具身智能售前技术学习笔记
方向：具身智能
类型：技术学习笔记
版本：v1.0
日期：2026-07
导读：为什么要学具身智能
具身智能（Embodied AI）是当前 AI 产业从”数字世界”走向”物理世界”的关键桥梁。如果说大语言模型让 AI 学会了”思考”，那么具身智能就是让 AI 学会了”动手”。
产业判断：
– 大模型已解决”认知”问题，但物理世界的劳动力短缺是万亿级市场
– 人形机器人被普遍认为是”具身智能最佳载体”，2024-2026 年进入量产前夜
– 售前解决方案专家需要同时懂”AI 软件”和”机器人硬件”——这是稀缺能力
一、具身智能基础概念
1.1 什么是具身智能
核心定义：具身智能是指智能体拥有物理身体，通过”感知-决策-执行”闭环与真实物理环境进行交互，从而完成复杂任务的智能系统。
一句话理解：有身体的 AI，能在真实世界里干活。
三个关键限定词：
| 限定词 | 含义 | 售前话术 |
|---|---|---|
| 具身（Embodied） | 拥有物理身体，不是纯软件 | “不是云端的大模型，是装在机器人里的” |
| 智能（Intelligence） | 具备感知、推理、决策能力 | “不是写死程序的工业机器人，是能理解指令、自主规划的” |
| 交互（Interaction） | 与物理环境双向交互 | “能看、能想、能动手，形成闭环” |
类比记忆：
– 纯软件 Agent = 只有大脑没有手脚的”缸中之脑”
– 传统工业机器人 = 只有手脚没有大脑的”提线木偶”
– 具身智能 = 大脑 + 身体 + 感官的”完整的人”
1.2 发展历程
| 阶段 | 时间 | 代表事件 | 特征 |
|---|---|---|---|
| 萌芽期 | 1950s-1980s | 图灵提出”机器思维” | 概念提出，硬件能力极弱 |
| 规则驱动期 | 1980s-2010s | Brooks 行为机器人；ROS 开源框架 | 预编程规则为主 |
| 深度学习期 | 2012-2020 | AlphaGo；Boston Dynamics Atlas | 感知能力突破 |
| 大模型驱动期 | 2022-至今 | ChatGPT；特斯拉 Optimus；宇树/智元 | LLM 赋予通用认知 |
为什么 2022 年后具身智能突然爆发？三个技术拐点：
1. 大语言模型成熟：LLM 提供了”通用语义理解 + 任务规划”能力
2. 多模态对齐突破：CLIP、BLIP 等视觉-语言模型成熟
3. Sim-to-Real 技术成熟：Isaac Sim 等仿真平台 + 域迁移算法
1.3 核心组成：感知-决策-执行闭环
| 模块 | 功能 | 对应人类能力 | 技术实现 |
|---|---|---|---|
| 感知 Perception | 获取环境信息 | 眼睛、耳朵、皮肤 | 相机、激光雷达、IMU、力矩传感器 |
| 决策 Decision | 理解任务、规划动作 | 大脑 | 具身大模型、强化学习策略、运动规划 |
| 执行 Action | 物理执行动作 | 手脚、肌肉 | 电机、关节、末端执行器（夹爪/灵巧手） |
售前要点：客户关心”机器人能多快反应”——要区分三个频率：
– 感知频率：相机通常 30-60Hz
– 决策频率：大模型推理通常 5-10Hz
– 控制频率：关节电机控制 200-1000Hz
二、关键技术栈
2.1 多模态感知
主流感知模态对比：
| 模态 | 传感器 | 感知内容 | 优势 | 局限 |
|---|---|---|---|---|
| 视觉 | RGB 相机、深度相机 | 物体识别、距离、纹理 | 信息量大、成本低 | 受光照影响、无触觉 |
| 深度感知 | 激光雷达 LiDAR、ToF | 精确 3D 距离 | 精度高、不受光照影响 | 成本高、机械式易损 |
| 触觉 | 力矩传感器、电子皮肤 | 接触力、滑动、压力 | 闭环抓取必备 | 覆盖面积有限 |
| 听觉 | 麦克风阵列 | 语音指令、环境声 | 自然交互、远距离 | 嘈杂环境失效 |
| 本体感觉 | 编码器、IMU | 关节角度、姿态 | 高频、可靠 | 仅感知自身 |
关键技术点：
– 视觉-语言对齐（VLA）：将视觉特征与语言对齐，让机器人”看图听话”。代表模型：CLIP、BLIP-2、RT-2
– 3D 场景理解：从 2D 图像重建 3D 场景（NeRF、3D Gaussian Splatting）
– 多模态融合策略：早期融合（数据级）、中期融合（特征级，主流）、晚期融合（决策级）
2.2 运动控制
控制层次金字塔：
任务层控制 "把杯子拿过来"（自然语言任务）
│
运动规划层 规划轨迹：走到桌前→伸手→抓取→返回
│
轨迹跟踪层 计算每时刻各关节目标角度
│
关节控制层 PID/MPC 控制电机到达目标角度 (200-1000Hz)
关键技术点：
– 逆运动学（IK）：已知末端执行器目标位置，反推各关节角度
– 模型预测控制（MPC）：基于机器人动力学模型，预测未来运动轨迹
– 强化学习控制策略：在仿真中训练神经网络策略，直接从传感器状态映射到关节力矩
– 全身控制（WBC）：统一协调全身关节完成多任务
四足 vs 人形控制难度对比：
| 维度 | 四足机器人 | 人形机器人 |
|---|---|---|
| 重心高度 | 低（稳定） | 高（易倒） |
| 支撑面积 | 大（四脚着地） | 小（双脚） |
| 静态稳定性 | 容易 | 困难 |
| 控制频率要求 | 200-500Hz | 500-1000Hz |
2.3 具身大模型
与传统大模型区别：
| 维度 | LLM（如 GPT-4） | 具身大模型（如 RT-2） |
|---|---|---|
| 输入 | 文本 | 文本+图像+传感器状态 |
| 输出 | 文本 | 动作 token（关节角度/末端位姿） |
| 训练数据 | 互联网文本 | 互联网数据+机器人交互数据 |
| 核心能力 | 语言理解与生成 | 语言理解+视觉理解+动作生成 |
| 部署位置 | 云端 | 边缘端（机器人本体）/云端 |
主流具身大模型技术路线：
| 路线 | 代表模型 | 思路 | 优势 | 局限 |
|---|---|---|---|---|
| VLA 端到端 | RT-2 (Google)、OpenVLA | 视觉+语言→直接输出动作 token | 端到端、泛化好 | 训练数据需求大、推理慢 |
| 分层架构 | SayCan、Code as Policies | LLM 做任务规划+传统控制器执行 | 可解释、模块化 | 依赖预定义技能库 |
| 世界模型驱动 | GAIA-1、NVIDIA GR00T | 学习世界动力学模型+基于模型规划 | 可想象未来、样本效率高 | 技术尚不成熟 |
| 强化学习策略 | 强化学习+仿真训练 | 仿真中训练策略→迁移真机 | 动态表现好 | Sim-to-Real gap |
2.4 Sim-to-Real 迁移
Sim-to-Real Gap 的三大来源及解决方法：
| Gap 来源 | 问题描述 | 解决方案 |
|---|---|---|
| 视觉差距 | 仿真渲染的图像与真实照片有差异 | 域随机化（Domain Randomization） |
| 动力学差距 | 仿真物理引擎与真实物理有误差 | 域适应+系统辨识 |
| 传感器差距 | 仿真传感器噪声模型不真实 | 注入真实噪声模型 |
主流仿真平台对比：
| 平台 | 开发商 | 特点 | 适用场景 |
|---|---|---|---|
| NVIDIA Isaac Sim | NVIDIA | 物理仿真精度高、渲染真实 | 工业级仿真、研究 |
| MuJoCo | DeepMind(开源) | 接触动力学精确、速度快 | 强化学习研究 |
| PyBullet | 开源 | 轻量、易用 | 快速原型验证 |
| Genesis | MIT(2024) | 生成式仿真、速度极快 | 大规模策略训练 |
三、硬件架构
3.1 机器人本体结构
人形 vs 四足 vs 轮式对比：
| 维度 | 人形机器人 | 四足机器人 | 轮式机器人 |
|---|---|---|---|
| 适配人类环境 | 极好（楼梯/门/工具为人设计） | 好（能爬楼梯） | 差（平地为主） |
| 负载能力 | 中（5-25kg） | 中（10-50kg） | 高（可达 100kg+） |
| 续航 | 短（2-4 小时） | 中（4-8 小时） | 长（8-24 小时） |
| 成本 | 高（10-100 万） | 中（2-20 万） | 低（1-10 万） |
| 技术成熟度 | 早期量产 | 成熟商用 | 非常成熟 |
| 典型场景 | 通用服务/家庭/柔性制造 | 巡检/勘探/特种作业 | 仓储物流/工厂 AGV |
3.2 关节执行器选型
旋转执行器技术路线对比：
| 技术路线 | 扭矩密度 | 传动效率 | 重复定位精度 | 适用关节 | 人形机器人占比 |
|---|---|---|---|---|---|
| 谐波减速器 | 35-55 N·m/kg | ≥80% | ≤0.01° | 肩、肘、腕（精密关节） | 45% |
| 行星减速器 | 30-45 N·m/kg | 85-92% | ≤0.1° | 膝、髋、腰（中载关节） | 25% |
| 准直驱(QDD) | 35-50 N·m/kg | 90-95% | ~0.5° | 宇树/智元全关节方案 | 25% |
各厂商执行器方案对照：
| 厂商 | 上肢方案 | 下肢方案 | 手部方案 | 技术亮点 |
|---|---|---|---|---|
| 宇树 H1/G1 | QDD 旋转关节 | QDD 旋转关节 | Dex3-1（3 指 7DOF） | 全自研电机，极致成本 |
| 智元远征 A2 | QDD 旋转关节（PowerFlow） | QDD 旋转关节 | SkillHand（5 指 19DOF，液冷） | 液冷+512Nm 峰值扭矩 |
| 特斯拉 Optimus Gen3 | 谐波+行星旋转执行器 | 行星滚柱丝杠直线执行器 | 腱绳驱灵巧手（22DOF） | 丝杠方案全球引领 |
3.3 算力平台选型
主流机器人算力芯片对比：
| 芯片 | 厂商 | 算力 | 功耗 | 价格区间 | 典型应用 |
|---|---|---|---|---|---|
| Jetson Orin Nano | NVIDIA | 40 TOPS | 15W | 1000-2000 元 | 入门机器人 |
| Jetson Orin NX | NVIDIA | 100 TOPS | 25W | 3000-5000 元 | 服务机器人 |
| Jetson AGX Orin | NVIDIA | 275 TOPS | 60W | 8000-15000 元 | 人形机器人 |
| 瑞芯微 RK3588 | 瑞芯微 | 6 TOPS | 15W | 200-500 元 | 教育机器人 |
| 昇腾 Atlas 200I | 华为 | 40 TOPS | 20W | 2000-4000 元 | 国产化场景 |
四、主流厂商深度对比
4.1 宇树科技（Unitree）
公司概况：2016 年成立，杭州，以四足机器人起家，现已拓展人形机器人。以”高性价比”著称，是全球消费级四足机器人销量第一的中国厂商。
核心产品线：
| 产品 | 类型 | 关键参数 | 定位 | 价格区间 |
|---|---|---|---|---|
| Go2 | 四足 | 1.5m/s、15kg 负载、4K 相机 | 消费/教育 | 1-3 万 |
| B2 | 四足（工业） | 6m/s、40kg 负载、IP68 | 巡检/工业 | 10-20 万 |
| H1 | 人形 | 1.8m、47kg、3.7m/s 行走 | 研究/开发 | 9 万美元 |
| G1 | 人形（轻型） | 1.3m、35kg、2m/s | 通用/教育 | 1.16 万美元起 |
技术路线特点：关节电机自研（完全自研准直驱关节电机，成本控制能力强）、四足先行→人形延展、开源生态、运动能力突出（H1 创下全尺寸人形机器人行走速度世界纪录 3.7m/s）。
售前定位：”性价比之王”——同等性能下价格最优，适合预算敏感的客户和快速部署场景。
4.2 智元机器人（AgiBot）
公司概况：2023 年成立，上海，由前华为天才少年稚晖君创立。聚焦通用人形机器人，主打”具身智能操作系统”概念。
核心产品线：
| 产品 | 关键参数 | 定位 | 特点 |
|---|---|---|---|
| 远征 A1 | 1.75m、55kg、双臂+灵巧手 | 通用服务 | 首款产品，模块化设计 |
| 远征 A2 | 升级版，增强 AI 能力 | 商用服务 | 搭载具身大模型 |
| 灵犀 X1 | 开源人形 | 开发者/教育 | 全栈开源，降低门槛 |
| AgiBot OS | 具身智能操作系统 | 软件平台 | 软硬解耦、生态开放 |
技术路线特点：软硬一体+生态开放、数据闭环（自建数据采集体系，构建 AgiBot World 数据集）、灵巧手自研（11 自由度）、场景导向（强调具体商用场景落地）。
售前定位：”生态型选手”——软件平台+硬件+数据的完整闭环，适合需要深度定制和生态合作的客户。
4.3 特斯拉 Optimus
产品概况：特斯拉 2021 年发布人形机器人概念，2024 年展示 Gen-2 原型。目标是将人形机器人做到 2 万美元以下，实现大规模量产。
技术路线特点：
– 纯视觉感知：借鉴 FSD 自动驾驶经验，不依赖激光雷达，极致降本
– 端到端神经网络：从感知到控制全神经网络化
– 自动驾驶技术平移：复用 Tesla 的数据引擎、Dojo 超算
– 极致成本控制：目标 2 万美元
Gen3 关键参数：
| 参数 | Gen3 数值 | 亮点 |
|---|---|---|
| 身高/体重 | 1.73m / 57kg | 轻量化设计 |
| 全身自由度 | 37 DOF | |
| 灵巧手自由度 | 22 DOF/手（主动 17+被动 5） | |
| 行走速度 | ~2.3 m/s（8.4 km/h） | 接近人类步速 |
| 负载能力 | 20kg（持续） | 工业级能力 |
| 主计算芯片 | AI5 自研芯片（2500 TOPS） | |
| 续航 | 8-10h |
售前定位：”降本标杆”——技术路线激进、量产目标明确，但尚未大规模商用，适合关注行业趋势的客户参考。
4.4 主流厂商综合对比
| 维度 | 宇树科技 | 智元机器人 | 特斯拉 | Figure | 波士顿动力 |
|---|---|---|---|---|---|
| 起源 | 四足起家 | 原生人形 | 自动驾驶延伸 | 独立创业 | 传统机器人巨头 |
| 感知方案 | 视觉+激光雷达 | 视觉+多模态 | 纯视觉 | 视觉为主 | 视觉+LiDAR |
| 大模型 | 合作/开源 | 自研 AgiBot OS | 端到端 NN | OpenAI 合作 | 内部研发 |
| 价格定位 | 低-中 | 中 | 目标低 | 高 | 极高 |
| 量产进度 | 已量产 | 小批量 | 原型/试产 | 小批量 | 小批量 |
| 核心优势 | 性价比、运动控制 | 软硬一体生态 | 成本潜力、数据飞轮 | AI 能力 | 运动能力天花板 |
售前选型决策建议：
| 客户需求 | 推荐厂商 | 理由 |
|---|---|---|
| 预算有限、快速验证 | 宇树 Go2/G1 | 性价比最高、现货交付 |
| 需要深度定制软件 | 智元 + AgiBot OS | 开放生态、可二次开发 |
| 关注长期量产成本 | (观望)特斯拉 | 技术路线有潜力但未商用 |
| 运动能力极致要求 | 波士顿动力 Atlas | 运动控制业界天花板 |
| 研究探索/前沿场景 | Figure 02 | AI 能力强、OpenAI 生态 |
五、行业应用场景
5.1 工业制造
典型应用：3C 装配（手机/电子元件精密组装）、汽车总装（零部件搬运、线束插接）、物料搬运（车间内物料配送）、质量检测（外观检测、缺陷识别）。
售前方案设计要点：
– 场景适配性评估：制造场景非结构化程度高
– 节拍匹配：工业产线有严格节拍要求（如每 60 秒一辆车）
– 安全合规：需满足 ISO 10218（协作机器人安全标准）
– ROI 测算：机器人 vs 人工成本对比是成单关键
5.2 仓储物流
典型应用：货物分拣、上下架、搬运、装卸。
售前要点：
– 仓储场景已高度自动化：传统 AGV/AMR 很成熟，人形机器人的增量价值在于”适配非标货架”和”末端装卸”
– 与 WMS 系统集成：机器人需对接仓储管理系统
– ROI 容易算清：仓储人力成本透明，替代价值明确
5.3 家庭服务
售前要点：
– 家庭场景尚处早期：技术成熟度不足以支撑大规模商用
– 安全性是红线：家庭环境人机密切接触
– 价格敏感：2 万美元是心理门槛
– 隐私合规：家庭场景涉及隐私数据
5.4 医疗与康养
售前要点：
– 医疗场景合规门槛高：需医疗器械认证（NMPA）
– 从”非临床”切入：药品配送、消毒等非临床任务合规要求低
– 康养是蓝海：老龄化趋势下，养老护理人力缺口巨大
六、售前技术要点
6.1 客户需求分析
需求分析四步法：
1. 业务痛点挖掘：客户为什么找机器人？
2. 场景边界界定：机器人具体在什么环境工作？
3. 任务清单梳理：机器人要完成哪些具体任务？
4. 约束条件明确：预算多少？交付周期？合规要求？
售前实战要点：
– 警惕”伪需求”客户：用 ROI 测算筛出真客户
– 需求优先级排序：引导客户排序——哪些是必须、哪些是加分项
– 场景走访是关键：一定要去客户现场看
6.2 方案设计流程
标准售前方案设计七步流程：1.需求调研 → 2.可行性评估 → 3.技术选型 → 4.方案编写 → 5.POC 验证 → 6.Demo 演示 → 7.商务报价
售前实战要点：
– POC（概念验证）是成单关键：POC 预算通常 5-20 万
– 方案要”分层报价”：基础版+增强版+旗舰版
– 实施计划要务实：典型人形机器人项目部署周期 2-6 个月
6.3 ROI 测算方法
核心公式：
– ROI = (收益 – 投入) / 投入 × 100%
– 回本周期 = 总投入 / 年收益
ROI 测算示例（工业装配场景）：假设 1 台人形机器人替代 2 名工人：
– 机器人采购（含集成）：50 万
– 年运维费用：5 万
– 替代 2 名工人年成本：2 人 × 12 万 = 24 万
– 效率提升收益：8 万/年
– 年总收益：35 万
– 回本周期：50 / (35-5) ≈ 1.7 年
– 3 年 ROI：约 85.7%
售前实战要点：
– 回本周期 <2 年容易成单：国内制造业客户普遍接受 2 年以内回本
– 安全价值要算但别夸大
– 提供”分期租赁”降低门槛
– 提供 ROI 计算工具（Excel），让客户自己输入参数算
七、ToB 行业解决方案
7.1 方案一：智能制造——汽车总装线人形机器人部署
参考案例：优必选 Walker S1 × 比亚迪/吉利/东风柳汽 | Figure 02 × 宝马 Spartanburg
行业痛点：汽车总装线仍有大量工序依赖人工，尤其是质量检测、螺丝拧紧、贴标、SPS 分拣等高重复性任务。
部署实施方案（参考 Figure AI BMW 三阶段流程）：
| 阶段 | 周期 | 主要活动 |
|---|---|---|
| 数字孪生验证 | 1-6 月 | 建模仿真、安全协议验证、PLC 接口打通 |
| 影子运行 | 7-9 月 | 隔离区域遥操作数据采集、端到端模型训练 |
| 正式部署 | 10-11 月 | 上线运行、每日 10 小时×5 天、KPI 监控 |
7.2 方案二：仓储物流——人形机器人 RaaS 模式部署
参考案例：Agility Robotics Digit × GXO/Amazon/Toyota | Boston Dynamics Stretch × DHL/Gap
RaaS 模式：按小时/按使用量付费，将 CAPEX 转为 OPEX。
预期 ROI 效益：
– Digit $25/小时 vs 美国仓库工人 $30+/小时（含福利），当前已具备成本优势
– Stretch 在 Gap 仓库：1-2 名员工+Stretch 处理 10,000 箱/天，替代 12-15 名人工
7.3 方案三：安防巡检——多场景机器人巡逻部署
参考案例：达闼科技 Cloud Ginger Lite I 系列 × 唐山公安 | Boston Dynamics Spot × Otto Group
预期 ROI 效益：
– 单台巡逻机器人可覆盖 3-5 名安保人员的固定巡检工作量（24/7 运行）
– 事件响应速度从分钟级降至秒级
八、人形机器人与具身智能标准体系（2026 版）
2026 年 2 月 28 日，工业和信息化部人形机器人与具身智能标准化技术委员会正式发布《人形机器人与具身智能标准体系（2026 版）》。这是我国首个覆盖人形机器人全产业链、全生命周期的标准顶层设计。
8.1 六大板块金字塔
体系分为 6 大一级类目：安全伦理标准、应用标准、整机与系统、肢体与部组件、类脑与智算标准、基础共性标准。
8.2 智能等级体系：Lv1-Lv5
| 等级 | 名称 | 核心特征 | 典型能力 | 预计商用时间 |
|---|---|---|---|---|
| Lv1 | 基础能力 | 具备稳定走/跑/跳功能和初步交互 | 遥控行走、预编程动作 | 已实现 |
| Lv2 | 初级智能 | 特定场景下完成特定结构化任务 | 指定环境下搬运、简单装配 | 2025 年 |
| Lv3 | 场景智能 | 特定场景完成大部分非结构化任务 | 工厂柔性产线自适应操作 | 2026-2027 年 |
| Lv4 | 多场景适配 | 不少于 3 个场景完成非结构化任务 | 跨场景自主迁移能力 | 2028-2030 年 |
| Lv5 | 全面智能 | 真正的具身智能 | 通用任务泛化能力 | 2030 年+ |
8.3 售前实战要点
标准体系对售前工作的五大直接影响：
1. 方案合规性审查成为刚需：售前必须逐项对照标准，确保方案参数达标
2. 国产化替代成为政策红线：类脑与智算标准明确要求”强制支持国产算力芯片适配”
3. 智能等级成为客户选型标尺：售前应主动用”本方案对应 Lv3 场景智能等级”来传达产品能力定位
4. 部组件标准重塑供应链选品：减速器回程间隙≤1 弧分、伺服关节定位精度≤0.1°、MTBF≥2000 小时等指标成为部件选品的”及格线”
5. 安全伦理成为不可跳过的话题：售前应准备标准化的安全合规应答卡
九、常见技术 FAQ
Q1：人形机器人现在能干什么？什么时候能进家庭？
当前人形机器人已能在工业场景完成物料搬运、简单装配等结构化任务。进家庭服务还需 3-5 年技术成熟，主要瓶颈是精细操作能力、安全性和价格。
Q2：机器人和传统自动化设备（AGV/机械臂）有什么区别？
传统自动化设备是”专用工具”，换任务就要换设备。人形机器人是”通用平台”，同一台机器人可执行多种任务，适配人类环境。
Q3：机器人会不会取代工人？
短期看是”人机协作”而非”机器换人”。机器人承担重复、危险、高强度任务，人负责监督、决策和复杂操作。
Q4：机器人的安全性怎么保证？
三层安全保障：(1) 硬件层——力矩限制、碰撞检测、急停按钮；(2) 软件层——速度限制、安全围栏；(3) 管理层——操作培训、安全规程。
Q5：大模型在机器人里起什么作用？
大模型是机器人的”大脑”，负责理解自然语言指令、识别环境物体、规划任务步骤。没有大模型，机器人只能执行预编程的固定动作。
Q6：国产机器人和特斯拉 Optimus 差距多大？
各有优势。特斯拉在成本控制（目标 2 万美元）和数据飞轮上有潜力，但尚未规模商用。国产厂商（宇树、智元）在性价比、交付速度、本地化服务上占优。售前建议：需要即买即用选国产，关注长期量产成本可关注特斯拉进展。
十、核心要点回顾
- 具身智能 = AI 大模型 + 物理机器人，是 AI 从”会说”到”会做”的关键延伸
- 感知-决策-执行闭环是核心架构，三个频率（感知 30-60Hz / 决策 5-10Hz / 控制 200-1000Hz）需区分
- 主流技术路线：VLA 端到端（Google RT-2）、分层架构（智元 WorkGPT）、端到端 NN（特斯拉）
- 厂商选型：宇树（性价比）、智元（生态）、特斯拉（降本标杆）、波士顿动力（运动天花板）
- 售前核心：需求翻译、方案架构、ROI 测算、POC 验证、标准合规
- 标准体系：2026 版标准体系定义了行业”及格线”，售前方案必须逐项对照
作者：壹生有多逺
更新日期：2026-07-17