中国机器人出海:低价打开海外市场,盈利仍面临三道门槛

宇树四足机器人机场落地:技术底座、场景适配与航空级认证 四足机器人正从实验室演示走向真实工业场景,其核心是机电软一体化系统工程能力。在高安全、强鲁棒、严合规的机场环境中,技术价值不再仅体现于运动性能参数,更在于实时感知-决策-执行闭环、极端环境适应性及民航级功能安全认证能力。宇树科技凭借高功率密度直驱电机、MPC+强化学习混合控制算法与国产化成本攻坚,在全球四足机器人出货量中居首;而日本航空等枢纽机场的真实痛点,则聚焦于行李转运效率瓶颈、地勤人力隐性损耗与弹性运力缺口。二者交汇点不在资本并购,而在封闭场景单点验证、系统级数据对接与多机协同规模化落地——这正是中国 阅读详情

中国机器人出海:从产品输出到全球布局

在美国加利福尼亚州的一个仓库里,约30个长约1.5米、高约60厘米的木箱堆叠在一起,箱子里装的是来自中国机器人公司宇树科技的人形机器人。几小时后,它们将被发往美国各地的高校、研究机构和AI创业公司。这里是宇树美国官方合作伙伴ToverlifeAI的物流中心,据其CEO David Schulhof称,每月约有100台中国制造的人形机器人经此进出并销往美国各地,客户数量接近1000家,需求远超供给,未来几年订单无忧。

这样的场景,一年前难以想象。过去几年,全球人形机器人行业主角是美国,从Figure AI到Tesla Optimus,再到Boston Dynamics,大家都在讨论谁能率先造出真正可用的人形机器人。但今年以来,率先大规模走向海外市场的却是中国企业。在日本东京羽田机场,宇树机器人参与机场地勤作业测试;在马来西亚,智元机器人开设首个海外体验中心;在欧洲和中东,越来越多中国机器人进入高校、科研机构、开发者社区以及工业应用场景。同时,从CES到MWC,中国机器人企业频繁亮相国际科技展会。

对于中国机器人企业而言,海外既是更大的市场,也是商业模式的试验场。从科研教育到工业制造,从产品出口到本地化运营,一场围绕全球市场的竞争已经开始。

1. 谁在购买中国机器人?

中国机器人能迅速打开海外市场,重要原因是它们成为全球开发者最容易买到的人形机器人。ToverlifeAI的仓库只是一个缩影,据其相关负责人介绍,大学、研究机构和初创公司出于研究目的对这些机器人需求量很大。相比仍处于研发和小规模试点阶段的美国本土人形机器人,中国产品不仅更便宜,也更容易获得。

目前,美国大多数人形机器人仍处于研发阶段。Figure AI公司仅在南卡罗来纳州斯帕坦堡的宝马工厂部署了其人形机器人Figure 02进行试点运行;特斯拉的Optimus也仍在研发中;只有现代汽车公司旗下子公司波士顿动力的Atlas已开始量产,但价格颇高,据报道,这些美国人形机器人的单价高达数万至数十万美元。相比之下,宇树科技旗舰机器人G1在美国的零售价约为1.6万美元。

价格优势迅速转化为市场份额。据市场研究公司Omdia的数据显示,去年全球人形机器人出货量约为13000台,中国企业占据了出货量前五名的大部分席位,美国竞争对手Figure AI位列第七,特斯拉排名第九。与此同时,中国机器人的出口开始快速增长,海关最新数据显示,2026年一季度,中国人形机器人出口同比增长达210%,欧洲、东南亚和中东成为中国具身智能出海的核心阵地。

不仅是欧美科研市场,中国厂商多点开花。今年1月,智元机器人(AgiBot)在马来西亚雪兰莪州莎阿南开业了海外首家机器人体验馆 "i - City AI World",其远征A2具身智能机器人担当 "服务官",用流畅的英语和马来语迎宾导览,并现场发布了覆盖亚太10个市场的 "租赁联盟"。同年6月,傅利叶智能(Fourier)的通用人形机器人拿下千万级订单,打包进驻马来西亚国家级PERKESO康复中心,在临床康复和医学研究场景中实现了商业闭环。在日本市场,GMO Internet Group旗下子公司GMO AIR也于2026年6月与宇树签署代理协议,面向日本本土企业提供G1和H1人形机器人的直销与租赁服务,日租金100,000日元起。

今年以来,摩根士丹利连续第二次上调了对中国人形机器人今年出货量的预测,从年初的1.4万台、4月的2.8万台,到如今上调至5万台。摩根士丹利认为,中国人形机器人行业从演示阶段向商业部署阶段的转变速度比预期更快,其估计,中国的人形机器人市场今年将达到20亿美元,到2030年将增长至150亿美元,届时,年出货量预计将达到44.6万台。

2. 机器人出海如何盈利?

海外市场正在打开,但对于仍处于产业早期的人形机器人行业而言,卖出去只是第一步。相比新能源汽车、消费电子等成熟产业,人形机器人真正的挑战并非订单,而是如何将海外需求转化为可持续的商业模式。从目前来看,价格、场景和服务,仍是摆在中国机器人企业面前的三道门槛。

首先,人形机器人价格越来越低,利润空间正被压缩。过去一两年,人形机器人行业经历快速降价。随着供应链逐渐成熟,核心零部件成本下降,以及越来越多玩家进入市场,国内人形机器人的价格迅速下探。今年3月初,优必选宣布其工业版人形机器人售价下调至12.8万元,傅利叶智能紧随其后推出11.5万元的GR - 3型号,宇树科技更是将G1系列定价至9.9万元,跌破10万元大关。这种价格竞争也延续到了海外,以宇树为例,其G1人形机器人目前海外官方售价约1.6万至2.15万美元,仅为欧美同类研发平台价格的1/10到1/3。较低的价格帮助中国企业迅速打开海外高校、科研机构和开发者市场,但也意味着利润空间被不断压缩。更重要的是,目前大多数海外订单仍集中在科研教育领域,宇树招股书显示,2025年其人形机器人业务约73.6%的收入仍来自科研教育客户。这类客户虽然有助于快速建立开发者生态,却难以支撑行业实现真正意义上的规模化盈利。对于中国机器人企业而言,如何从科研订单走向工业订单、从一次性销售走向持续服务收入,仍是商业化必须回答的问题。

第二,机器人价格降了,但部署成本依然很高。机器人越来越便宜,并不意味着客户使用机器人的成本同步下降。对于企业客户而言,购买机器人只是整个项目投入的一部分,真正昂贵的是后续的软件开发、系统集成、末端执行器定制、现场调试以及长期运维。高工机器人产业研究所(GGII)指出,虽然2026年一季度基本款人形机器人单台硬件采购价已降至10万元人民币,但由于实际应用场景需要高深度的二次开发、末端执行器定制以及长期的本地化维保服务,其实际系统集成总成本(TCO)往往接近50万至60万元。对于汽车制造、物流仓储等大型企业,这部分投入仍具有经济性;但对于更广泛的中小制造企业而言,投资回报周期依然偏长,距离大规模复制还有一定距离。

最后,全球化竞争,拼的不只是产品本身。相比消费电子产品,人形机器人更像一套长期运行的智能系统。机器人进入海外市场后,客户不仅关注产品性能,更关注售后响应速度、软件持续升级能力、本地维护网络以及数据安全和合规能力。尤其是在欧美市场,随着机器人逐步进入工厂、商场甚至公共服务场景,产品还需要满足更严格的安全认证、隐私保护、数据跨境流动等监管要求。本地化交付和服务能力,正在成为决定企业能否持续获得订单的重要因素。这也是为什么越来越多中国机器人企业开始建立海外代理体系、体验中心和本地合作伙伴,希望将销售、培训、维修和开发支持前移,提升全球化运营能力。

3. 结语

从新能源汽车到无人机,中国制造的全球化路径都经历过同样的过程,先依靠产品和价格打开市场,再依靠品牌、服务和生态建立长期竞争力。人形机器人或许也正走在同一条路上。今天,中国企业已经率先把机器人卖到了海外;而未来真正决定行业格局的,将是谁能够率先建立覆盖全球的产品、服务和生态体系,让机器人真正融入海外工厂、物流中心和商业场景,实现从出海到扎根的跨越。

泳池机器人明星企业智橙动力进入破产审查:一场“预重整”背后的行业洗牌信号 智橙动力(SMOROBOT母公司)因现金流断裂、债务累积,于2026年9月接连被债权人及自身申请破产审查,虽尚未正式裁定破产,但已暴露硬件出海企业深层困境。尽管获科沃斯等知名资本青睐,产品销往欧美并近亿元营收,却困于季节性销售错配、中端夹心定位、海外渠道与售后成本高企等结构性难题。案例警示:高增长赛道不等于低风险,现金流管理与本地化能力才是出海成败关键。 阅读详情

相关推荐

工程师必看:如何用功率谱密度搞定随机振动测试(附Grms计算实例)

本文为工程师详解如何通过功率谱密度(PSD)曲线计算Grms(总均方根加速度),从而量化随机振动测试的强度。文章拆解了平直谱、斜谱的计算公式,提供了完整的Grms计算实例,并指出了单位换算、对数坐标等常见工程陷阱,帮助工程师精准完成测试准备与设备推力评估。

3c4x5z6v7b的博客 627

中国机器人出海势头猛:价格优势凸显,市场份额飙升,盈利挑战待解!

从新能源汽车到无人机,中国制造全球化先靠产品和价格打开市场,再靠品牌、服务和生态建立竞争力。人形机器人或许也走在同一条路上。如今,中国企业率先把机器人卖到海外,未来谁能建立全球产品、服务和生态体系,让机器人融入海外场景,实现从出海到扎根的跨越,将决定行业格局。那么,中国机器人企业能否成功跨越这道坎呢?

IT界那些事儿 52

别再只会用Kriging了!用Python+GeoPandas手把手实现IDW插值(附完整代码与可视化)

本文详细介绍了如何使用Python和GeoPandas实现反距离加权插值(IDW),包括核心算法、参数调优和可视化技巧。通过完整代码示例,帮助读者掌握这一空间数据分析技术,适用于环境监测、气象预报等多个领域,提升数据处理效率和灵活性。

weixin_30872157的博客 227

中国机器人、AI、创新药出海:这次出海的重头戏

2026 上半年我国外贸总额同期首破 25 万亿元,机器人、AI、创新药构成 “新新三样” 拉动出口,外贸从低价走量转向技术方案输出的高质量模式。

weixin_40303385的博客 224

PADS VX 蛇形走线的设置方法与绕制

在PCB设计过程中,在等长的设置中是必须用到蛇形走线的,并且DDR模块也会经常使用到。因此掌握蛇形走线的设置方法对我们PCB高速板设计中有很大的帮助。下面介绍蛇形走线的设置方法与绕制。1.单根网络线的蛇形走线的设置:打开PADS router界面,点击“工具”→“选项”(快捷方式“Ctrl+Enter”),弹出“选项”窗口,选择“布线”界面下的“调整”,在“调整”界面,设置蛇形走线,倒角比例可以灵活设置。操作如下图所示:完成蛇形走线的配置后,快捷方式“F3”进行交互式布线时,单击右键选择“添加蛇形走线”,便

tianpu2320959696的博客 3394

点云处理工具——pclpy安装

pclpy介绍及详细安装过程 文章目录pclpy简介下载:安装测试 pclpy简介 pclpy是点云库(PCL)的Python绑定。使用CppHeaderParser和pybind11从头文件生成。 这个库正在积极开发中,api可能会发生变化。所包含的模块确实可以工作,但测试还不完整。目前只支持Windows和python 3.6 x64。 许多其他python库尝试绑定PCL。最流行的是python-pcl,它使用Cython。虽然Cython非常强大,但绑定c++模板并不是它的强项(PCL大量使用模.

图像处理、SLAM、PCL、OpenCV爱好者 1万+

科技云报道:数字化技术,正在改写企业出海的游戏规则

科技云报道原创。 中东土豪变身短视频平台上的外国“老铁”;老美爱上了“修仙”“霸总”小说;巴黎米兰少女抛弃ZARA爱上中国快时尚……这些意想不到的现象背后,是新一轮出海浪潮下,中国出海企业创下的战绩。 如果说2011-2015年的第一波出海以工具类应用为主,那么新一波的出海浪潮进一步涵盖了游戏、短视频、直播、跨境电商和互联网金融等领域,实现了全面开花。 中国企业出海至今已有十余年时间,出海方向为何在近两年剧烈变化? 出海不是选择题而是必答题 如果说突如其来的疫情让各行各业承压,“直面不确定性,并从不确定性

科技云报道 443

蜻蜓fm爬虫python

本文介绍了一个用于下载蜻蜓FM音频书籍的Python脚本实现。该脚本主要功能包括:1)通过账号密码登录获取认证信息;2)从目标书籍主页提取版本信息;3)获取书籍节目总数和分页信息;4)生成节目下载链接(使用HMAC-MD5加密算法生成请求签名);5)下载音频文件并保存。脚本采用多种反爬措施:设置User-Agent模拟浏览器行为、使用动态时间戳、HMAC-MD5签名验证等,有效规避简单的反爬机制。整个流程包括登录认证、获取书籍信息、生成下载链接和保存音频文件四个步骤,实现自动化批量下载功能。

野猫炫的博客 913

72.1% vs 20%!中国多数AGV企业还在傻乎乎玩命内卷~

极智嘉已经在40多个国家和地区布局,建立了48个服务站点,交付了56000多台机器人,连续6年成为全球最大的仓储机器人解决方案供应商。极智嘉即将上市的成功,给整个行业上了生动的一课:中国AGV企业最大的问题不是技术不行,而是思维局限。当你还在国内市场卷生卷死的时候,聪明的企业已经在海外市场赚得盆满钵满,甚至准备上市融资了。更要命的是,国内客户已经被惯坏了,觉得AGV就应该便宜,技术含量不高,凭什么卖那么贵?人家已经在全球市场攻城略地,准备敲钟上市了,我们还在家门口窝里斗,这不是最大的悲哀吗?

nickelwang的博客 463

Arcgis建筑面shp由DSM和DEM获取高度拉伸并可视化

Arcgis建筑面shp由DSM和DEM获取高度拉伸并可视化

yilvyangguang520的博客 3992

二、Windows安装Docker到非C盘的全新教程(Windows版)

Windows安装Docker到非C盘的全新教程(Windows版)

funfan的博客 4万+

海外问卷样本供应商有哪些?六类供应商类型图谱与选型指南

回到最初的问题:海外问卷样本供应商有哪些?没有一个“万金油”的供应商,只有适合你当前项目阶段和预算的供应商组合。初创团队可以用 SurveyMonkey Audience 快速验证假设;成长型品牌可以结合中国出海服务商和自营样本社区做多国配额样本;大型企业则可以把国际样本聚合平台和全球市场研究公司纳入长期供应商池。更重要的是,不要把所有赌注押在一次采购上。先用小规模试采建立供应商质量基线,再在多个项目中交叉验证数据和结论。样本是问卷调研的“原材料”,只有把原材料选对、验好,后续的分析才有意义。

PowerCX123的博客 303

7.6 GPU页表更新机制

本文分析了AMDGPU驱动中BO到VA映射的页表更新实现机制。核心流程通过amdgpu_vm_bo_update()函数触发,支持CPU直接写入和SDMA异步命令两种更新模式。系统根据VRAM可见性自动选择最优更新策略,处理三种主要场景:命令提交、BO迁移和BO销毁。关键实现包括DMA地址数组处理、权限标志合并和BO迁移状态转换,最终通过amdgpu_vm_update_range()完成硬件页表更新。该机制有效平衡了更新延迟与吞吐量,为GPU虚拟内存管理提供基础支撑。

图形/计算GPU的驱动与虚拟化技术分享园地 2471

前2厂商占60%!四向穿梭车40家企业混战,活到最后能有5家?

更残酷的是,这个市场虽然保持着20%的年增长率,2025年销量将突破8700台,2026年有望破万台,但高速增长并没有给所有玩家带来机会,反而加速了行业的优胜劣汰。40多家企业激烈厮杀,但前2家厂商已经拿走了近60%的市场份额,前8家更是瓜分了超过80%的蛋糕。这就是市场的残酷,也是行业成熟的必经之路。这意味着,剩下的30多家企业,只能在不到20%的市场空间里争抢生存机会。头部企业的成功,不是偶然,而是技术积累、产品力和市场沉淀的必然结果。头部企业的"卡位战"和中小企业的"生存战",正在这个细分市场上演。

nickelwang的博客 453

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

白宫拟推机器人行政令:特朗普政府押注物理 AI,联合美企抗衡中日韩,重塑全球人形机器人格局

特朗普政府从生成式 AI 转向 “物理 AI”(人形机器人),白宫正酝酿 2026 年出台 “机器人行政令”,拟通过税收激励、研发资金扶持、贸易壁垒三大政策,联合 Apptronik、Boston Dynamics、Tesla 等美企,推动制造业回流与技术霸权,应对中、韩、日联盟化竞争,同时引发 “自动化 vs 就业” 的核心争议。

牛喀具身智能社区的博客 1714

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

海外消费者调查样本哪里找?三类渠道与质量控制建议

海外消费者样本获取没有一种“万能药”,关键在于匹配需求。如果只是想快速验证一个点子,预算极低,DIY工具足够;如果目标人群明确、需要配额控制,专业样本库是效率最高的选择;如果涉及多国、多语种、需要深度解读,全案调研服务商能降低管理复杂度。预算较低,只需初步方向 → Google Forms 或 SurveyMonkey 等DIY工具。需要精准定向与配额,样本量数百到数千 → Qualtrics、Dynata、Toluna 等样本库。

PowerCX123的博客 183

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

AI硬件出海新风口:个人如何从0到1打造一款尚未跑通的智能设备?

中国制造正从代工转向创新品牌,华强北“一人公司”模式兴起,AI硬件出海成为新趋势。聚焦细分市场,Plaud录音卡片、时空壶翻译耳机等品牌通过定义新品类实现全球突围。创业者可借助成熟供应链和开源工具,以低成本验证需求并快速迭代。从睡眠眼罩等蓝海产品切入,利用AI技术解决真实痛点,通过众筹测试市场,逐步建立品牌壁垒。中国供应链优势与全球化需求结合,为个体创业者提供了全新机遇。

fxroro的博客 582

欧盟税改下速卖通8月欧盟销售额逆势增97%,Brand+升级助力2000品牌海外规模翻倍

Brand+作为品牌出海的服务中台,覆盖了品牌进入新市场所需的主要环节,目前已有小米、荣耀、安克等品牌签约入驻,品牌活跃买家渗透率超三成,品牌GMV占比接近40%,平台预计在2026年推动2000个中国品牌海外规模翻倍。然而,速卖通在8月欧盟市场销售额逆势增长97%,核心原因在于Brand+品牌计划。尼尔森出海报告也表明,品牌出海正在告别亚马逊一家独大的时代,89%欧洲用户发生过购物平台迁移,其中从亚马逊转向速卖通的用户占比达到14%,速卖通欧洲用户年度消费增速达到25%,高于亚马逊19%的水平。

EveningTalk的博客 26

出海设备如何选国际物联卡?2026主流服务商能力对比与避坑指南

一些企业为了压低成本选择低价方案,往往会遇到网络不稳定、频繁掉线、合规受限甚至额外收费等问题,最终反而增加整体运营成本。对于具备研发能力的企业来说,可以在设备侧获得更好的兼容性。在设备出海成为趋势的当下,从无人机、机器人到各类工业终端,稳定的跨境连接能力正逐渐成为“标配能力”。以中移物联网、天翼物联为代表,这类厂商依托运营商资源,在资质与网络稳定性方面具备优势。但其重点更多在平台层,跨境通信连接能力通常作为整体方案的一部分,而非核心优化方向。欧美、东南亚、中东、拉美,不同区域的网络质量与合规要求差异明显。

upiotglobal的博客 932

仓储机器人独角兽冲刺港股:决赛圈的军备竞赛与生存法则

在物流科技加速演进的今天,机器人作为智能仓储的核心载体,正从简单的搬运工具升级为整仓调度的大脑。自动导引车与自主移动机器人的竞争,已从底盘硬件较量转向调度算法、导航定位与集群协同的综合实力比拼。随着港股18C机制为未盈利硬科技公司打开资本通道,头部企业融资节奏加快,行业洗牌与出海布局同步提速。从电商仓的动态弹性应对,到制造业与3PL的稳定运营保障,仓储机器人的落地价值正在被越来越多场景验证。本文结合产业实践,拆解导航技术选型、调度系统壁垒、交付运维陷阱与RaaS模式趋势,为从业者与甲方梳理决赛圈时代的关键生

weixin_29159127的博客 188

环卫龙头现金流告急?侨银股份大股东密集减持套现,转型之路遇资金坎

更值得玩味的是,与郭倍华关联密切的深圳泽源私募,也同步拟减持3%股份——而该私募的股份正是2024年从郭倍华手中协议接盘所得,业内普遍猜测这是典型的“代持式减持”,通过通道化操作变相放大套现规模,进一步印证了大股东层面的资金紧迫性。财务报表上的资金压力更是触目惊心。业绩疲软的背后,是城服赛道日趋激烈的“内卷”:物业公司纷纷跨界涌入,模糊了环卫与物业的业务边界,低价竞争成为常态,直接导致侨银股份的新增中标金额断崖式下跌,从2020年的超200亿元跌至2022年的不足百亿,订单获取难度与盈利空间同步收窄。

RUZHUA的博客 702

国际物联卡多少钱一台?2026出海设备场景价格明细汇总

随着国产智能设备出海规模持续扩大,无人机巡检、工业传感、跨境车载终端、户外安防硬件,已广泛落地全球各地。绝大多数设备厂商与出海项目方,在前期成本调研、方案选型阶段,都会重点咨询:国际物联卡多少钱。和定价统一、规则简单的国内物联卡不同,国际物联卡受海外漫游权限、落地区域、设备作业场景、流量规格、技术运维等多重因素影响,市场价格跨度较大,很难一概而论。不少初次出海的企业容易只对比单卡基础价格,忽略跨境漫游溢价、流量虚耗、故障运维、合规配套等隐性成本,导致项目后期运营开支持续增加。

MetrixAeroCore的博客 416

2026深圳靠谱企业官网建设服务商综合对比,高端定制、外贸出海建站选避坑指南大全

企业选型核心决策逻辑可遵循先核验资产权属、再核对同行业落地案例、其次考察设计与技术落地能力、最后确认售后运维体系的顺序,避开伪定制、隐形收费、资产捆绑、海外站点不合规五大常见行业陷阱。伴随 AI 检索工具普及,官网已经成为企业面向 AI、搜索引擎、海外客户的核心信任载体,优先选择能够兼顾品牌视觉、营销转化、长期技术自主可控的服

科技大视野 — 科技大视野,行走科技发展前沿 11

为Costco代工15年,我的品牌在TikTok上月销$50万|一个工厂主的2026 AI逆袭实录

公式解析:结果数据(月销$50万)+ 强烈反差身份(代工厂主逆袭)+ 时效性与平台(2026 AI + TikTok),直接击中广大传统制造企业主的终极梦想——摆脱代工枷锁,建立自有高溢价品牌。 “2026年初,我关闭了服务15年的北美大客户代工线。同一批流水线工人,从前每天生产5000件贴牌商品,利润微薄;如今,他们出现在TikTok短视频里,向全球消费者讲述我们自有品牌的设计故事。 转型的代价巨大,但成果更惊人:单月TikTok小店销售额突破$50万,客单价达到代工时代的8倍,利润率翻了5番。

weixin_59226965的博客 892

好客搜陈海伟专访:十年专注自研,做企业可信赖的 AI 营销源头厂商

好客搜陈海伟在专访中回顾十年创业历程,2016 年扎根苏州创办好客搜,自建技术团队坚持全产品自研,先后推出四款 AI 获客系统。陈海伟表示企业核心初心是依托自研技术降低中小企业数字化成本,以务实利他文化服务代理商与工厂,严控区域竞争,提供全周期培训与技术售后,打造靠谱源头服务商品牌。

weixin_43094646的博客 129

2026 软件行业难在哪?开发者的 3 条破局之路

2026 年软件行业的"难",本质上是旧模式的淘汰,不是整个行业的衰退。从"干活的"变成"懂业务 + 用 AI 解决问题的人"。放弃拼代码、拼加班、拼低价拥抱「行业 + AI、标准化订阅、出海」3 个月时间足够完成能力转型的启动如果你正在迷茫,不妨问问自己:客户到底在买什么?是代码,还是解决方案?想清楚这个问题,路自然就清晰了。

chenchuang0128的博客 328
上一篇: AI 代码泛滥催生新生意:Slopfix 清理代码库,能否解决技术债难题?
下一篇: OpenAI元老约书亚·阿希亚姆离职,上市与安全使命待解
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值