根据互联网公开信息整理：9月27日，IROS 2026将在匹兹堡开幕。时隔31年，这场全球规模最大的机器人学术会议之一重回“钢铁之城”，正式议程论文达到1933篇，而投稿总数高达4348篇，最终录用1585篇，录用率仅36.45%，为近年最低。把这近两千篇论文铺开，它更像一张2026年机器人研究的横截面：从强化学习、模仿学习，到路径规划、视觉感知、运动控制、灵巧操作，再到人形机器人、触觉和大模型，过去几年几乎所有重要技术路线都同时出现在这张图谱里。但真正值得注意的，并不是Humanoid、VLA或World Model这些更容易获得产业和媒体关注的关键词。对1933篇论文进行多标签梳理后可以看到：Robot Learning/Embodied AI相关论文约809篇，Navigation/Planning约564篇，Perception/Vision约556篇，Control/Dynamics约546篇，Manipulation约520篇，而Humanoid/Legged仅约213篇。这些数字不能简单相加，但它们说明了一件事：大模型没有吃掉机器人学，反而更深地嵌入了感知、规划、控制与操作。

这种“嵌入”不是一句空话，而是体现在论文之间的交叉关系里。Robot Learning与Manipulation同时出现的论文约276篇，与Perception交叉约269篇，与Navigation/Planning交叉约225篇，与Control/Dynamics交叉也有221篇。学习方法没有简单挤压掉机器人原有的技术模块，反而越来越深地钻进这些传统问题之中。比如石溪大学Jorge Mendez-Mendez的《A Systematic Study of Large Language Models for Task and Motion Planning with PDDLStream》，系统测试了大语言模型嵌入传统Task and Motion Planning框架后的表现。结论并不是“大模型可以直接取代规划器”，反而显示：几何约束、运动可行性和执行逻辑仍需要传统规划体系参与，LLM可以理解“把杯子拿到桌子另一边”是什么意思，但机器人真正执行时，还必须回答会不会碰撞、关节是否可达、路径能否执行、环境有没有变化。 问题因此从“LLM能不能替代Planner”，变成了两者应该如何分工。控制端同样如此：中佛罗里达大学等团队的《Training Fast Robot Policies with Slow Foundation Models》让大型模型更多参与训练，再学习一个更轻、更快的策略负责实际执行——因为语言模型晚几百毫秒用户只会觉得反应慢，机器人在抓取、接触或保持平衡时晚几百毫秒，任务可能已经失败。

VLA也在从“证明能做”进入“补短板”阶段。在多标签统计中，VLA、VLM、LLM和Foundation Model相关论文约162篇，占全部论文的8.4%，其中明确涉及VLA的约82篇。这个规模已经足以形成一条独立研究主线，但它们关注的问题不再停留在“模型还能不能更大”，而是迅速分化到效率、三维理解、长时记忆、视角变化、现实适应和安全。进入Best Paper候选的Shallow-π通过知识蒸馏压缩VLA，解决模型太大、推理太慢的问题；天津大学、原力灵机与清华团队的GeoVLA显式加入深度和三维几何信息，把3D representation与视觉语言特征共同用于动作生成；首尔大学与MIT的AnyCamVLA研究摄像机位置改变后VLA为何失效；南京大学、早稻田大学等团队的Long-Term Memory把长期记忆接入VLA Agent；成均馆大学的RoboBRIDGE则在预训练策略外围加入Monitor、Perceptor、Planner、Controller和Robot Interface。这些工作指向同一个判断：VLA接下来的竞争不只是scaling，而是system engineering——一个VLA如何与感知、记忆、规划、控制和硬件共同工作，最终从一个能输出动作的模型，变成能长期运行的机器人系统。

与此同时，机器人正在重新长出“中间层”。Reasoning/Memory相关论文约119篇，占6.2%，其中Reasoning约64篇，Memory约36篇，已经形成一批明确Session。如果端到端模型已经可以直接从视觉和语言生成动作，为什么还需要Reasoning、Memory、Planner，甚至重新引入Symbolic Constraint和显式3D representation？原因在于，机器人任务一旦变长，“当前这一帧看到什么”就不再足够。西交利物浦大学的TempoFit利用temporal KV memory让现有策略跨时间保存历史信息；东京理科大学的GaussMemory把Memory放进三维空间——物体即使暂时被遮挡，也不能从机器人的“世界”里消失；香港科技大学（广州）与华为的DualCoT-VLA在动作生成前加入视觉Chain-of-Thought和语言Chain-of-Thought；纽约州立大学布法罗分校团队的VL-Nav把视觉语言模型的语义理解与显式空间、符号推理结合，获得本届认知机器人最佳论文奖——让神经网络只承担开放世界的感知，把空间与语义关系的推断交给结构化符号推理，两者分工而非端到端黑箱，同年该团队在ReS AI Workshop上以同一思路的长时程任务规划工作IFLAX再获最佳论文，形成方法呼应。这些工作表面上技术不同，但都在解决同一个结构性问题：高层语义理解和低层连续动作之间存在巨大距离。机器人学正在重新发明大模型与低层控制之间的中间层，端到端没有简单失败，模块化也没有简单复辟，而是随着任务从单步抓取走向长时操作，系统重新出现层级。Manipulation则成为最密集的战场之一：相关论文约520篇，Dexterous/Tactile等方向约225篇，其中Tactile约91篇，Dexterous约52篇。普渡大学与哥伦比亚大学的VTAP Gripper没有追求极高自由度拟人手，而是用三根可重构柔性手指和主动视觉触觉掌面完成抓取和手内操作；北京理工大学的PDS Joint从关节结构切入灵巧手设计；普渡大学与意大利理工学院的TacVLA把触觉直接送进VLA；斯科尔科沃科学技术学院的HapticVLA则在训练阶段使用触觉，推理阶段不再强制依赖实时触觉。触觉、学习、感知和控制正在同一批操作任务里不断汇合。

Humanoid也在从“会走”向“边走边干活”扩展。统计中，Humanoid/Loco-Manipulation相关论文约89篇，占4.6%，其中46篇与Control交叉，44篇与Learning交叉，34篇涉及Manipulation，32篇涉及Planning。加州大学圣迭戈分校团队的SteadyTray获得本届最佳移动操作论文奖，它把locomotion与payload stabilization显式解耦——基础行走策略负责走路，额外的残差策略只学用上半身动作抵消末端执行器处的步态扰动，仿真中变速度跟踪成功率96.9%、抗外力扰动鲁棒性74.5%，并在宇树G1上实现零样本sim-to-real迁移。清华大学张智楷等人牵头的LATENT获得最佳娱乐与趣味论文奖，用在线蒸馏构建“可修正潜动作空间”，从不完美的人类动作数据中学习人形网球技能，29自由度宇树G1上正手成功率96.52（最强基线PULSE 71.85），真机人机对拉最高90.90%，机器人自对打最多连续25个回合。人形机器人不能只拥有一套稳定步态再简单“加两只手”，真正的whole-body intelligence要求腿、躯干和手臂围绕任务共同运动。 而World Model虽然讨论热度很高，但明确相关论文只有19篇，约占1%。它开始出现在四足运动、灵巧操作、精密插接、人形whole-body control、医疗机器人和导航中。机器人真正需要的不是视觉上合理的未来，而是动作条件下、几何上和物理上足够可信的未来。World Model目前更像一条从预测世界向参与控制过渡的技术路线，而不是已经统治机器人研究的方法。

把这些研究放在一起看，IROS 2026最值得注意的并不是某一种技术路线正在“赢”。VLA没有取代传统规划和控制，World Model还没有成为主流，Humanoid也只是整个机器人研究版图中的一部分。真正发生的变化是：这些新方法进入物理世界以后，感知、记忆、规划、控制、触觉、安全和恢复这些问题重新变得不可回避。语言模型过去几年的成功，很大程度上来自把大量任务统一进一个模型；但机器人不同，它不仅要“理解”，还要真正行动，而物理世界会把误差、延迟、接触和失败全部暴露出来。所以，IROS 2026更像是在回答一个新的问题：当模型已经足够强以后，怎样把这些能力重新拼成一个真正能工作的机器人系统。这并不意味着端到端失败了，也不意味着传统模块重新占据主导，更准确地说，机器人正在重新寻找大模型、规划、控制和硬件之间的边界。未来的竞争，可能不再只是比谁的模型更大、能力更多，而是谁能把这些能力真正稳定地组合起来。当机器人越来越聪明以后，真正困难的开始变成：怎么让它不出错。

那么，该如何系统学习三维视觉、具身智能等前沿3D视觉技术呢？今天就给大家推荐一个专业、干货满满的学习圈子————「3D视觉从入门到精通」知识星球，这里不仅有SLAM和3DGS的学习资料，还覆盖了自动驾驶、具身智能、无人机、机械臂抓取等方向的干货资料。

经常有粉丝问这样一个问题：

「3D视觉从入门到精通」知识星球，里面有什么内容？ 加入星球，是不是可以学习视频课程呢？有哪些会员权益？ 以下将给大家详细介绍？（注：扫码加入后，可在知识星球APP/网页端微信登录，即可进入星球）

今天，咱们一起聊一聊这个沉淀了近9年的3D视觉技术圈子。

一 什么是知识星球？

知识星球是一个高度活跃的社区平台，在这里你可以和相同研究方向的小伙伴一起探讨科研工作难题、交流最新领域进展、分享3D视觉最新顶会论文&代码资料、分享视频(讲解3D视觉重要知识点)、发布高质量的求职就业信息，承接项目等，当然还可以侃侃而谈，吐槽学习工作生活。

二 「3D视觉从入门到精通」知识星球

目前已有近6300+活跃成员，主要涉及方向：工业3D视觉、SLAM、自动驾驶、三维重建、无人机、具身智能、大模型等科技前沿方向。

扫码加入学习，圈里有高质量教程资料、可答疑解惑、助你高效解决问题，星球内20+视频课程终身免费学习

▲长按添加小助理微信，咨询更多

细分方向众多，包括但不限于：工业3D视觉、三维重建、自动驾驶、具身智能、大模型、扩散模型等科技前沿方向，也涉及视觉竞赛、硬件选型、视觉产品落地经验分享、学术&求职交流等。我们也会紧跟最新前沿科技发展，也是我们星球里的热门讨论话题。

特点
国内成立最早	近20门视频视频	3D视觉精华问答
最新顶会论文与代码分享	3DGS独家系列视频	专业智囊团队答疑解惑
最新前沿技术研讨会	高质量项目对接	各个模块的源码梳理
最新行业招聘信息	求职面经	科研生活吐槽
行业最新模组分享	随时提问交流	每月积分榜现金奖励

三 星球内全系列视频教程汇总

视频教程分为两大板块：第一板块为核心主线课程，精心打磨了近20门系列视频教程，内容系统、循序渐进，更是大家学习的重点，带你学习工业3D视觉、SLAM、3DGS、自动驾驶与无人机等3D视觉技术，下面我们会详细介绍这部分内容；第二板块为前沿技术分享，特邀行业大咖与学术大牛开展直播分享，内容全面覆盖具身智能、自动驾驶、三维重建、数字人、扩散模型、3D生成等热门前沿方向，本部分为非重点内容，不再做详细介绍。

核心主线视频教程（主力干货）
3DGS系列	3DGS-SLAM	相机标定	ROS2
四旋翼飞行器	C++	面结构光	机械臂抓取
三维点云	线结构光	LIO-SAM	融合SLAM算法
ORB-SLAM3	VINS-Fusion	多传感器融合	3D目标检测
单目深度估计	模型部署实战	本部分持续更新中

3.0 3DGS独家视频教程

3.0.1 3DGS三维重建系列视频教程

3.0.2 基于NeRF、3DGS三维重建的SLAM算法视频教程

本视频教程从理论和代码实现两方面展开，带你从零入门NeRF/Gaussian Based SLAM的原理学习、论文阅读、代码梳理等。理论层面，从线性代数入手到传统的计算机图形学，让大家明了现代三维重建的理论基础和源头；代码层面通过多个练习手把手教会大家复现计算机图形学、NeRF相关工作。

3.1 基础课程

3.1.1 高精度相机标定从理论到实战系统教程

本课程主要包含两部分，分别是相机标定和3D视觉，相机标定包含单目、双目和鱼眼相机标定；3D视觉包含立体视觉、结构光和TOF，以立体视觉为主。课程提供对应数据与代码。

课程亮点：除了相机标定的基础原理和代码之外，星球里还补充了高精度相机标定的改进方法以及实战技巧，这是相当硬核的。

3.1.2 ROS2从入门到实战视频教程

ROS2从入门到实战视频教程，从小白方式介绍到高阶使用讲解，对ROS2进行全面的实操教学训练，为大家提供系统性的学习机会。

3.1.3 四旋翼飞行器：算法与实战

3.1.4 C++从零基础入门到进阶

力求通过视频教程的学习，彻底搞懂C++较难的一些模块，掌握SLAM等算法的编写套路，学会C++相关岗位的面试技巧。学懂本课程，并且对其中的疑难点能够较好的理解运用，可以达到1-2年的C++开发工程师的经验水平。

3.2 工业3D视觉系列视频课程

3.2.1 基于面结构光三维重建系列视频

3.2.2 机械臂抓取、三维点云、三维重建等

3.2.3 线结构光(单双目)三维重建系统教程等

本门课程面向实战教学，手把手带你从零实现一套属于自己的线激光3D扫描系统。几乎每一个章节都配备有相应的讲义、代码，帮助大家更好地理解线激光三维重建技术。

3.3 SLAM系列视频

3.3.1 如何轻松拿捏LIO-SAM?(提供注释版本代码)

3.3.2 彻底剖析激光-视觉-IMU-GPS融合SLAM算法

本视频课程从理论和代码实现两个方面对激光雷达-视觉IMU-GPS融合的SLAM算法框架和技术难点进行讲解，并且博士大佬会根据自己多年的机器人工程经验，向大家讲解在实际机器人应用中多模态融合的方法和技巧。

3.3.3 ORB-SLAM3理论基础+关键技术详解

3.3.4 视觉-惯性SLAM:VINS-Fusion原理精讲

视觉-惯性SLAM的入门与实践视频教程，结合VINS-Fusion源码，系统地对视觉-惯性SLAM的基础理论知识进行梳理。整套课程由一线算法工程师教授，从基础理论到代码剖析，保姆级教学，助力学员一步步从小白成长为大牛。

3.4 自动驾驶

3.4.1 面向自动驾驶领域的多传感器融合系统教程

主要分两个大模块：理论篇和实战篇，理论篇部分主要介绍自动驾驶中常用的传感器硬件、传感器间的时间同步和空间同步以及多传感器间的信息融合理论知识；实战篇更多偏向工程应用，工程中传感器间同步与融合如何实现等。

3.4.2 面向自动驾驶领域的3D点云深度学习目标检测

本视频教程以3D点云深度学习为主，对Point-based和Voxel-based系列的3D目标检测网络架构进行系统剖析和代码梳理，助力各位同学在点云深度学习更快的入门和更深的理解。

3.4.3 单目深度估计方法:理论与实战视频

视频教程主要分为两大部分：理论篇和实战篇，由于有监督方法的深度真值获取困难，且无监督方法的效果与有监督方法几乎相当，我们将课程的重心放在了无监督方法上。

3.4.4 自动驾驶中的深度学习模型部署实战视频

本视频教程将采用理论和实践相结合的思路，首先对TensorRT的编程模型以及GPU/cuda的相关知识进行讲解，带领大家达到知其所以然的程度；之后课程将用分类、检测、分割三个例子来展示详细编程流程，并给出相关代码，达到真正能落地的工业级分享。

四 3D视觉基础入门

考虑到很多初学者在配置3D视觉软件或者视觉库可能会有困难，我们已经为大家梳理了各个模块的配置教程文档，供学习参考。

五 3D视觉源码汇总

下面为大家节选展示星球内的3D视觉行业相关源码：

六 高质量项目发布与对接

下面为大家节选展示星球内的项目承接：

七 专业的智囊团为星球成员答疑解惑

下面为大家节选展示星球内的答疑解惑：

八 最新前沿顶会论文分享

下面为大家节选展示星球内的前沿顶会：

九 精华问题100问

下面为大家节选展示星球内的精华问题100问：

• 结构光

• 相位偏折术

• BEV与Occupancy

• MVSNet

• 线结构光

• Transformer

• 机器人规划控制

• 四旋翼建模与控制

十 3D视觉方向求职招聘

下面为大家节选展示星球内的求职招聘内容：

十一 星球会员权益

• 项目、学习、求职中遇到的问题， 免费获得解答 。
• 终身免费学习 星球往期已更新完毕的所有视频内容。
• 星球每月之星给予丰厚的 现金奖励 。
• 优先承接 来星球内部项目对接。
• 终身免费下载 星球往期分享的 文献和项目代码 。
• 优先获得3D视觉企业（与工坊深度合作企业） 内推资格 。
• 快速找到志同道合的 学习伙伴 ，不再单打独斗，抱团取暖，走得更快更远。
• 不定期星球内部会组织 项目实训 ，包括相机标定、机械臂抓取、三维重建优化等

写在最后

目前已有6400多名3D视觉从业者正在星球里一起交流、分享、进步，我们也欢迎您一道同行！

学习3D视觉核心技术，扫描即可加入，3天内无条件退款

▲长按添加小助理微信，咨询更多

2026年9月，全球数字贸易博览会在杭州大会展中心开幕。2号主题展馆里，中科通量的展位从开展第一天就围了不少人。吸引目光的是一台桌面设备——SmarCo AI工作站。旁边的电脑屏幕上实时显示着当前运行的本地大模型和视频分析画面。有观众凑近看了一会儿，问工作人员：“这真的不是连了云端？”工作人员把网线拔掉，推理照常跑，视频照常解。对方愣了几秒，然后掏出手机开始拍屏幕上的参数。

这样的场景，在数贸会几天里反复上演。

为什么一台桌面设备会被围观

过去两年，大模型从云端走向本地，几乎成了行业共识。但共识归共识，真要把模型放在本地跑，门槛并不低。最直接的问题是显存。一张消费级旗舰显卡24GB显存，跑个13B模型勉强够用，到了70B级别，要么多卡并行，要么量化压缩，要么干脆放弃。多卡并行意味着主板、电源、散热全部升级，成本翻倍不说，噪音和功耗也不是普通办公环境能承受的。量化压缩则要牺牲精度，模型能力打折扣。

第二个问题是视频。很多行业场景里，大模型不是孤立存在的，它要和视频流配合工作。智慧园区要实时分析摄像头画面，工业质检要处理产线视频，机器人要边看边决策。这些任务对视频解码能力的要求很高，传统方案里，视频解码和AI推理往往抢同一块显卡资源，顾此失彼。

第三个问题是数据安全。金融、政务、医疗、科研这些领域，数据出本地是红线。模型可以上云，数据不能上云，这个矛盾让很多单位在AI落地时卡在了第一公里。

SmarCo AI工作站切入的，就是这三个问题交叉的地带。

把“服务器级能力”塞进桌面

这台设备的核心是SmarCo GC3高端智算处理器，12个RISC-V核心，数据流架构设计。它没有走传统GPU的路线，而是用统一寻址内存来解决问题。128GB LPDDR5 ECC统一内存，AI计算单元和CPU共享同一个地址空间。这意味着跑大模型时，不需要在显存和内存之间来回搬运数据，70B模型可以直接加载运行，不需要多卡拼接。

算力方面，INT8精度下最高250 TOPS。这个数字放在服务器领域不算惊人，但放在桌面级、120W功耗的形态里，性质就不一样了。它意味着一个算法工程师在自己工位上就能完成过去需要申请服务器资源才能做的模型验证。

视频能力是另一个差异化点。设备内置专用视频引擎，支持128路1080p@30fps硬件解码和64路编码。视频解码不占AI算力，AI推理也不影响视频处理，两条流水线并行。对于需要同时处理多路视频流和运行大模型的场景，这种架构设计比堆显卡更合理。

接口方面，PCIe 4.0、HDMI、VGA、UART、I2C、I2S、SDIO、USB、RJ45都有，可以接摄像头、传感器、机器人控制器和各种扩展设备。预装Linux，支持主流AI框架，开箱就能进入开发状态。

谁在买，买来干什么

展位上，工作人员被问得最多的问题是“这个设备到底谁在用？”。

答案比想象中分散。有高校实验室的老师来问，说课题组做具身智能研究，需要一台能同时跑视觉模型和运动控制算法的设备，之前用游戏显卡凑合，但显存不够，多机同步又麻烦。有做AIGC内容生成的小团队来问，说现在用云端API生成内容，token消耗是持续成本，量大了以后越来越吃力，想找一台能本地跑模型、长期算账更划算的设备。还有银行科技部门的观众，说总行要求大模型本地化试点，但机房没空间放服务器，桌面设备如果能达标，推进起来会快很多。

一个比较典型的场景是机器人研发。机器人本体上通常不会装高功耗的计算设备，算法验证阶段需要外接算力。传统做法是背一台工控机或者服务器，移动不方便，噪音也大。SmarCo AI工作站的体积和功耗，让它可以放在实验台上，通过PCIe和USB连接传感器和运动控制器，实时跑视觉推理和路径规划。有做低速无人车的团队在现场算了笔账：以前车上要放工控机加显卡，现在一台设备搞定，功耗降了一半，调试效率反而高了。

另一个被反复提及的场景是视频AI。智慧城市、高速公路、电网这些领域，摄像头数量多，视频回传带宽有限，很多分析任务需要在边缘侧完成。传统边缘服务器要么算力不够，要么视频解码能力弱。SmarCo AI工作站128路硬解码的能力，让一台设备可以同时处理一个中小型园区的视频流，并且在这个基础上跑行为分析、目标检测等模型。

本地AI的“最后一公里”

数贸会期间，中科通量展位上，SmarCo AI工作站与SmarCo AI数字员工、AI NAS存储一体机、智能视频编码一体机等产品一同亮相，各自吸引着不同需求的观众。其中，围绕本地算力和大模型部署的交流，让工作站区域始终保持着较高的人气。不少观众在实时演示区前排队上手体验，有人测试本地大模型推理，有人尝试实时视频分析，还有人仔细询问功耗、接口和软件兼容性。

这背后反映的，可能是本地AI落地的一个真实阶段。大模型的能力已经被验证，行业需求也明确，但把模型放到业务现场这件事，一直缺少合适的算力载体。云端方案有延迟和合规问题，服务器方案有成本和空间问题，消费级方案有性能和可靠性问题。SmarCo AI工作站试图在这个空档里找到一个位置：桌面级的形态，服务器级的内存和视频能力，本地化的数据安全，以及一个开放可开发的软件环境。

它不是万能解，但在很多具体场景里，它可能是当前最不别扭的那个选择。这大概也是为什么一台外观炫酷、参数扎实的桌面设备，能在数贸会上被围观的原因。人们围观的不是参数，是一个终于能放在手边跑起来的AI。

END

往期推荐

如果您希望可以时常见面，欢迎标星收藏哦~

无论你是否身处科技行业，过去几年，你一定听过一个词——人工智能（Artificial Intelligence，简称 AI）。

在很长一段时间里，人们谈论 AI，更多联想到的是科幻电影里的智能机器，或是 AlphaGo 战胜人类棋手这样的技术突破。真正让 AI 从实验室走向大众日常的转折点，则是 2022 年底 ChatGPT 的发布。此后，大模型迅速走向成熟，AI 不仅展现出更强的理解、推理与生成能力，也开始在越来越多的产业场景中落地。随着智能体（Agent）的兴起，AI 正逐渐从一个“会聊天”的工具，演变为每个人都能调用的生产力助手。

而作为 AI 的底层算力载体，芯片也在这场浪潮中被重新定义。AI 带来的变化，早已不只是 GPU、CPU 等芯片类型的更迭，更深入到芯片架构、设计流程与研发方法本身。在这一过程中，EDA 正成为推动 AI 芯片创新的重要基础设施，也成为了被AI变革的核心环节之一。

AI殊途同归，芯片逻辑变了

在日前于上海举办的“2026 新思科技开发者大会”开场致辞中，新思科技全球副总裁兼中国区总裁姚尧先生首先指出，在历经互联网普及和智能涌现后，技术产业现在正迈向第三个阶段——数实共生。如他所说，这个阶段最明显的一个特征是智能开始真正进入现实世界，进入工厂、能源、物流等场景。数字世界不再停留在屏幕里，开始深度参与现实世界的运行。

“而在此期间，AI产业开始开始呈现两个明显特征：一是真正依靠基础模型服务作为主要业务的企业其实只占很小比例，多企业最终做的仍然是应用和场景创新；一是全球AI的技术发展路线虽然正在不断趋同，但AI进入现实世界的方式却越来越不同。”姚尧先生接着说。

他以中美两个AI大国为例指出，美国正在将AI推向医疗与生命科学、科研和网络安全等领域，但拥有全球最完整的制造体系、最丰富的产业场景、以及最快的应用落地环境的中国，却在将AI推向工厂。

但最终，我们都会进入Physical AI时代。在姚尧看来，Physical AI 的本质不是“大模型+机器人”，而是 AI、芯片与机电系统三项能力的协同进化，三者是乘法关系而非加法关系。

新思科技总裁兼首席执行官 Sassine Ghazi（盖思新）在随后的分享中也指出，AI真正带来的不是单一技术革命，而是AI与计算、芯片、软件、智能系统等多项技术同步融合的“融合十年”。AI与计算能力正在形成相互促进的正向循环，推动各行业进入万物智能的Physical AI时代。在这个时代，AI 与智能能力无处不在。而为实现这一愿景，芯片技术的大规模普及与创新必不可少。与此同时，我们还需要借助软件，以前所未有的复杂度和精细度来定义新一代智能系统。

以最近火热的具身智能为例，其真正落地的关键不在于AI算法本身，而在于同时解决低功耗、低时延、安全、环境建模与成本可负担性等系统级挑战。面对这个需求的转变，盖思新认为，芯片需要变了。

在他看来，未来的产品开发，不再是单独优化芯片，而是需要同步协同芯片、软件、电子系统以及热、机械、光学、流体等物理系统。为此盖思新认为，无论是机器人、无人机还是智能汽车，都需要实现从硬件层、芯片层，一直到智能层的全栈优化（Full-Stack Optimization）。这种贯穿底层技术与上层智能的协同优化，已经成为必然要求。

为实现上述目标，盖思新认为，这不是一家企业能够独立完成的，而是需要EDA、IP、仿真、制造及产业伙伴共同构建完整生态。新思科技的定位也正从传统EDA公司，升级为覆盖“从芯片到系统（Silicon-to-Systems）”的工程技术平台。而随着Ansys完成战略整合，新思科技进一步打通了EDA、接口IP、多物理场仿真与分析能力，将设计、仿真和验证贯穿整个创新流程。

“面对下一代AI芯片和复杂智能系统，工程挑战已不仅来自电子设计，更涉及热、结构、材料等物理层面，因此只有将电子与多物理场协同融合，才能为未来产品提供完整的系统级工程解决方案。”盖思新说。

从流程转变到AI赋能，EDA走向拐点

基于上述观察，盖思新指出，传统工程开发模式已难以满足未来产品的研发需求，工程开发方式必须被重构：其核心并非依赖单一技术，而是围绕协同设计（Co-design）、数字孪生（Digital Twin）和智能体AI（Agentic AI）三大方向展开。

首先看协同设计方面，据盖思新介绍说，随着AI系统日益复杂，协同设计的内涵正在发生变化。他指出，过去应用于电子设计的方法，如今正进一步扩展到材料、结构、热、光学、流体等多物理场领域。以推理机器人为例，其内部往往集成多颗承担不同功能的芯片，并与整个物理系统深度耦合，因此系统设计本质上已成为跨学科、跨物理域的协同设计。

在这一过程中，高保真建模、验证与签核成为核心能力。无论是开展协同设计、构建数字孪生，还是建立可信模型，都必须依赖高精度的数字与模拟验证能力，因为签核不仅决定设计是否收敛，更是实现“从仿真到现实”（Simulation-to-Real）的关键基础。

为支撑这一趋势，新思科技持续推动设计工具的融合。从早期布局布线、时序分析、签核等独立工具，到如今将设计引擎与多物理场求解器整合到统一平台，并将物理签核深度融入设计流程，最终实现更好的设计收敛性、可预测性，以及对下一代复杂AI系统的完整支持。

再看数字孪生，盖思新表示，虽然这并非新概念，但但随着新一代复杂系统的发展，我们需要以全新的方式来推进数字孪生技术。具体而言，盖思新认为，数字孪生正成为复杂智能系统开发的核心基础设施。传统研发高度依赖物理原型，成本高、迭代慢，而数字孪生能够将验证前移，以更低成本、更快速度完成产品创新，并提升真实世界运行的可预测性。

为了让数字孪生真正服务于工程开发，新思科技也在强化硬件辅助验证能力。软件定义的HAV通过软件升级即可让既有验证平台实现约2倍性能和1.5倍容量提升，使超大规模SoC能够更高效地完成虚拟原型验证与软件运行。同时，公司与英伟达合作，将Omniverse的数字化场景能力与新思科技的高保真多物理场仿真结合，推动数字孪生从设计、验证一直延伸到制造和真实系统开发。

“协同设计和数字孪生并非可有可无的选择，而是实现未来创新和产业变革的必备能力。而要实现这一未来，我们必须充分利用已经成熟且可行的技术，并以此为基础不断向前推进。”盖思新总结说。

面对AI渗透EDA的趋势，新思科技正在打造开放、可互操作的Agentic AI体系，将AI深度融入EDA工具和工作流，并支持客户将自研智能体与新思科技智能体混合部署。其中，情境智能（Context Intelligence）是实现可靠推理和可预测结果的关键，它将客户的工程知识、设计上下文与AI模型结合，支撑自主设计、自主验证等新一代工程能力。

“我们的最终目标是让工程师摆脱重复性工作，将更多精力投入真正创造差异化价值的系统创新中。”盖思新表示。

AI 可以重构设计，

但 Sign-off 永远不会消失

在与半导体行业观察等交流中，盖思新直言，AI 时代最大的变化不是设计效率提升，而是系统公司开始具备从产品规格、架构设计到 RTL 生成的能力。他表示，随着模型持续成熟，芯片公司的价值将逐渐从“设计通用芯片”转向“连接制造、封装、测试等供应链环节”，产业链的协作关系和价值创造方式也将随之重构。

他同时指出，AI 正在改变芯片设计的产业协作关系。未来，客户不仅可以开发自己的 Agent 完成规格定义、RTL 生成乃至物理设计等工作，系统公司与芯片公司的边界也将越来越模糊，这不是新的竞争，而是新的商业模式和产业分工。

因此，盖思新认为，未来真正的竞争优势，不在于固守原有角色，而在于能否主动适应并引领这一新的产业分工。而公司收购Ansys，则是拥抱这种变化的一个典型范例。他表示，新思收购 Ansys 的初衷，就是预判 Physical AI 将推动电子世界与物理世界深度融合。双方整合后，新思已形成覆盖芯片、EDA、多物理场仿真到系统设计的完整产品组合，并在收购完成仅 9 个月内推出首批融合产品，且已在客户项目中落地。

面对AI改变EDA这个趋势，盖思新指出，新思的思路是将每一款 EDA 工具的操作经验和最佳实践封装成 Task Agent，让智能体完成原本由工程师执行的单项任务。目前，任务智能体已经能够高效完成设计、验证等具体工作，甚至在工具知识掌握上超过人类工程师。

但他也同时强调，真正决定未来的是 Multi-Agent Orchestration（多智能体编排）。多个 Agent 如何协同推理、传递结果、规划下一步任务，仍然需要人类负责系统级决策；而无论协同能力如何提升，每个 Agent 的输出都必须经过验证与 Sign-off，确保满足性能、功耗和制造规则。

换而言之，在盖新思看来，Sign-off不可或缺。他解析说，AI 在芯片工程中承担的是生产力角色，而不是最终决策者。由于 AI 的输出具有概率性，任何设计结果在进入制造之前，都必须经过时序、功耗、热、电磁等多维度的 Sign-off（签核） 验证，确保满足设计规则与可制造性要求。

“未来将形成 ‘人类工程师 + 智能体工程师’ 的协同模式。智能体将接管工具配置、脚本编写和最佳实践执行等大量重复性工作，而人类工程师的核心职责将转向定义产品规格、监督智能体以及进行系统级决策。这两者通力合作，探索更大的设计空间、提升验证覆盖率。这这个过程中，真正不可替代的核心能力，始终是基于工程知识与多物理场验证的确定性签核。”盖思新重申。“智能体的价值不在于替代工程师，而是让工程师摆脱重复性工作，将更多精力投入真正创造差异化价值的系统创新。”盖思新强调。

在这种转变驱动下，盖思新认为，人类工程师未来最重要的能力不是掌握更多工具细节，而是持续学习、善于与 AI 协作，并不断适应快速演进的工程创新范式（Reengineering Engineering）。

在中国，连世界

凭借这些领先技术，新思科技为正在加速Physical AI落地的中国客户提供了极具竞争力的服务。

姚尧以理想汽车的马赫 M100芯片举例说，客户关注的不再只是芯片性能，而是芯片、AI 模型、软件、电池与整车系统如何协同设计与验证。新思科技通过 EDA、IP虚拟开发、硬件验证和数字孪生等能力，将软件开发和系统验证前移至流片前，实现系统级研发提效，这也是新思科技与Ansys融合的核心价值所在。

姚尧指出，中国市场正从技术跟随者转变为全球创新的前沿观察站，其价值不仅在于规模，更在于工程落地能力和需求创新。中国客户也更关注方案能否在成本、功耗和开发周期等现实约束下实现，推动系统级工程优化；同时，新能源汽车、机器人、AI终端等市场的高速迭代，使大量新需求率先在中国诞生，并逐步演变为全球产品的发展方向

基于这些判断，姚尧表示，新思科技将持续融合Agentic AI与多物理场仿真能力，深度融入中国创新生态，并以“在中国，连世界”为长期战略，投资人才、拥抱创新、连接全球。“新思中国的长期目标则是以更快响应需求、更深融入生态、更强连接全球，让中国创新成为全球技术能力的一部分。”姚尧强调。

点这里加关注，锁定更多原创内容

*免责声明：文章内容系作者个人观点，半导体芯闻转载仅为了传达一种不同的观点，不代表半导体芯闻对该观点赞同或支持，如果有任何异议，欢迎联系我们。

推荐阅读

喜欢我们的内容就点“在看”分享给小伙伴哦~

2026年9月20日，RISC-V创新中心牵头企业——苏州国芯科技股份有限公司（以下简称“国芯科技”）与中国海洋大学信息科学与工程学部在青岛中国海洋大学西海岸校区签署合作协议，双方共同组建的“海洋人工智能计算芯片联合实验室”（以下简称“联合实验室”）正式挂牌成立。这是国内首个聚焦“RISC-V+AI”开源架构与海洋智能装备场景深度融合的校企协同创新平台，也是公司自主可控AI芯片迈向海洋领域的最新成果。

强强联手，筑梦深蓝

海洋是高质量发展战略要地，是强国崛起的战略空间。把关键核心技术掌握在自己手里，是海洋强国战略赋予科技工作者的时代命题。

海洋强国战略与“智慧海洋”“透明海洋”工程的推进，使海洋装备从“机械化、自动化”加速走向“智能化、无人化”。智能浮标、波浪滑翔器、自主水下航行器（AUV）、无人艇、智慧养殖网箱等装备的共同点，是必须在能源受限、通信受限、无人值守的环境下完成感知、判断与决策，这决定了智能算力必须下沉到设备端，即“边缘AI”。

中国海洋大学是教育部直属全国重点大学，是“双一流”“985工程”“211工程”重点建设高校。在2026年软科世界一流学科排名中，中国海洋大学海洋科学学科位列全球第一。中国海洋大学信息科学与工程学部是以声、光、电、磁、量子等物理前沿为基础，以集成电路与信息通信、人工智能与大数据、网络空间安全与保密、新型超级计算为重点，以海洋智能传感器、海洋智能信息和海洋智能装备研发为鲜明特色的研究教学型学部。学部下设物理与光电工程学院、电子工程学院、计算机科学与技术学院、海洋技术学院、人工智能学院5个学院，以及工业互联网研究院、人工智能研究院。海洋情怀、工科实力、产教融合在这里交汇——这是联合实验室生长的沃土。

苏州国芯科技股份有限公司是一家专注于国产自主可控嵌入式CPU技术研发和产业化应用的芯片设计公司，2022年1月登陆科创板。公司围绕国家”安全自主可控”重大战略，主攻云-边-端AI芯片、量子/抗量子安全芯片以及AI与量子安全融合产品。作为RISC-V开源芯片产业创新中心的牵头建设和日常运营单位、江苏省RISC-V产业联盟理事长单位，国芯科技已在”RISC-V+AI”与”AI+安全”两大方向积累了深厚的技术与生态优势。

剑指”RISC-V + AI”，填补海洋智能芯片空白

当中国顶尖海洋学府的学科优势，融合国产RISC-V AI芯片企业的硬核算力——”海洋人工智能计算芯片联合实验室”应运而生。联合实验室将依托信息科学与工程学部电子工程学院聚焦海洋环境监测、水下智能感知、海洋大数据处理等重大应用场景，共同开展AI芯片技术以及”开源RISC-V指令集架构”技术的研究与产业化落地。未来3至5年，双方将共同制定技术路线图，围绕基础研究、技术示范、产业发展三个层次，构建覆盖”原创—示范—产业”的一体化协同创新体系。

海洋智能装备本质上是一类“极端环境下的边缘智能设备”，同时面临着通信昂贵、低功耗、实时性、可靠性、需要自主决策等硬约束。而RISC-V+AI恰好是当前唯一同时具备“开源自主、低功耗、可定制指令集”三重属性的计算架构。二者不是简单的 “CPU芯片+AI芯片”融合，而是希望从指令集层面为海洋算法（声学信号处理、视觉识别、路径决策）定制算力，从软件栈层面构建开放生态，最终解决海洋装备“芯片贵、功耗高、定制难、被卡脖子”的系统性问题。

产教融合，培养海洋芯片人才

联合实验室的独特之处，在于把科研与育人拧成了一股绳：在人才培养上，中国海洋大学信息科学与工程学部将每年新增硕士研究生进入联合实验室参与课题研究，与国芯科技”联合培养”；国芯科技技术专家与学部教授联合指导硕博士生，共同指导论文与实践课题；国芯科技为学部科研人员提供技术支持，学部为国芯科技员工提供理论进修机会。在成果共享上，联合实验室将充分发挥双方在科研人员、实验场地、仪器设备等方面的互补优势，共享实验场所、共享仪器设备、共享研究资源，研究人员可根据项目需要进入对方工作场地开展研究，并联合申报各级政府科技和产业项目。

结语

未来，双方将以联合实验室为支点，将国芯科技的”RISC-V+AI”芯片能力与中国海洋大学的海洋学科体系深度对接，在水下智能感知装备、海洋大数据智能处理平台、海洋物联网端侧AI芯片等方向持续输出自主可控的”中国芯”解决方案。

来源：苏州国芯科技

 点赞、分享、在看 

 ↓ ↓ ↓ 

近日，可信 Agentic EDA 领域代表企业芯华章科技，与滴水智行科技有限公司（以下简称滴水智行）达成合作，围绕可信 AI 在车规安全方向的应用，联合打造大模型车控安全保障体系，推动大模型输出从能够生成走向能够安全执行，为智能汽车的大模型规模化上车构筑确定性安全防线。

大模型上车，安全成为 “最后一公里”

随着智能座舱从传统语音助手逐步演进为具备主动规划能力的 Agent 系统，大模型不再只是负责自然语言理解和回复生成，而是开始参与用户意图理解、任务拆解、车控 API 调用规划以及多轮交互决策。

这一变化带来了全新的安全课题：一旦模型产生幻觉、误解用户语义、错误补全参数，或者在复杂上下文中把非车控内容误判为车控指令，就可能把语言层面的错误转化为真实的车辆控制动作。

如何既释放大模型的能力上限，又守住车辆安全的底线，成为智能汽车产业必须回答的核心问题。

安全仲裁中间件

在 “模型” 与 “执行” 之间筑起确定性闸门

此次合作聚焦车控链路的“执行前安全确认”环节：在大模型与底层车控执行链路之间，构建独立、可解释、可测试、可追溯的安全仲裁中间件，对Agent输出进行意图解耦、参数结构化、安全规则碰撞、风险分级、澄清确认和日志审计，确保车控指令经确定性安全审查后才可下发。

合作方案将重点围绕四大模块展开建设：

意图安全解耦

对用户输入或 Agent 输出进行四类意图分类（闲聊、信息查询、媒体控制、车身控制），仅当意图属于车身控制时才进入车控参数解析与安全仲裁链路，从入口处将非车控内容隔离在车控安全域之外。

确定性规则仲裁

建立可配置的黑名单、白名单与条件规则矩阵，结合车速、挡位、车门车窗状态、天气环境等多维车辆状态进行规则碰撞：高危指令强制阻断，中低风险指令二次确认，安全指令放行；车辆状态缺失或规则异常时默认Fail-safe，绝不直接下发车控API。

人机确认闭环

对参数缺失、语义歧义和中低风险场景，通过澄清话术模板库与动态话术生成机制实现二次确认；确认超时默认取消执行，避免 “无响应被当作默认同意”。

全链路日志审计

记录输入、解析结果、车辆状态、命中规则、风险等级、仲裁结果与确认状态，形成可追溯、可复现的完整证据链，每条安全规则均可关联对应的正反测试用例和异常注入场景，支撑安全策略的持续迭代与验收。

重构受控车控链路

让灵活交互与确定性安全兼得

此次合作把大模型车控从“模型直接理解并执行”转变为“模型理解、系统仲裁、规则兜底、用户确认、日志追溯”的受控链路。

上游Agent继续负责多轮对话、意图理解和任务拆解，底层车控系统负责指令执行，安全仲裁中间件承担统一入口、统一规则、统一仲裁与统一审计职责。

这一架构既保留了大模型在自然交互方面的灵活性，同时也从系统架构上隔离模型的不确定性，在不改造既有座舱架构的前提下，为大模型车控增加一道独立、可信的安全防线。

滴水智行表示：

“智能座舱的能力边界正在快速拓展，安全机制也需要同步前移。此次合作将把真实车控场景、车辆状态和安全策略与系统化验证结合起来，使车控 Agent 的每一次执行都有清晰边界和可追溯依据，为用户提供更自然、也更安心的智能交互体验。”

芯华章科技表示：

“大模型进入车辆控制链路后，可信的标准不只是回答是否正确，更在于动作为什么能够执行、风险如何被拦截、结果能否被复现。

芯华章基于不断积累的高性能定理证明和约束求解引擎以及完备验证基础设施，致力打造智能座舱大模型车控安全保障系统，让概率性的模型输出在进入物理世界之前，经过明确规则和充分证据的双重约束。”

此次合作将进一步拓展可信AI在安全关键场景中的工程实践。芯华章将继续围绕可证明、可核验、可追溯、可治理的技术框架，以专业验证能力构建从规则定义、测试评测到运行审计的证据闭环，让可信 AI 在智能汽车及更多行业场景中安全、稳健地落地。

关于滴水智行

滴水OS以临港新片区的地标“滴水湖”来命名，借助“滴水湖”的生态之美，传承“水善利万物而不争”之品格，秉持“滴水穿石”之精神，立足临港，全力汇聚全球生态，为汽车出海强势赋能。

滴水OS采用了弹性模块化架构，通过虚拟化技术，融合多个操作系统，可以支持多种架构，既支持分离的智能座舱、自动驾驶架构，也支持舱驾融合的中央计算架构，并且同时支持市场上主流的（Qualcomm、Intel、AMD）多种车载芯片，可以灵活满足海内外主机厂不同的车型架构的设计和市场需求。当前，滴水OS涵盖智能座舱、智能驾驶以及舱驾融合三个版本。

滴水 OS 支持大模型上车，且能够同时实现语言模型和多模态模型在车机端的本地化部署。借助自然语言交互，它能直接领会用户意图，以更快的速度响应用户交互指令和需求，并链接全场景和生态应用，通过将各种生态应用转变为原子化服务，融合汽车自身的传感器信号，能够即时生成用户易于理解的多媒体信息，从而为用户打造沉浸式的无感交互体验。

关于芯华章科技

芯华章为国内领先的数字前端AI+EDA公司，以EDA 2.0为目标，融合人工智能、云原生等前沿技术，对EDA软硬件底层框架进行自主创新，已构建覆盖算法与架构设计、硬件仿真系统、FPGA原型验证系统、智能场景验证、形式验证及逻辑仿真、系统调试等完整的数字设计全流程工具平台，服务逾百家国内头部算力芯片公司。

芯华章致力于开发基于数学定理证明及可验证AI相关解决方案，以保证大模型推理结果可靠、可验证、可解释。目前，已率先在算力芯片与汽车智能控制系统软件等非芯片场景落地，并逐步拓展至具身智能、航空航天、金融等对软件可靠性要求高的系统应用领域。

公司已完成B轮融资，获得中金资本、国开制造业转型升级基金、红杉、云锋、高榕、中芯聚源、真格、云晖等国内顶级资本青睐；获评国家级专精特新”小巨人”、国家高新技术企业、江苏省独角兽企业等130余项荣誉。

关于批准发布《人工智能具身智能数据质量规范第1部分：真实数据》等60项国家标准化指导性技术文件的公告

国家市场监督管理总局（国家标准化管理委员会）批准《人工智能具身智能数据质量规范第1部分：真实数据》等60项国家标准化指导性技术文件，现予以公告。

国家市场监督管理总局国家标准化管理委员会

2026年8月27日

附件：

>>>

序号	国家标准化指导性技术文件编号	国家标准化指导性技术文件名称	代替文件号	发布日期
1	GB/Z 177.5-2026			2026-08-27
2	GB/Z 177.6-2026			2026-08-27
3	GB/Z 208-2026			2026-08-27
4	GB/Z 209-2026			2026-08-27
5	GB/Z 210-2026			2026-08-27
6	GB/Z 211-2026			2026-08-27
7	GB/Z 212-2026			2026-08-27
8	GB/Z 215-2026			2026-08-27
9	GB/Z 216-2026			2026-08-27
10	GB/Z 217.2-2026			2026-08-27
11	GB/Z 218.1-2026			2026-08-27
12	GB/Z 220-2026			2026-08-27
13	GB/Z 221-2026			2026-08-27
14	GB/Z 222-2026			2026-08-27
15	GB/Z 223-2026			2026-08-27
16	GB/Z 224-2026			2026-08-27
17	GB/Z 225-2026			2026-08-27
18	GB/Z 226-2026			2026-08-27
19	GB/Z 227-2026			2026-08-27
20	GB/Z 228-2026			2026-08-27
21	GB/Z 229-2026			2026-08-27
22	GB/Z 230-2026			2026-08-27
23	GB/Z 231-2026			2026-08-27
24	GB/Z 232-2026			2026-08-27
25	GB/Z 233-2026			2026-08-27
26	GB/Z 234-2026			2026-08-27
27	GB/Z 235-2026			2026-08-27
28	GB/Z 236-2026			2026-08-27
29	GB/Z 237-2026			2026-08-27
30	GB/Z 238-2026			2026-08-27
31	GB/Z 239-2026			2026-08-27
32	GB/Z 240-2026			2026-08-27
33	GB/Z 241-2026			2026-08-27
34	GB/Z 242-2026			2026-08-27
35	GB/Z 243-2026			2026-08-27
36	GB/Z 244-2026			2026-08-27
37	GB/Z 245-2026			2026-08-27
38	GB/Z 246-2026			2026-08-27
39	GB/Z 247-2026			2026-08-27
40	GB/Z 248-2026			2026-08-27
41	GB/Z 249-2026			2026-08-27
42	GB/Z 250-2026			2026-08-27
43	GB/Z 251-2026			2026-08-27
44	GB/Z 252-2026			2026-08-27
45	GB/Z 253-2026			2026-08-27
46	GB/Z 254-2026			2026-08-27
47	GB/Z 255-2026			2026-08-27
48	GB/Z 256-2026			2026-08-27
49	GB/Z 257-2026			2026-08-27
50	GB/Z 258-2026			2026-08-27
51	GB/Z 259-2026			2026-08-27
52	GB/Z 260-2026			2026-08-27
53	GB/Z 261-2026			2026-08-27
54	GB/Z 262-2026			2026-08-27
55	GB/Z 265-2026			2026-08-27
56	GB/Z 33521.34-2026			2026-08-27
57	GB/Z 35982.2-2026			2026-08-27
58	GB/Z 42842.4-2026			2026-08-27
59	GB/Z 45288.7-2026			2026-08-27
60	GB/Z 46809.2-2026			2026-08-27

扫码加入

欢迎工作中有相关问题的小伙伴儿加入微信群大家一起交流探讨……

添加管理员

如无法通过群二维码入群，也可添加管理员微信入群……

共同学习，共同成长！！

当前Agent场景下，Agent经常要处理截图、拍照、扫描件，图中文字提取仍是关键一步。和直接让多模态大模型读字相比，专用OCR通常更快、更省算力，纯读字也更稳，CPU就能部署，所以在检索、票据、截图问答这类日常链路里更常见；复杂版面、表格和公式，再交给文档解析或VLM。

*本图由AI生成，仅供示意

PaddleOCR有 PP-OCR、PP-Structure、PP-ChatOCR、 PaddleOCR-VL等产线，通用OCR：PP-OCR先定位文字再识别，模型小，CPU就能部署；PP-StructureV3在OCR之上做版面、表格、公式，适合把扫描件整理成Markdown，硬件要求和通用 OCR接近；PaddleOCR-VL-1.6换成0.9B视觉语言模型，按页做文档理解，复杂版面更强，但推理走生成，需要NPU或GPU。

本文先从PP-OCR开始实测，尝试在OpenAtom openEuler（简称：“openEuler”或“开源欧拉”）24.03 上，部署 PP-OCRv5和 PP-OCRv6，使用鲲鹏CPU，在同一套进程池、同一份数据集，测试批量吞吐和单页时延，关注PP-OCRv5和 PP-OCRv6的性能，不涉及准确率和具体环境配置细节，具体安装流程可以参考文末附带的官方教程。

 一、性能测试路线

指标是 pages/s（一页图一次请求，和 VL 压测的 req/s 同口径）和端到端时延。不涉及 TTFT / tok/s指标。

 二、环境准备

▐ 2.1 环境与版本

注意：如果环境里安装了
paddle-custom-npu
，导入 Paddle 前需要把 NPU 插件隔开，否则会自动使用NPU设备。

▐ 2.2 冒烟测试

▲官方 demo 图，用来确认识别链路能跑通

冒烟测试：

source /paddle_ocr/.venv_client/bin/activateexport PADDLE_PDX_DISABLE_MODEL_SOURCE_CHECK=True
python << 'EOF'from paddleocr import PaddleOCR
ocr = PaddleOCR(    text_detection_model_name="PP-OCRv5_server_det",    text_detection_model_dir="/paddle_ocr/cpu_pipeline/models/PP-OCRv5_server_det_onnx",    text_recognition_model_name="PP-OCRv5_server_rec",    text_recognition_model_dir="/paddle_ocr/cpu_pipeline/models/PP-OCRv5_server_rec_onnx",    engine="onnxruntime",    device="cpu",    cpu_threads=8,    enable_mkldnn=False,    use_doc_orientation_classify=False,    use_doc_unwarping=False,    use_textline_orientation=False,)
output = ocr.predict("/paddle_ocr/demo/paddleocr_vl_demo.png")for i, res in enumerate(output):    res.print()print("SMOKE_OK")EOF

跑通标志：终端打印 SMOKE_OK，并能看到识别出的文字行，实测如下：

三、压测约定

矩阵只用 OmniDocBench 子集（全量 1651 页中抽 40 页）。一页图一次请求，warmup 2 页，请求一次打满。

并发用进程池，每进程一份识别实例。n = max(2, ceil(1.5×c))。

四、测试矩阵与结果

本文压测使用多进程的方式并发：主进程按并发 c 拉起进程池，每个子进程加载一份检测 + 识别（ONNX Runtime，CPU），直接对本地图片做 predict()。v5、v6 压力对齐：同一份 OmniDocBench subset40、同一组c / n、warmup 2 页、请求一次打满。

▐ 4.1 压测步骤

以 c=12、n=18 为例：

# PP-OCRv5：source /paddle_ocr/.venv_client/bin/activate
/paddle_ocr/.venv_client/bin/python /paddle_ocr/cpu_pipeline/bench_cpu_pipeline.py \  --dataset /paddle_ocr/datasets/OmniDocBench/omnidocbench_subset40.jsonl \  --c 12 \  --n 18 \  --warmup 2 \  --det-dir /paddle_ocr/cpu_pipeline/models/PP-OCRv5_server_det_onnx \  --rec-dir /paddle_ocr/cpu_pipeline/models/PP-OCRv5_server_rec_onnx \  --out-json /paddle_ocr/bench_results/matrix_cpu_pipeline/by_cell/c12_n18.json
# PP-OCRv6：source /paddle_ocr/.venv_v6serve/bin/activate/paddle_ocr/.venv_v6serve/bin/python /paddle_ocr/v6serve/bench_v6_pipeline.py \  --dataset /paddle_ocr/datasets/OmniDocBench/omnidocbench_subset40.jsonl \  --c 12 \  --n 18 \  --warmup 2 \  --det-dir /paddle_ocr/v6serve/models/PP-OCRv6_medium_det_onnx \  --rec-dir /paddle_ocr/v6serve/models/PP-OCRv6_medium_rec_onnx \  --out-json /paddle_ocr/bench_results/matrix_cpu_v6pipeline/by_cell/c12_n18.json

每个子进程里的识别实例等价于冒烟时的 PaddleOCR(…, engine=”onnxruntime”, device=”cpu”)，并关掉方向 / 矫正 / 行方向。cpu_threads = max(1, min(16, nproc/c))。进程用 spawn启动，避免 fork 后再加载 Paddle。

▐ 4.2 测试结果

PP-OCRv5：

PP-OCRv6：

注意，不同环境下和压测方式下对压测结果结果都有影响，以上数据仅供参考。

同一台机器、同一套进程池。v6 低并发中位约 3.0s（v5 约 3.8～3.9s），吞吐在 c=12 见顶 0.70 pages/s（v5 为 0.58），大约快两成。两边都是 c=12 最好，再往上时延拉长、pages/s 回落；c≥16 时 v6 吞吐掉得更明显，批量仍宜停在 c=12 附近。

 五、总结

• 要在 openEuler 和鲲鹏 CPU 上做传统 OCR，PP-OCRv5 / v6 加 ONNX Runtime 都能跑通。同样环境、同样压法，v6 峰值更高、低并发更省时（c=12：0.70 vs 0.58 pages/s；c=1 中位约 3.0s vs 3.8s）。

  
  

• 批量吞吐把并发放在 c=12 附近；要单页时延低的话，把 c 留在 1～2。c≥16 两边都会掉，v6 掉得更明显。

  
  

• 这是检测加识别，复杂版面、公式、跨栏解析不能按 PaddleOCR-VL-1.6 的效果来预期。

下一篇文章将会基于相同环境，实测 PaddleOCR-VL-1.6 在 CPU 和 NPU 上运行的性能，以上实测数据可以作为对比。

参考链接

PaddleOCR 通用 OCR：

https://www.paddleocr.ai/latest/version3.x/pipeline_usage/OCR.html

OmniDocBench：

https://huggingface.co/datasets/opendatalab/OmniDocBench

本专项聚焦 openEuler 系统 AI 北向软件生态适配与性能优化，围绕大、中、小模型全场景推理、训练需求，完成 SGLang、Ollama、vLLM、PaddleOCR 等主流 AI 框架及工具链的适配兼容与性能调优，覆盖大模型推理加速、轻量化模型部署、向量语义编码、语义重排、多场景 OCR 识别等核心AI能力。专项打通系统层与 AI 应用框架的适配壁垒，解决 openEuler 环境下 AI 模型框架部署兼容差、运行低效、适配碎片化等问题，搭建标准化、高性能、全适配的北向 AI 软件栈，充分释放系统异构算力，为开发者提供开箱即用的大模型开发、微调与部署环境，完善从底层算力到上层 AI 应用的全链路生态支撑。

-END-

供稿 | 欧阳庆

编辑 | 丘云

校审 | 赵家麒、郑振宇、刘彦飞

往期推荐

关注我们，了解更多

▼

论坛议程

论坛名称：RISC-V开放算力论坛：具身智能·大模型·数据中心

论坛时间：9月18日（星期五）09:00-11:50

论坛地点：北京北人亦创国际会展中心 会议中心（南）二层会议室S201A

主办单位：北京集成电路学会、RDI聚力联盟

承办单位：北京RISC-V数字基础设施创新中心

时 间	演讲嘉宾与题目
主持人：刘玮玮 北京RISC-V数字基础设施创新中心 董事长
09:00-09:10	主持人开场
09:10-09:30	《超越与重塑：RISC-V 重新定义 AI 计算》 刘  帅 北京奕斯伟计算技术股份有限公司 副总裁、首席市场营销官
09:30-09:50	《RISC‑V AI 算力体系发展及中国电信创新实践》 陆  钢 中国电信股份有限公司研究院 云网融合技术研究所副所长
09:50-10:10	《开放架构破局：RISC-V 迈入数据中心新征程》 席宏海 武汉元石智算科技有限公司 CTO
10:10-10:30	《数据可信，算力自主——海洋数据要素场景下RISC-V AI+安全底座》 刘焕斌 青岛国实信息科技有限公司 技术总监
10:30-10:50	《生态建设与技术创新：openKylin助力RISC-V算力生态发展》 王文竹 openKylin社区技术委员会委员
10:50-11:10	《开放·融合·高效：共建RISC-V智算产业生态》 张  磊 北京砺睿微电子科技有限公司 算力平台部部长
11:10-11:30	《迎接开放算力新纪元-高性能RISC-V的产业应用实践》 康晓啸 北京算能科技有限公司 RISC-V产品副总裁
11:30-11:50	《面向AI多元负载：RISC-V数字基础设施，从智算中心到具身智能端边协同》 陈景伟 北京RISC-V数字基础设施创新中心 总经理

注：以上为初步议程，最终安排以实际为准

观众报名

报名二维码：

扫描二维码报名参会

观众报名抽奖

本届大会设置观众报名抽奖，奖品近千份共5类，关注大会官方公众号，后台回复“抽奖” 即可参与抽奖。

奖品领取中奖观众请报名参会后于大会期间至大会现场综合服务中心领取奖品。

注意事项

本届大会实行实名入场制度，请您提前注册报名，并请携带身份证/护照/港澳台通行证入场参会观展。

联系方式

（一） 参展、展会赞助及商务合作咨询：

王先生 18811546976

李先生 13121980603

毕先生 18811349611

（二） 论坛咨询：

赵女士 13370171058

黄女士 15901253209

（三） 媒体合作咨询：

杨女士 17718508143

（四）联系邮箱：ZIA@zia-bj.org.cn

文章来源：IC WORLD大会

9月16日至18日，
2026北京微电子国际研讨会暨IC WORLD大会将在北京经开区北人亦创国际会展中心举办。
大会以“驭智拓芯途，强芯铸新篇”为主题，将通过学术会议和博览会两大板块协同发力
，搭建集前沿研讨、成果展示与产业对接于一体的高端交流平台。
大会学术会议及博览会均免费向大众开放，期待与
您见面！

主办单位：

中关村芯链集成电路制造产业联盟

北京半导体行业协会

北京集成电路学会

北方集成电路技术创新中心（北京）有限公司

SEMI China

北京国际工程咨询有限公司

协办单位：

国家信创园

北京奕摩集成电路卓越工程师创新研究院

中关村集成电路材料产业技术创新联盟

北京电子制造装备行业协会

中关村高性能芯片互联技术联盟

北京RISC-V数字基础设施创新中心

大会总议程

注：最终安排以实际为准

北京RISC-V数字基础设施创新中心承办的“RISC-V开放算力论坛：具身智能·大模型·数据中心”为此次大会的重要分论坛之一，在此诚邀行业同仁莅临现场，共话开放算力新机遇，共建RISC‑V繁荣产业生态。

专题论坛八议程

论坛名称：RISC-V开放算力论坛：具身智能·大模型·数据中心

论坛时间：9月18日（星期五）09:00-11:50

论坛地点：北京北人亦创国际会展中心 会议中心（南）二层会议室S201A

主办单位：北京集成电路学会、RDI聚力联盟

承办单位：北京RISC-V数字基础设施创新中心

时 间	演讲嘉宾与题目
主持人：刘玮玮 北京RISC-V数字基础设施创新中心 董事长
9:00-9:10	主持人开场
9:10-9:30	《超越与重塑：RISC-V 重新定义 AI 计算》 刘  帅 北京奕斯伟计算技术股份有限公司 副总裁、首席市场营销官
9:30-9:50	《RISC‑V AI 算力体系发展及中国电信创新实践》 陆  钢 中国电信股份有限公司研究院 云网融合技术研究所副所长
9:50-10:10	《开放架构破局：RISC-V 迈入数据中心新征程》 席宏海 武汉元石智算科技有限公司 CTO
10:10-10:30	《数据可信，算力自主——海洋数据要素场景下RISC-V AI+安全底座》 刘焕斌 青岛国实信息科技有限公司 技术总监
10:30-10:50	《生态建设与技术创新：openKylin助力RISC-V算力生态发展》 王文竹 openKylin社区技术委员会委员
10:50-11:10	《开放·融合·高效：共建RISC-V智算产业生态》 张  磊 北京砺睿微电子科技有限公司 算力平台部部长
11:10-11:30	《迎接开放算力新纪元-高性能RISC-V的产业应用实践》 康晓啸 北京算能科技有限公司 RISC-V产品副总裁
11:30-11:50	《面向AI多元负载：RISC-V数字基础设施，从智算中心到具身智能端边协同》 陈景伟 北京RISC-V数字基础设施创新中心 总经理

注：最终安排以实际为准

参会指南

场馆信息

场馆地址：北人亦创国际会展中心（北京经济技术开发区亦庄荣昌东街6号）

入场流程：工作人员确认登记二维码→证件中心领取证件→入场安检→经身份验证闸机进入会场。

展商入场时间：9月16日-9月18日，上午8:00后

观众入场时间：9月16日-9月18日，上午8:30后

步行前往：由北人亦创会展中心西2门进入。

驾车前往：行驶至宏达南路，从北人亦创会展中心南1门进入，停车处位于南广场。场馆停车位置有限，如停车场已满，可在场馆附近格兰云天酒店或场馆对面园区缴费停车。

交通参考

飞机出行：

北京首都国际机场：北京市朝阳区首都机场路，距离会场约46km，车程约1小时15分钟。

北京大兴国际机场：北京市大兴区内，距离会场约42km，车程约45分钟。

高铁出行：

北京站：距离会场约20km，车程约35分钟。

北京西站：距离会场约29km，车程约50分钟。

北京南站：距离会场约20km，车程约40分钟。

北京北站：距离会场约38km，车程约1小时15分钟。

观众报名

报名二维码：

扫描二维码报名参会

观众报名抽奖

本届大会设置观众报名抽奖，奖品近千份共5类，关注大会官方公众号——IC WORLD大会，后台回复“抽奖” 即可参与抽奖。

奖品领取：中奖观众请报名参会后于大会期间至大会现场综合服务中心领取奖品。

注意事项

本届大会实行实名入场制度，请您提前注册报名，并请携带身份证/护照/港澳台通行证入场参会观展。

联系方式

（一） 参展、展会赞助及商务合作咨询：

王先生 18811546976

李先生 13121980603

毕先生 18811349611

（二） 论坛咨询：

赵女士 13370171058

黄女士 15901253209

（三） 媒体合作咨询：

杨女士 17718508143

（四）联系邮箱：ZIA@zia-bj.org.cn

部分内容来源于IC WORLD大会官方

【延伸阅读】

本期看点

● 四川省人工智能科技伦理审查与服务中心“揭榜挂帅”申报工作开始

● 2026年度四川省中小企业发展专项项目开始申报

01

四川省人工智能科技伦理审查与服务中心“揭榜挂帅”申报工作开始

来源

四川省科学技术厅门户网站

为深入贯彻落实《工业和信息化部办公厅关于实施人工智能科技伦理审查与服务先导计划的通知》（工信厅科函〔2026〕199号）、《工业和信息化部等十部门关于印发〈人工智能科技伦理审查与服务办法（试行）〉的通知》（工信部联科〔2026〕75号）、《关于健全科技伦理治理机制有效防控科技伦理风险的实施方案》（川科监〔2023〕1号）等文件要求，四川省经济和信息化厅、四川省科学技术厅组织开展人工智能科技伦理审查与服务中心“揭榜挂帅”申报工作并就有关事项发布通知。

任务目标

围绕落实《人工智能科技伦理审查与服务办法（试行）》，面向我省人工智能产业发展和创新应用需求，聚焦人工智能基础底座领域（数据、算法、模型）及制造、科技等垂直应用领域，发掘培育具备人工智能科技伦理审查与服务综合能力的专业机构，建成人工智能科技伦理审查与服务中心；配合省级部门开展专家复核，并对复核清单动态更新提出建议；接入人工智能科技伦理风险监测服务网络，按照有关要求报送审查和风险应急情况；提供人工智能科技活动伦理审查、培训、咨询、风险评估等服务。

申报条件

（一）申报单位应为在四川省内注册，具有独立法人资格的高等学校、科研机构、医疗卫生机构、企事业单位、新型研发机构、产业园区或科技类社会团体，可组成联合体申报。申报单位（含联合体）应在人工智能技术研发、应用治理、科技伦理、数据安全、个人信息保护、网络安全、法律合规、标准评测等方面具有相应基础，治理结构健全，信用状况良好。

（二）申报单位（含联合体）应具备与服务规模相适应的办公场所、设施设备、信息化系统、运行经费和专职工作人员，具备较好的人工智能科技伦理审查和服务能力。专职人员应熟悉科技伦理、人工智能、应用软件、数据和个人信息保护等相关要求，能够主动配合开展现场评估和宣传总结，积极推广典型经验。

（三）申报单位（含联合体）应已建立人工智能科技伦理专家资源，专家专业背景应覆盖人工智能技术、行业应用、伦理、法律、数据安全、个人信息保护、社会治理等领域。

（四）申报单位（含联合体）应建立独立审查、利益冲突管理、回避、保密、档案管理、质量控制、投诉处理、应急审查等制度和标准操作规程，具备保障服务中心独立、客观、公正开展工作的组织条件。

组织实施

（一）申报单位（含联合体）可结合自身实际编制《四川省人工智能科技伦理审查与服务中心揭榜任务申请报告》（附件），明确揭榜任务目标、项目建设内容、预期经济效益等信息。申报单位应对申报内容的真实性负责，确保申报材料不涉及国家秘密、商业秘密。

（二）每个单位可牵头申报１个项目。揭榜任务应以提升人工智能科技活动伦理审查、复核、培训、咨询、风险评估和监测预警能力为核心，以建成功能齐备、运行高效、服务专业的人工智能科技伦理审查与服务中心为目标，主动开展人工智能科技伦理审查技术创新和应用验证。

（三）揭榜单位应具备承接委托开展人工智能科技活动伦理审查的能力，能够对已审查批准的人工智能科技活动开展跟踪审查，接受地方或者相关主管部门委托具体实施人工智能科技伦理专家复核事务性、技术性工作，开展人工智能科技伦理宣传教育、专业培训、案例研究、标准宣贯和能力建设，为中小微企业、初创企业、科研团队等创新主体提供伦理审查辅导、材料预审、模板工具、政策咨询等支持。

（四）推荐工作由市（州）经济和信息化局牵头，联合市（州）科学技术局进行，并于2026年9月17日前将《四川省人工智能科技伦理审查与服务中心揭榜任务申请报告》（附件，纸质版一式三份，加盖公章）报送至经济和信息化厅，并将可编辑电子版1份发送至邮箱（znhfzc@mail.scsjxt.com）。省级部门将组织形式审查、专家评审和现场核查，对通过核查的揭榜单位进行公示，公示期满无异议后公布揭榜结果。

（五）推荐工作应遵循政府引导、单位自愿原则，优先推荐在人工智能科技伦理审查与服务领域基础扎实、创新能力突出、行业带动作用明显的项目。推荐单位应当加强对最终入选揭榜单位的指导、监督和服务，在同等情况下，给予政策、要素等优先支持。

（六）揭榜单位应按照申报书提出的攻关目标和指标要求组织实施，中心建设周期自揭榜结果公布之日起计算，原则上不超过1年，分为建设期、试运行期和考核验收期。

1.建设期（自公布之日起6个月内）。完成中心组建，落实办公场所、设施设备、专职工作人员及运行经费，建立专家库及独立审查、利益冲突管理、回避、保密、应急审查等制度，按照有关要求在国家科技伦理管理信息登记平台进行登记。

2.试运行期（建设期满后3个月内）。开展首批人工智能科技活动伦理审查、专家复核、培训咨询等活动，检验并完善标准操作规程。

3.考核验收期（试运行期满后3个月内）。向省级部门提交验收申请，由省级部门组织专家对照申报书进行验收；验收通过后进入正式运营。未按期完成建设、验收不通过或考核不达标的，责令限期整改，整改后仍不达标的，取消揭榜资格并按规定处理。

联系人及电话

雷老师，028-81711615

张老师，028-86728905

附件

四川省人工智能科技伦理审查与服务中心揭榜任务申请报告

查看原通知、下载附件，请长按识别或扫描下方二维码↓↓↓

▼

02

2026年度四川省中小企业发展专项项目开始申报

来源

四川省科学技术厅门户网站

为深入贯彻省委、省政府关于创新驱动引领高质量发展的战略部署，加快培育新质生产力，充分发挥省级财政资金的引导和杠杆效应，进一步激发全省中小企业创新创业活力，着力构建更加完善的科技创新生态，根据《省级财政中小企业发展专项资金管理办法》（川财建〔2025〕256号）相关要求，为做好2026年度省级财政中小企业发展专项资金项目申报工作，四川省科学技术厅就有关事项发布通知。

项目类型

（一）科技型企业孵化器项目：支持部级、厅级科技型企业孵化器聚焦新兴产业和未来产业，孵化培育科技型中小企业等。

（二）科技型中小企业创新能力提升项目：支持科技型中小企业对已实施并取得阶段性创新成果的技术项目进行迭代升级、产品创新和成果熟化，有效增强企业核心竞争力。

（三）科创岛分岛孵化（服务）企业成果转化项目：支持分岛孵化或培育服务的企业推进成果熟化、示范应用与产业化，提升成果转化实效与市场竞争力。

支持方式及金额

（一）科技型企业孵化器项目：项目以竞争择优的方式产生，采取后补助方式，根据服务能力和孵化绩效等指标情况给予项目资金支持，每个项目最高支持金额不超过30万元。

（二）科技型中小企业创新能力提升项目：项目以竞争择优方式产生，采取后补助方式，每个项目支持经费额度为50万元。

（三）科创岛分岛孵化（服务）企业成果转化项目：项目以竞争择优方式产生，采取前补助方式，每个项目支持经费额度不超过50万元。

申报条件

（一）科技型企业孵化器项目：申报单位为四川省内注册、具备独立法人资格，且在实质运营管理的部级或厅级科技型企业孵化器的依托单位，具有较强孵化培育科技型中小企业的能力。

（二）科技型中小企业创新能力提升项目：申报企业为四川省内注册、具备独立法人资格、取得2025年国家科技型中小企业信息库入库登记编号的企业，经营正常，管理运行规范，具有较强的科研能力和条件，近三年无严重失信、无重大安全环保和质量事故。

1.企业2025年度营业收入原则上不低于2000万元。

2.企业2025年度研发投入占营业收入的比例要达到5%以上，其中，研发投入金额以企业所得税年度汇算清缴时，向税务部门自行申报的允许加计扣除的研发费用总额为准。

3.项目已实际实施6个月及以上，具备可核验的阶段性研发成果（发明专利、软件著作权、样机/样品、小试数据、检测报告等），应提供相关证明材料。

4.项目总投入不低于300万元，具备明确的能力提升目标、技术路线及产业化前景。

（三）科创岛分岛孵化（服务）企业成果转化项目：申报单位为各科创岛分岛所在市（州）注册、具备独立法人资格，并由分岛孵化或培育服务的企业，需同时提供相关佐证材料【分岛孵化企业提供材料包括：在科创岛分岛注册或入驻办公证明文件或合作协议或租赁合同等；培育服务的企业提供材料包括：企业受邀上岛参加成果转化系列活动、项目路演、产品展示、商业洽谈、融资对接等证明材料等，须加盖企业及科创岛分岛运营单位（或所在地市州科技局）公章】。鼓励具有独立法人的高校、科研院所作为技术依托的合作单位参与项目实施，合作项目双方须签订相应的技术合同或合作协议，且知识产权归属清晰，权利义务明确。

1.企业资产及经营状态良好，具有良好的资金筹措能力。申报企业自筹与申请经费比例不低于3:1。所有承诺提供自筹资金的企业应提交自筹承诺，需同时提供满足自筹能力的相关支撑材料（以下材料之一：电子税务局下载的2026年第二季度企业财务季报或2026年8月末银行对账单或2026年8月末存款证明或银行授信额度证明），其中：二季度货币资金期末数或8月末对账单资金余额或8月末资金存款余额或银行贷款授信额度不低于自筹资金。

2.企业需具备良好的研究开发能力和产业化条件，有稳定的研发投入。

3.企业2025年度营业收入不低于200万元。

4.转化成果应是2022年1月1日以后，取得的发明专利（含国际PCT专利、植物品种权等，生物医药成果可放宽至2019年1月1日以后），或实用新型专利或获市级及以上科技奖励的科技成果或承担市级及以上科技研发计划验收通过后的项目成果或取得的特殊行业准入证书或检测报告。

5.转化成果应已完成研发且进入中试或熟化阶段，具有良好的市场应用前景。

6.申报企业须提供2025年度审计报告或财务报表（申报单位对审计报告、财务报表的真实性负责）。

7.项目实施周期为2年，自2026年10月1日起。

申报要求

（一）申报项目符合国家和四川省产业政策发展方向，技术水平较高，目标任务明确具体，预期技术指标量化可考核，项目完成后能形成具有自主知识产权的技术成果和产业化指标。

（二）项目申报人包括项目负责人和项目参与人。项目负责人应为实际主持该项目研究的科技人员。项目负责人原则上应为1969年9月30日以后出生（中国科学院、中国工程院院士除外）。

（三）鼓励在川工作的外籍科技人员申报项目。作为项目负责人申报项目的，项目实施周期应处于其聘用合同中规定的聘用期限内，聘用合同应作为申报书附件材料扫描上传。

（四）项目负责人一般应为牵头单位人员，应具有中级及以上职称或本科毕业5年或硕士毕业2年及以上学历。按照《关于支持和鼓励事业单位专业技术人员创新创业的指导意见》（人社部规〔2017〕4号）文件精神，允许高等学校、科研院所等事业单位的科技人员，经所在单位批准从事创业或到企业开展研发、成果转化等。属于此类情况的科技人员由人事关系所在单位统一向科技厅报送名单，可作为离岗创新创业、兼职创新创业单位的项目负责人。

（五）每个申报企业本年度限报1项；同一项目不得以任何形式跨计划、跨专项重复申报；项目负责人本年度正在牵头申报其他省科技计划项目的不得申报；近两年获得过中小企业专项资金项目、定向项目的企业本次不予支持。

（六）省级科技计划项目申报人纳入年度限项管理。同一年度（2026年度）、同一项目申报人新申报项目总数不得超过2个。其中：作为项目负责人牵头申报2026年度项目限1项，目前承担有省级科技计划项目或还在限制申报期内的项目负责人不得牵头申报。在研项目负责人不得因申报新项目而退出在研项目；退出项目研发团队的，在原项目执行期内原则上不得牵头或参与申报新的项目申报。

（七）申报企业须对申报材料中涉及的指标、数据和相关证明、附件材料的真实性负责，提供虚假材料，一经核实，按科研诚信相关规定进行处理。申报项目受理后，原则上不能更改申报企业和负责人，不能更改申报材料内容。不受理涉密项目。

（八）市（州）科技管理部门在项目推荐时，要重点考虑项目实施对区域产业发展和科技企业孵化培育的预期绩效。

（九）项目申报企业、项目负责人应具备良好的科研诚信状况，不存在惩戒执行期内的科研严重失信行为记录，无不予支持或相关社会领域信用的问题记录。

申报流程（详见原通知）

2026年度四川省中小企业发展专项项目实行网上申报。

申报身份获取→项目负责人填报→申报单位审核→推荐单位审核、汇总、报送→申报书修改

四川省科技管理信息系统网址：

http://202.61.89.120/

申报时限

（一）申报单位要求

2026年度中小企业发展专项资金项目网上申报时间为：2026年9月8日-2026年9月27日18时，四川省科技管理信息系统将在申报截止时间2026年9月27日18时自动关闭，逾期不再受理。

（二）推荐单位要求

1.地方推荐单位可在此通知基础上另行制定通知，明确当地项目申报截止时间和报送流程；

2.各推荐单位应加强对所推荐的项目申报材料审核把关，按时将推荐项目通过四川省科技管理信息系统统一推荐，地方科技部门初步形成推荐意见后，会商同级财政部门，联合向科技厅和财政厅报送推荐函、项目汇总表；

3.推荐单位报推荐函、项目汇总表（纸质件和电子扫描件同步），纸质件寄送2份，截止时间：2026年9月29日18时。

材料报送

为减轻科研人员和申报单位负担，项目申报时暂不提交项目申报书纸件。待申报项目立项公示后，另行通知申报书纸件报送。未立项项目无需报送纸件。

推荐函、项目汇总表寄送地址：成都市锦江区学道街39号（四川省科学技术厅217室）

申报咨询

（一）申报指南咨询（咨询时间：工作日8:30-12:00，14:00-18:00）

科技厅产业处：

赵曼佳 028-86729286、86676329

科技厅成果处：

刘默耕 028-86712007、86723913

省产业技术研究院：

王琼瑶 028-81531647

省生产力中心：

蒋德书 028-68107839

省转移中心：

王家政 028-62671780

财政厅经建处：

廖玉群 028-86725527

（二）技术支持热线（咨询时间：工作日9:00-17:00）

028-85231642、85481881

查看原通知，请长按识别或扫描下方二维码↓↓↓

▼

你“在看”吗？

↓↓↓