一、穹彻智能：发布Noe-0具身世界模型技术预览

穹彻智能近期发布Noe-0具身世界模型技术预览，完整披露具身世界动作模型、全链路无本体数据、AI基础设施三大板块阶段性进展。此前8月19-23日，该模型已亮相世界机器人大会WRC，在A102展位完成礼品装盒真机演示，实现从视觉感知、任务理解到动作执行完整闭环。

Noe-0以世界模型架构为基础，构建具身世界动作模型，将对真实环境变化的建模与机器人动作生成放在同一个学习过程中。并非“先想象、再规划”的串行流程，而是在动作展开同时持续预测世界变化，形成“观察—联合推理—执行—再观察”连续闭环。实验验证模型呈现明显Scaling Law，随着预训练数据规模持续扩充，模型能力可以持续拓展。

模型最大亮点是打通全链路无本体数据链路。从模型预训练到任务后训练全部采用自研RoboPocket便携式采集设备产出的无本体数据，使两个训练阶段建立在连续一致的动作分布之上，形成贯穿模型训练全过程的无本体数据链路。目前采集网络覆盖全国50余个城市，累计获得超10万小时真实世界场景数据。

配套搭建贯穿端侧采集、云端治理、标注与交付的AI基础设施：端侧基础设施RoboPocket负责在真实场景中完成数据采集与上传；数据管理平台DM3采用AI-native的方式，让AI普遍介入任务理解与审核、质量监测与检查、数据标注等环节，提升规模化数据生产的运营效率。围绕Noe-0，穹彻智能已打通数据采集、治理、模型训练、真机验证完整链条，后续将持续输出技术报告与阶段性进展。

二、上扬软件：CIM系统精准赋能光电半导体全赛道

上扬软件CIM系统面向光电半导体行业工艺特性，打造专属数字化工业底座，业务覆盖光通信、微显示、激光、传感等多个细分赛道，服务数十家行业标杆产线完成数字化量产落地。

光电半导体芯片工艺高度定制化，和传统逻辑存储芯片差异显著，通用工业软件难以适配。在光通信赛道，针对外延工艺敏感、多品种混线生产、车规级严苛追溯需求，CIM系统搭建起全流程一体化数字化管控体系。系统打通从晶圆制造到封装测试的完整产线数据链路，把工艺规则沉淀为可复用数字化配置，缩短了新订单上线准备周期，实现了原材料到成品的全链路分级追溯，支撑800G/1.6T光模块、CPO等算力相关芯片规模化生产。

在微显示赛道，同时兼容“巨量转移＋模组集成”与“硅基CMOS背板＋精密蒸镀”两套截然不同的制造逻辑。上扬软件CIM系统搭建柔性一体化数据中台，实现跨工序的正反向追溯能力；在多片精密键合等容错极低的环节做数字化防错确保物料匹配与工艺执行的一致性；整合海量检测数据，适配复杂品质分级分选，助力Mini/Micro LED、AR/VR硅基OLED产线良率爬坡。

作为国内唯一具备12英寸Micro LED产线CIM完整量产落地实绩的国产供应商，上扬软件整套模块化方案可支持产线扩容、工艺迭代。9月9-11日，上扬软件将携光电全赛道CIM方案亮相深圳国际会展中心（宝安）CIOE中国光博会2D150 展位。

三、云储新能源：玄微平台斩获国际发明展金奖

8月21日，第十二届国际发明展览会“一带一路” 暨金砖国家技能发展与技术创新大赛在广州举办，云储新能源联合清华大学共同申报的“基于多层级AI融合的数字储能电池全生命周期智能运维平台（‘玄微’平台）”项目荣获国际发明展金奖。项目由慈松教授牵头，依托“信息能源”教育部联合实验室科研积累与十余年储能产业实践完成产学研落地。

玄微平台以动态可重构电池网络（DRBN）技术为底层底座，采用微服务、云原生SaaS架构，将储能垂直大模型与知识图谱深度耦合，摆脱传统储能运维高度依赖人工经验的现状，打通底层状态感知到上层智能运维决策的全链路智能化闭环。平台兼容异构电池设备与多品牌 BMS协议，支持独立、集群两种部署模式，可管控百兆瓦时级大型储能集群。

目前，“玄微”平台已经接入多个储能项目，围绕电池全生命周期实现状态评估、故障主动预警、协同运维等能力，有效降低储能运维成本，提升储能资产运营收益。云储新能源将持续迭代“玄微”平台，依托DRBN+AI+SaaS一体化方案，助力储能资产可信金融化与高效流转，输出能源数字化中国方案。

四、微环控：推出立式干涉仪动态性能解决方案

针对超精密光学检测设备痛点，武汉微环控正式发布立式干涉仪微环控动态性能解决方案。立式干涉仪是光学面形测量核心装备，随着检测精度要求不断提高（例如重复性需优于0.5nm甚至更高），检测光路中的微小温度波动、气流扰动以及空气折射率噪声成为制约设备发挥极限性能的关键瓶颈。

过往方案仅完成空态、静态工况验证；然而在客户实际现场使用中更看重设备在实际测量、连续工作状态下的“动态性能”——即工件在腔、系统开机运行状态下的测量重复性。实测表明，干涉仪连续工作状态下的测量波动，既来自外部环境气流和微环控送风品质的影响，也来自设备自身光源、电机发热带来的内部非对称热形变，仅依靠外部控温无法彻底消除干扰。

本次方案采用“腔内环境精细化控制+干涉仪本体热特性协同整改”双路径：一方面优化腔内温度均匀性、流场与噪声，压低折射率波动；另一方面针对设备内部发热单元提供针对性的隔热、导热及局部排热整改建议，优化光机结构的热传导路径。通过微环控与结构热优化的协同实施，致力于将立式干涉仪在实际连续工作状态下的测量重复性提升至优于0.1nm水平。

五、芯率智能：直播拆解AI驱动芯片设计制造新趋势

8月27日，半导体综研联合芯率智能开展主题直播《AI算力需求驱动的芯片设计与晶圆制造智能化》，行业嘉宾围绕AI在半导体全产业链落地、技术演进、行业挑战展开深度研讨。

整场直播，双方围绕算力结构、设计智能化、先进封装协同、制造侧AI落地、人机分工达成统一观点：AI应用重心从训练转向推理，导致GPU主导地位相对减弱，推理专用集成电路（ASIC）、定制芯片和云厂商自研打开新的设计窗口；CPU与GPU配比由约1:8走向1:4、1:2甚至1:1，Agent真正干活后，CPU从单纯调度重新回到关键位置；HBM带宽、3D混合键合与近存计算成为推理侧硬件主线，设计—工艺协同要从DTCO走向系统级的STCO；芯片设计将变成一头一尾由人把关、中间流程由AI接管，模拟电路同样受冲击，资深架构师经验价值进一步凸显、新人入门岗位被压缩；晶圆制造侧AI已运行近十年，生产排程、过程管控、预测性维护和缺陷自动分类可规模化落地，但新产品新缺陷仍需持续学习，产线节拍要求高实时性，当前云端大模型推理速度不足、难以直接匹配，因此更倾向本地部署或专用加速芯片；未来若出现价格亲民且推理极快的专用芯片，大模型才有望直接匹配产线节拍。