為可交付的產品服務。
拆解來看，世界模型、生成式場景表示和仿真環境構成了三個核心技術支點。世界模型讓AI能夠理解和預測物理世界的運行規律，生成式場景表示可以快速構建多樣化的訓練環境，仿真平台則為算法驗證和技能訓練提供安全可控的試驗場。這三項技術恰好在卓越睿新的能力矩陣中交匯，也是公司能夠把產業前沿經驗轉化為高校教學體系的關鍵。
這其中的壁壘並不只是"有技術"。具身智能是一個快速迭代的領域，全球前沿模型幾乎每月都有新進展。高校如果逐一對接，成本高、效率低，也缺乏統一的評測標準。卓越睿新做的事情，是在高校和全球前沿技術之間架起一層轉化機制，先接入、再評測、後封裝，把分散的模型能力整合成標準化的教學產品。這種系統化的轉化能力，本身就是一道門檻。
與此同時，公司多年積累的數據資產為教學內容的持續更新提供了源頭活水，全國化服務網絡佈局則保證了合作模式具備跨高校複製的條件。技術能力、數據資源和服務網絡三者疊加，構成了競爭對手難以快速模仿的綜合優勢。
產教融合進入深水區
與浙江大學的合作，標誌着卓越睿新的產教融合路徑進入了一個新階段。
此前，公司的產教融合更多停留在單一課程開發或技術工具供給層面。這次合作表明，路徑已經從課程開發延伸到學科體系建設，從工具供給延伸到人才培養生態的全面構建。產業技術到高校課程，高校課程到人才培養，人才培養到產業反哺，三個環節至此全部貫通。產業前沿技術直接進入高校課堂，高校培養的人才直接服務於具身智能產業的規模化發展。
這種深度嵌入式的產教融合有其現實基礎。具身智能是一個交叉性極強的領域，涉及計算機視覺、機器人學、認知科學、控制工程等多個學科。高校有深厚的學術積澱，但在產業級仿真平台、真實場景數據和工程化經驗方面存在天然短板。企業有技術和場景，卻難以獨立完成系統化的學科建設。兩者結合，才能把人才培養的各個環節真正打通。
卓越睿新在其中扮演的角色，已經超越了技術提供方的範疇，成為學科建設的深度參與者。從課程架構設計、仿真平台搭建到教材開發，公司正在把產業界的技術標準和工程經驗系統性地轉化為高校可直接落地的教學資源，構建一條從技術研發到人才培養的完整價值鏈。浙江大學作為這一模式的最新實踐標杆，也從側面印證了卓越睿新在頂尖高校中的技術公信力和生態號召力。
一盤更大的棋
當具身智能產業迎來從實驗室走向規模化部署的關鍵節點，人才供給和技術創新成為決定競爭格局的兩個核心變量。卓越睿新通過產教融合生態，在這兩個維度上同時落子。
頂尖高校是節點，學科體系是槓桿，技術能力是根基。公司正在把這三者擰成一股繩，鋪設一條從智能教育基礎設施延伸到產業長期增長的價值通道。這條路未必能在短期內兑現為財務數據，但它鎖定的是具身智能產業最稀缺的戰略資源，人才，以及技術標準從實驗室走向課堂的定義權。
具身智能的競賽剛剛鳴槍。卓越睿新已經在人才供給端和技術創新端同時卡位，這步棋的價值，會隨着產業規模化進程逐步顯現。
討論 (0)