Operator
各位好，欢迎参加猎豹移动2024年第三季度财报电话会议。所有参会者将处于只听模式。[接线员说明] 今天的演示结束后，将有机会提问。[接线员说明] 请注意今天的活动正在录音。现在我将会议转交给猎豹移动投资者关系负责人朱静。请开始。
Helen Jing Zhu
谢谢接线员。欢迎参加猎豹移动2024年第三季度财报电话会议。今天参加会议的有公司董事长兼首席执行官傅盛先生；以及董事兼首席财务官任先生。管理层准备发言后，我们将进行问答环节。请注意，首席执行官发言将由AI代理呈现。在开始之前，我提醒您参考我们财报新闻稿中的安全港声明，该声明同样适用于我们今天的财报电话会议，因为我们将做出前瞻性陈述。现在，我将会议转交给我们的首席执行官傅盛先生。傅盛，请开始。
Sheng Fu
大家好。感谢各位今天参加我们的电话会议。猎豹移动在第三季度再次实现了加速的收入增长，这主要得益于我们的服务机器人和互联网业务。这一持续增长源于我们扩大轮式服务机器人应用场景、拓展海外市场以及传统互联网业务韧性的战略。服务机器人的行业需求持续上升，尤其是在海外市场以及餐厅、酒店、工厂和办公室等场景。企业主们越来越多地使用机器人来帮助员工并提高效率。 在过去几周里，我拜访了欧洲和东南亚的许多客户和合作伙伴。事实上，我今天仍在欧洲，与我们的当地合作伙伴会面，以进一步加强我们的市场存在。建立强大的本地分销网络对我们的全球扩张非常重要，这将使我们与同行区分开来。这就是为什么我在这项工作上投入了大量精力。 在与当地合作伙伴的交流中，我了解到我们的机器人正在帮助他们解决劳动力短缺问题。一些欧洲客户分享说，使用猎豹的机器人减少了员工缺勤和流失。同时，一些日本客户告诉我们，我们的机器人比其他厂商的产品可靠得多，并正在转向使用我们的产品。 9月份，我们推出了一款用于工厂和配送中心的新机器人。这款机器人可以自主运送货物，将低负载物品从转运仓库运送到装配线。我们目前正在优化产品，以更好地满足海外市场客户的需求。这凸显了从当地合作伙伴那里获得反馈和意见的重要性。我们相信这款产品将成为2025年我们服务机器人业务的重要组成部分。 虽然机器人行业仍处于早期阶段，但它将成为一个万亿美元的市场。机器人正在成为人类必不可少的助手，并将首先在发达市场普及，而大型语言模型将通过让机器人执行更多任务并使部署比以往任何时候都更容易来加速这一增长。 通过与投资者的交流，我们注意到大家对大型语言模型如何使我们的机器人更智能并推动稳定收入增长表现出浓厚兴趣。今天，我将分享我们在产品中应用大型语言模型取得的进展以及未来的计划。 首先，我们正在利用大型语言模型改进服务机器人的语音交互方式，这得益于我们强大的远场语音识别技术。机器人已经能够听到用户的声音。现在借助大型语言模型，它们能更清晰地理解用户的问题并做出更好的回应，使整体体验更加流畅。例如，在餐厅中，我们的机器人不仅在繁忙时段送餐，还可以帮助吸引顾客，通过承担更多角色来提高餐厅老板的投资回报率。由于大型语言模型打破了语言障碍，我们正在将这些支持语音的机器人扩展到国际市场。 我们还在开发一个系统，让客户可以通过语音提示为机器人设置任务。例如，你可以告诉机器人在下午2点检查每张桌子，看看是否有人在厨房2:30关闭前想点更多食物。机器人会走到每张桌子前，跳过没有顾客的桌子，甚至允许人们在点餐系统关闭后下单。如果没有大型语言模型，这种功能几乎不可能实现，或者需要编写大量复杂的代码。 其次，我们正在使用更多多模态模型来改进机器人的自动驾驶能力。我们正在努力的一个领域是让机器人在移动和观察时绘制大型工厂的地图。一旦地图准备就绪，研发团队可以标记关键位置，然后机器人就可以自主在工厂内导航运送货物。如果工厂主想要更改这些关键位置，他们可以随时轻松更新地图。根据我们的初步测试，得益于大型语言模型，设置机器人的时间可以从大约两天大幅减少到仅两小时。 我们已经在某些情况下使用基于视觉的自动驾驶技术，并计划进一步扩展。例如，我们的机器人使用基于视觉的自动驾驶技术来避开人和障碍物，并理解周围环境。随着时间的推移，我们的目标是实现端到端的导航系统。这将使我们的机器人能够完全自主地处理更复杂的环境。 第三，我们正在为机器人添加机械臂，以帮助它们完成特定工作。其中一些机械臂可以按按钮，这对于在楼层之间运送物品很有用。特别是在海外市场，企业主出于安全考虑不愿调整电梯门禁系统。其他机械臂可以拾取和分类物品，这在工厂应用中非常有用。这些机械臂由设备端的多模态模型驱动，使自动化常规任务变得更加容易。 在大型语言模型方面，我们通过API调用先进模型来支持我们讨论的一些功能。同时，我们也在开发自己的模型。11月，我们推出了一个8x7B的混合专家模型，涵盖多种语言，包括中文、英文、韩文和日文。我们已经将其开源，并用它来驱动我们的机器人，特别是代理操作系统功能。 此外，我们还训练了较小的设备端模型，以支持室内自动驾驶和控制机械臂转向基于大型语言模型的应用。我们最近推出了AirDS，这是一个基于人工智能的数据服务平台，帮助企业处理数据并为他们的基于大型语言模型的应用构建提示。AirDS建立在我们开发大型语言模型和基于大型语言模型应用的洞察之上。 到目前为止，我们已经收到了客户对我们基于大型语言模型应用的积极反馈，我们将继续丰富我们的产品组合。我们的目标是提供相对标准化的SaaS产品，让企业能够利用大型语言模型提高效率。 在将电话交给Thomas介绍财务亮点之前，我想强调这一点：猎豹移动处于有利地位，能够抓住服务机器人和基于大型语言模型应用不断增长的市场机遇。我们带来了多年在PC和手机领域的经验，以及拓展国际市场的经验，并且我们拥有强大的大型语言模型专业知识。我们已经在增加收入和减少亏损方面取得了坚实进展。这只是猎豹移动转型的开始。
Thomas Ren
感谢傅盛的介绍。各位电话会议参与者，大家好。请注意，除非另有说明，所有金额均以人民币计。2024年第三季度，我们的财务业绩体现了对两大战略目标的扎实执行。第一，加速收入增长，这既由机器人销售驱动，也由传统互联网业务驱动；第二，提升运营效率以连续减少运营亏损。2024年第三季度，我们的总收入同比增长16.6%，标志着收入增长连续第二个季度加速，而第一季度为11.6%，第二季度为12.3%。我们的服务机器人继续成为增长的关键驱动力。此外，我们的传统互联网业务保持韧性，实现了稳健的收入增长和利润率扩张。在盈利能力方面，我们取得了进一步进展。非GAAP毛利润同比增长14%，环比增长7%，达到1.31亿元人民币，非GAAP毛利率在第三季度扩大至68%，而第二季度为65%，第一季度为63%。本季度非GAAP运营亏损为6100万元人民币，较第二季度的6300万元和第一季度的6600万元有所减少。我们继续专注于管理成本和费用。值得注意的是，我们整合了猎豹和北京猎户星空的团队，精简了职能重叠的人员和服务。例如，在第三季度，我们降低了带宽成本、云成本、专业和法律服务费，以及与G&A和运营相关的某些劳动力成本。我们也在果断地投资于AI，利用AI来增强我们的服务机器人业务。例如，我们的非GAAP研发费用在第三季度环比增长25%，现在约60%的收入投入研发。正如傅盛过去所说，虽然我们专注于开发能产生即时收入和利润的产品，但我们仍然关注最新的技术进步。另一个亮点是我们传统互联网业务的持续趋势，该业务同比增长26%，环比增长18%。该业务板块剔除股权激励费用后的运营利润率从去年的6%改善至10%。截至2024年9月30日，我们保持了强劲的资产负债表，拥有现金及现金等价物18.31亿元人民币（约合2.18亿美元），长期投资约8.86亿元人民币（约合1.26亿美元）。最后，我们在扩大收入和收窄亏损方面取得了扎实进展。我们对AI投资充满信心，因为我们看到了将大语言模型整合到服务机器人业务中的巨大市场潜力。同时，我们仍保持纪律性，致力于减少亏损并提高AI运营效率。谢谢。我们的准备发言到此结束。接线员，我们现在可以开始问答环节了。
Operator
谢谢。[接线员指示]
Unidentified Analyst
我的问题聚焦于猎豹的机器人业务。请问针对2025年，机器人业务在出货量、收入增长和收入占比方面设定了哪些具体目标？
Unidentified Company Representative
我来回答这个问题。嗯，对于2025年，我们一些具体的重要目标应该还在制定过程中。我最近也走访了很多海外渠道。我认为整体的大方向可以这样确定。首先，我们的基础收入在未来2.5年内肯定会增长，在猎豹整个收入规模中的占比也应该会提升。具体来说，我们应该会结合这波浪潮。也就是到周四，我们在这些海外市场总结了很多经验，然后做出某些具体的假设，我们考虑以这种方式来设定具体目标。那么我们的想法是，因为机器人行业在今天的资本市场非常火热，但事实上它的增长，也就是短期内的增长，我认为不会像当年互联网那样具有高度爆发性，对吧？我也要告诉大家，这应该是一个持续且逐渐加速的过程，因为今天，对于机器人在软硬件结合方面，抱歉，这更多是在商业结合方面，比实体实施和渠道建设方面的投入要大得多。比当年指数级增长要大得多。所以我认为对于机器人业务，我们会更看重长期目标。我们可能，例如，能够在三年内使佣金收入占到整个公司的一半以上。并且包括这一点，我们能够成为全球前几名，至少是前三名这样的服务系统提供商之一。这是我们的宏大目标。至于详细目标，我们还需要一些讨论和仔细推演。
Unidentified Analyst
猎豹的现金牛业务，也就是互联网业务，本季度表现非常出色，收入和利润率都保持稳定。请问我们应该如何预测2025年互联网业务的收入和利润率趋势？是会呈现稳定增长趋势，还是逐渐放缓并下降？我想就机器人训练提几个问题。在机器人训练过程中，我们如何克服数据稀缺的问题？大模型在训练数据中可以发挥哪些促进作用？事实上，猎豹机器人已经在全球部署了许多机器人。那么未来，我们是否有可能以数据驱动的方式持续训练猎豹机器人，以不断提升其智能水平？此外，在机器人的训练方法方面，我们距离实现机器人通过观看人类执行任务的视频来自主学习和训练的目标还有多远？与海外领先的机器人公司相比，国内在这方面存在多大差距？
Unidentified Company Representative
嗯，第一个问题是一个相当复杂的技术问题。我将尝试运用我的理解以及我们公司的理解，来简单帮你分析和解释。关于机器人训练的数据需求，可以分为几个方面。一个方面是我们把机器人分成几个组件。一个组件是导航，相当于一个小的室内自动驾驶。这件事因为环境相对局限在室内空间，之前基于某些模型和销售，通过一些工程技术已经基本解决了。然而，由于上次底层数据的加入，机器人的室内导航将变得，怎么说呢，也就是说它的实现将变得更加实时，对传感器的依赖将变得更小。这是我们目前正在做的，对吧？我们最近在做的事情之一就是推动我们机器人的室内导航用于数学和化学。我们的下一代机器人也可以配备更高级的芯片，纯粹通过视觉实现室内导航。这也正在逐步推进。你也可以对比一下。看看今天的新能源汽车。最终，是特斯拉的城市自动驾驶取得了重大进展，而添加激光雷达和各种雷达以及多模态，实际上现在似乎不如SSD重要。一个重要的原因是这种transformer和大模型机制的出现。这种机制作为端到端处理的底层实现，可以处理很多事情。所以这是一个方面。关于这方面的数据，正如你所说，我们已经部署了许多机器人，它们之前一直在各种场景中运行。这实际上可以实现相当数量的数据。而且它面临的路况不像高速公路那样复杂，速度要求也没有那么高。所以在这部分，我们认为是可以的。数据不是一个主要需求，特别是对于我们这样已经有大量机器人在现场每天提供服务的公司来说。我们认为在室内导航这部分，我们没有任何问题。真的，第二个可能是一个目前相当流行的自学习技能概念。对于这个，我认为，目前还比较理论化。计算性能以及它到底是什么样的新驱动力，实际上并没有特别明确的定义，对吧？有人说它是循环的，有人说它是这个，类人的或双闭环的。这方面的数据确实相对稀缺，因为之前，包括你提到的工厂里的机械臂，都不是以数据系统为核心构建的，而是以自动化的代码通道为核心。我们认为我们的方法是循序渐进。我在很多场合不断表达一个观点，我认为对于人形机器人来说，在它们真正落地并成为商业化产品之前，还有很长的路要走，对吧？没有5年或10年，不太可能真正实现商业化。虽然你可以看到它们的许多演示效果很好，但要真正成为商业化产品，还有很长的路要走。所以更多的是务实的方法。所以我们会结合我们的场景。例如，我们从完成一些机械臂与现实世界交互中的简单任务开始。我不会详细说明这一点，因为它涉及到我们的技术规则。我们的想法不是要做出一个完美的产品，能做所有事情，解决所有通用问题。我们的想法反而是因为我们今天有现场场景，我们更多地结合场景本身。为了完成这些数据的持续收集和训练，我们认为这需要一些时间。在投资方面，可能不像我们今天想象的那么乐观。但我认为我们会一步一步地完成一个又一个场景。你也可以看到，在一些国外的初创公司中，他们用风险投资完成的任务非常简单，但我认为这种方式更容易实施。如果他们马上拿出像做饭做菜这样的东西，那基本上就是实验室产品，因为性能方面有太多限制，使其非常困难。所以对于第二个问题，我们距离实现机器人通过观看人类视频来改进完成任务的目标还有多远？嗯，还相当遥远。我们现在看到的大部分都是演示视频。我可以给你举个例子，就像那次，它瞬间就传遍了。它做了什么？然后它无论如何都会学习。但它的成功率很低。也许在它发表的论文中，是70%左右。当然，会有进展，而这70%仍然是在特定情况下。例如，在桌面上，不是整个桌面，而是一个指定区域，app。所以它不像我们想象的那么紧迫。想想自动驾驶。许多团队从2016年和2017年就开始研究。现在已经八年了。在今天二维路面的情况下，还没有任何自动驾驶公司达到L4级别，对吧？这个自动驾驶，一开始，大家都很乐观，认为一旦识别问题解决了，自动驾驶就能实现，对吧？但今天，特斯拉也宣布在2026年将有机器人出租车落地，包括这样的汽车。我认为机器人观看人类进行测试以进行自学习的时间，并不比这个自动驾驶更乐观，因为它更多的是一个三维机械系统，涉及更多的机械结构。这是我们对一个主要技术趋势的判断。但至于国内机械公司与国外公司之间的差距有多大，我坦率地认为并不显著。因为今天，有了大模型，包括它们发展之后，国内的更新也非常快，因为底层算法，即使是那些可以共享的，也就是在AI层面，一旦算法本身取得突破，大家学习的难度并不高。真正的困难在于如何将这个算法工程化，如何使用更多数据进行训练，以及如何更高效地训练。事实上，中国团队在这方面在国内是有优势的。至少在做这种大规模数据工程方面没有差距。所以今天，我不认为有很大的差距。这是关于现有方法的训练方面，包括大家使用一些国内大学模型APP。实际上，产品化和其他方面其实都相当不错。也许如果差距真的存在，可能是在一些新的路径上。例如，如果有新的方法出现，我认为国内会有一些差距。想出一些特别创新的方法是非常困难的。但一旦某种方法出现，国内的跟进速度非常快。差距不大。这是我的个人观点。
Unidentified Analyst
自今年年初以来，公司一直在持续减少每个季度的亏损。请问后续减亏的节奏和具体计划是怎样的？是否有明确的实现盈利时间表？
Unidentified Company Representative
减亏绝对是我们当前的首要任务。如今所有企业都在喊降本增效，对我们来说，今年确实已经实现了一定规模的减亏。但我想说的是，由于我们参与了一些大语言模型的研发和训练，我们的减亏步伐有所放缓。不过，在我们本轮评估MV之后，我们会将更多精力投入到智能体开发和机器人智能化相关的落地应用上。相比过去十年的大语言模型，这类研发成本将大幅降低。我们内部肯定有明确的减亏计划和盈利时间表。嗯，考虑到市场和技术的重大变化，我们可能无法对外非常清晰地披露这些信息，因为现在我认为这一波浪潮，就像刚才朋友提到的训练进展一样，我们看到了一些商业机会，也看到大语言模型对服务机器人的支持——无论是其底层规划能力、任务决策能力，包括交互能力，都将提升它们在各个市场的满意度并拓展市场。因此，我们也需要保持一定的灵活性。如果这样的机会出现，我们可能需要在研发方面进行更多投入。总体而言，我们肯定会以实现公司盈利、为股东创造价值为主要目标，这一点毋庸置疑。
Unidentified Analyst
您如何看待智能体AI或AI智能体？这项技术的难度如何？例如，我们看到最近智谱的AI智能体已经能够独立帮助用户在百度地图和美团上搜索和下单。AI智能体能否加速大模型在C端和D端的应用？我们应该如何考虑其中的价值分配？
Unidentified Company Representative
好的，谢谢。这个问题相当专业。我认为最近特别流行的这个术语，本质上对于AI智能体来说，它更像是某些传统类型的软件。以前叫什么来着？那种软件本质上是因为模型能力尚未达到一定水平，那种欣赏和较小的基础。然后我们需要利用一部分人类思维链和一部分人类规划来引导大模型。就像我写了前45句话这样，之后的效果，包括你们看到的所谓智谱的点，我认为这可能是新软件的一种范式转变。也就是说，以前当我们想为图书馆编写软件时，我们必须完全依赖大量代码和逻辑来完成。但今天，很多代码逻辑都由大语言模型处理。那么这种软件在研发成本上的降低以及每一步用户体验的提升。这确实是一个巨大的机会。我必须说，我们自己，我们也看到我们的互联网业务在这方面也有一些尝试。但我想说的是，对于AI智能体这件事，无论是完成这些查询还是下订单，要达到传统系统的高稳定性和满意度水平。这意味着什么？比如，如果我给它一个指令，它能否一定按照我的要求搜索？但这是今天大模型在C端或B端落地的非常关键的一点。这一点在行业内并非空谈，而是我们在自己做的时候发现了这个问题。例如，如果你用传统代码实现，当你选择一个点下单时，因为人类操作非常精确，基本上你的操作是100%相似的，对吧？有时可能会失败。有时可能不符合你的预期。有时可能会给你错误。但大模型不知道它们不知道什么。它们会产生幻觉。所以这一点是，要让AI智能体真正落地，需要在这方面投入大量努力。回到你的问题，它能加速大模型应用在C端和D端的落地吗？肯定可以，特别是在许多C端和D端应用上。今天，一些应用已经开始，它们已经开始使用这个。例如，我可以举几个例子，比如图像翻译类型和一些教育类型。这显然已经开始了。是的，对于价值分配，我认为它仍然会给应用厂商带来一波实践。所以这是我的看法。但就个人而言，我对在中国作为初创公司在C端落地并不特别乐观，因为国内大厂在这方面的能力极其强大。对他们来说，也会非常非常快。所以如果你在别人熟悉的领域做一个小创新，应该很快就会被跟进。谢谢。
Unidentified Analyst
我想请教几个关于大模型在企业级应用方面的问题。我们观察到，猎豹今年在大模型应用方面进行了很多探索，覆盖了培训、销售管理和数据服务等多个领域。请问目前我们的企业客户对大模型应用的付费意愿如何？在办公场景中，大模型的应用是否仍然主要局限于容错率较高的特定工作场景？随着大模型技术的进步，特别是AI智能体的出现，能否有效增强和改善大模型的幻觉问题，从而使大模型应用能够完全或部分替代人工工作？
Unidentified Company Representative
是的。所以您的问题本身就很有启发性。我认为您基本上涵盖了所有要点。首先，我认为企业客户是否愿意为大型模型应用付费，完全取决于这个应用能给他们带来多大的投入产出比。有一点需要注意，就是这个投入产出比必须高，也就是相对较高。因为本质上，这意味着企业许多内部流程的重构和一些岗位的重新定义。对于企业来说，如果没有足够高的价值，他们是不愿意推动的。目前来看，企业客户为大型模型应用付费的热情，怎么说呢，正变得越来越理性。据我所知，去年很多企业在大型模型的授权或私有化授权上花了很多钱。今年很明显，他们不再为这些付费或付费很少了。相反，他们会更多地询问你能提供给我什么样的可直接使用的东西。嗯，还有您关于当前大型模型是否确实在特定场景下具有相对较高容错率的问题，比如在培训和销售总结方面。因为即使稍微不准确，也还可以接受，对吧？也就是说你大致能看到一个总体思路，或者对于像培训这样的事情，如果能达到90%以上的准确率，很多人是可以手动接受的。但在数据洞察等方面，我认为整个行业仍在共同探索。是的，它可以有效增强和改善大型模型的幻觉问题，因为它使用传统代码或测试规划将大型模型的能力限制在一个特别垂直的环境中。这时，当大型模型的主题特别垂直时，其出错的概率就会降低，尤其是在这一波浪潮中，当前大型模型的能力已经达到了这个水平。当大家都在投入时，因此，定义这个大型模型在B端的应用肯定会逐渐实现。越来越多的替代在这里，结合下一个问题，我也举了一个例子，那就是今天，如果我们做大型模型的应用，如果是一个宽泛的应用，理论上很难充分满足客户。这是我们探索了这么久之后的结论。让我举个例子。比如，你不知道你是否买了最新的iPhone，对吧？我也特意买了一个可以使用海外版本来尝试。你会发现它真正能体现的东西非常少。体验时间并不长。包括微软推出的东西，我认为这两个应用都定义得太宽泛了，因为我认为在这方面它们是大公司。但无论如何，他们有足够的商业布局，并且正在慢慢朝这个方向前进。但像我们这样的企业，必须做一个非常清晰和垂直的应用。我们的想法是穿透一个点，然后让实验可复制，再转向下一个点。所以基本上，这些是我的一些理解。谢谢。
Unidentified Analyst
最近，很多人都在讨论扩展定律放缓的问题。您对此有何看法？扩展定律放缓对大模型应用行业的发展会产生哪些影响？
Unidentified Company Representative
你真的不需要担心这个问题。目前对此仍存在一些争议。但有一点是，关键定律本身是否在放缓尚不明确。不过至少最近，尤其是过去一两个月，大家都在讨论数据不足的问题，对吧？因为在互联网上，可用于大模型训练的高质量精准数据，嗯，在行业内，这个数量并不确定。但我听说的大概是20到30左右。基本上就是这个数量级。因为虽然有一些数据，但质量不高，可能会让模型变得不那么好用，对吧？包括现在我们行业内，大家都在密切关注。比如GPT还没有发布，对吧？你可以看到这次，在12天内，基本上是对原有模型能力产品化的增强。这意味着什么？这可能暗示着在某种意义上，今天全球顶级的模型，其能力在一段时间内不太可能轻易提升。这至少已经持续了四五个月了，对吧？在此之前，我们看到GPT 3.0、GPT 3.5，然后是24.024。之前的每一步都相当快，但现在已经很久了。所以我们认为，至少在今天的现实中，这个行业顶级大模型能力的增长和扩展。我们不知道缩放定律是否在放缓，但这肯定是在放缓。但对于初创公司本身来说，尤其是像我们这样做应用的公司，这是一件好事，因为之前模型能力快速发展时，你做的很多事情真的，当它是3.8时，我们就不说了。当我的新模型出来时，它给你带来了负担。当时确实有一些这样的项目。他们完成后，当模型出来时，他们增加了这个能力，然后却卖不出去。但今天，由于顶级模型能力增长放缓，大家都在思考如何通过智能体更好地利用这些能力。这是做应用的一个主要思路。因此，我们认为这对我们是有利的。我们也可以安心了，对吧？我们不再参与模型选型竞争了。我们只是把应用本身做好，因为今天我们进入这个游戏相对较早。我们仍然花费大量精力做一些场景。那么对我们来说，这个场景是终身打磨的最佳方式。因为最终，它的本质仍然需要与客户和市场结合，才能知道这个东西有多令人满意。所以我认为这对像我们这样的公司来说是件好事。至于这对行业意味着什么，我没有那么高的视角。嗯，谢谢。
Unidentified Analyst
我们理解傅总对机器人发展的态度非常务实，聚焦于现阶段能够实现大规模应用的轮式机器人，而非双足机器人领域。然而我们也注意到，猎豹机器人正在尝试整合机械臂，推出猎豹定义的具身智能机器人产品。我想请问，您如何看待过去三个月机器人行业趋势的变化？例如，大模型对机器人落地有哪些促进作用？您如何看待未来机器人行业的竞争格局？
Unidentified Company Representative
过去几个月的这些变化，我有什么感受？在机器人行业，大模型的概念变得越来越流行。然后由于特斯拉Optimus的加入，人形机器人已经好几次变得相当热门，但我仍然坚持我的观点，机器人这个词太宽泛了。所以当人们提到它时，总是幻想着以人类为原型，创造一个能解决所有问题的完美产品。事实上，我认为这条路至少非常非常困难。我们可以回顾一下。说到过去的自动驾驶，最初有两条路线在竞争。一条路线是由谷歌Waymo主导的，追求拥有高度功能化的车辆，配备许多传感器、昂贵的激光雷达和非常完美的算法来实现。这个个体相当强大，能够实现稳定的自动驾驶。另一条路线是特斯拉当时的方法，即我不认为我一定能实现，所以我会从视觉传感器开始，不断添加传感器。最终发现需要结束训练。到今天，我们基本上可以说，对吧？第二种情况是，随着场景的深入探索和数据的持续实验，当前的技术变革比最初拥有最高质量工程师和最先进传感器的完美假设要好。目前看来，这种方法要好得多。所以我认为机器人也应该是一样的。不太可能出现我与众不同并能完成一切的情况。就像人类一样，他们仍然需要开车或使用手推车或一些工具来辅助，以实现更实际的应用，对吧？所以今天我认为，虽然最近机器人概念非常流行，但概念与实际实施之间仍有相当大的差距。关于大模型中提到的幻觉问题，实际上就是这样。这是一个基本的算法问题。它有这些问题。有时在语言中，答案还算可以接受。但当涉及到实际执行动作或与物体交互时，不能有任何错误。一旦出现这样的错误，就会让机器很难实施，对吧？例如，在餐厅或某些接待场景中，你会发现当没有人监督时，它必须每天运行超过10小时，一年100次，并且在数千个场景中不能出错。一点小错误就会影响客户的信心，以及他们是否会向他人推荐你。所以我认为大模型对机器人的总体方向肯定有帮助。但当涉及到实际实施时，应该结合场景逐步推进，这也是为什么我对人形机器人不太乐观的原因。我认为对于未来的格局，这个问题非常广泛。嗯，我相信最终可能会像我举的例子那样，更务实的机器人制造商会不断涌现。最终在产品中打磨出来的竞争者会获胜。我不看好今天提出一个非常大的概念，然后朝着登月操作前进。这个，我认为它不会成功，因为有一个基本逻辑：机器人是一个硬件和软件高度集成的行业。硬件系统的洞察非常复杂。它不像汽车，大部分都有真实的结构等等。它内部有许多机械结构，而硬件系统中机械结构的进步不受摩尔定律支持。软件可以在18个月内性能翻倍或成本减半。硬件必须逐步进步。汽车已经存在100多年了，对吧？而且这次还有智能汽车的革命。所以我认为未来，无论如何，我们坚定自己的道路，即基于人性不断结合场景，然后在一些有迫切需求和痛点的场景中添加一些机械臂和一些功能，完成一些高质量和高可靠性的动作，以实现更大的扩展。好的。谢谢。
Unidentified Analyst
我们注意到公司账面上有大量净现金。请问未来是否有股票回购或派发股息的计划？
Thomas Ren
我来回答这个问题。我是公司CFO Thomas。感谢您的提问。首先，猎豹对股东回报一直持开放态度。我们管理层也非常重视股东回报。从历史上看，我们可以看到我们已经派发过两次股息，并且也执行了多次股票回购计划。那两次股息派发是基于我们重要投资项目的退出并获得现金回报，然后回馈给我们的股东。但对于未来，是否会有股息或其他方式，实际上我们需要考虑很多因素。例如，正如我们副总裁之前提到的，我们实际上在技术方面还有一些投资要做，包括我们的业务也在从C2向AI大模型和机器人业务转型，这也需要一定的投资。同时，我们也觉得目前整体经济环境相当不确定。对我们来说，保持相对充足的现金储备对业务发展也相当重要。因此，未来我们将继续保持相对谨慎的财务策略，确保公司在面对市场波动时有足够的灵活性和抗风险能力。如果未来我们的董事会批准股票回购和股息计划，我们将尽快向市场公告。谢谢。
Unidentified Analyst
目前从性能和效率角度看，中国大模型发展迅速，比如内容生成的准确性、生成速度和推理成本。在实际运营中，您是否感受到各模型之间存在显著差异，或者大模型的竞争是否已经超越了模型能力本身，更多地延伸到了产品化和生态建设方面？
Unidentified Company Representative
大家应该知道，国内生态系统相当复杂，我不适合评价哪个模型产品更好。每个人都可以自己尝试，有自己的感受。我经常来回使用它们。不过，确实在体验上存在一些差异。嗯，我觉得你今天的问题非常好。我认为大模型的竞争从一开始就超越了模型能力本身，因为模型本身的能力，就像我们最近推出的一个叫做数据宝藏的功能，你会发现今天模型本身的能力取决于数据。而今天这些数据，当涉及到教学等方面时，因为互联网上相对公开，如果你在这方面的高质量数据上投入更多精力，做更多工程工作，你的模型能力可以相当不错。就像我们实际上有两个模型。一个是40亿参数。一个是17x8，81和21x8模式。实际上，榜单上的结果也相当不错，因为我们在这里，实际上今天大模型的竞争主要还是来自于你对这件事的关注和对数据的投入。我认为现阶段，可以肯定的是今天的竞争必须走向产品化和生态建设。谁能真正将用户满意度提升到产品体验的改善，几乎可以消除底层模型在某些指标上的差距。我认为这不再影响事情了。看看榜单。今天这个在上面，明天那个在上面，然后另一个又上来一段时间。实际上，我认为这件事可能已经过去了。已经走向了产品化和生态建设。我在最近的一次采访中看到，当有人问Charlotte Mang缺少什么时，他说是产品，对吧？对于这个大模型，这个AI竞争，我认为速度非常快。所以现在已经从最初的技术热情或技术比较转向了产品比较和生态比较。这是一个非常明显的阶段。所以我看到最近一些国内的或企业家提到，明年将是生态爆发和应用爆发的一年。原则上，我同意这个观点，因为模型能力已经达到了相对较高的水平，大家之间没有太大差异，而且不容易进一步提高。就像我们之前提到的数据问题，除非有一些特殊的新范式，那么现在的努力将转向产品和生态。而且因为它已经达到了一定水平，大家都在投入，将更加关注用户体验点。嗯，所以我认为明年在产品和生态方面会有显著进展。谢谢。
Unidentified Analyst
我想请教一个关于大模型训练的技术问题。在新的强化学习范式下，中国企业在大型模型训练方面的技术能力如何？据我们了解，新的强化学习范式的特点是缺乏可直接参考的现成开源模型和学术论文。
Unidentified Company Representative
这确实相当学术化。首先，我认为在强化学习范式下，中国企业的技术能力并不差。强化学习已经存在很长时间了，对吧？我认为主要是因为OP9的推出，大家发现语言模型可能也需要强化学习，对吧？你可以回顾过去。在AlphaGo下围棋之后，一些中国大公司或团队在下围棋方面也做得不错。基本上，正如我刚才总结的，也许只是在某些具体评估指标上存在一两个点的差异。我认为这并不真正影响最终的产品化和实施，包括我们的语音识别和之前的视觉技术。
Unidentified Analyst
我们可以看到中国越来越多的商户开始使用服务机器人。最常见的场所是餐厅和酒店。我想请问，猎豹在这两个场景中的市场份额目前是多少？从整体市场角度来看，机器人在餐厅和酒店市场的渗透率有多高？未来还有多少增长空间？在未来三年内，猎豹的机器人能在这两个细分市场中获得多少市场份额？
Unidentified Company Representative
关于市场份额排名的问题，因为这个行业报告相对较少，都比较粗略。当然，对于餐厅和酒店场景，我们起步相对较晚，因为我们最初专注于接待服务。我认为我们应该能排在前几名。大致是这样的份额情况。从整体市场来看，目前机器人在餐厅和酒店的渗透率还处于早期阶段。我认为在中国，酒店可能达到5%左右，餐厅可能更少一些，因为数量不多。仍处于早期阶段，未来还有增长空间。在国外，我认为甚至更早。这次我在欧洲与许多客户交流时发现，各方面市场空间仍然非常非常大。你可以把国外市场想象成我们三到五年前的情况。如今在中国，有些市场并不完全依赖机器人市场本身，对吧？比如我们都知道在餐厅，主要是降本增效。也存在一些购买力下降的情况。这是事实。但从长期来看，我对这两个场景包括一些延伸场景非常乐观。我们做的不仅仅是配送。虽然我们正在利用大模型增强语音能力，当达到一定水平时，我们相信这将大大扩展在餐厅和酒店的工作。我没有这个信心，但能否基于我们团队自身的执行能力实现，这是我过去一年左右最大的体会。因为这本质上是一个2B系统，在销售渠道建设、销售管理和销售团队建立方面需要大量努力。这也是为什么我现在经常拜访许多客户，包括海外和国内，因为我认为我们的技术能力在这个行业绝对是顶尖的。然后就是我们要进入哪些场景，做什么产品。在销量和客户满意度各方面，我们都能做好。实际上，对我们来说真正的困难不是技术和产品。更多的是销售渠道和整个销售网络的建立。关于这波中国企业出海浪潮，我昨天和一个朋友聊过。我认为与上一波猎豹移动SAPP出海最大的不同是，我们必须深入，做一些本地渠道建设，了解当地市场，并能够制定相应的策略。如果我们能做到这一点，我相信我们的护城河会比上一波猎豹移动通过在线广告和排名推广的浪潮深得多。但这仍然需要相对较大的努力和难度。这是我们的看法。但我仍然有信心在三年内实现市场领先地位。
Operator
女士们、先生们，现在我们将结束问答环节。至此，本次电话会议已全部结束。衷心感谢各位参加今天的业绩说明会，您现在可以断开连接。