分类： 分类1

什么是「食物里程」

食物里程（food miles）指食物从产地到餐桌全程累计运输距离，配套估算伴随运输发生的 CO₂ 排放。它最早由英国学者 Tim Lang 在 1990 年代提出，原始目的是揭示「空运芦笋比本地猪肉更碳」的反常识事实。

发展至今，食物里程已经是一项家庭可上手的计算：把你今天食谱里的原料按产地、运输方式、运输距离逐项填报，就能得到今天这一餐背后的「碳护照」。

食物里程只算运输吗

严格讲不是。完整计算包括：

• 生产过程：化肥、农药、机耕、灌溉用电产生的排放；
• 冷链保鲜：冷藏车、冷库、超市冷柜的能耗；
• 包装仓储：一次性塑料盒、瓦楞纸箱的碳代价；
• 末端烹饪：家用燃气、家用电器的消耗；
• 废弃处置：厨余垃圾填埋与运输时的甲烷泄漏。

运输通常仅占总排放的 15-25%，但它在「标签感」上最强、最容易讲。也正因此，食物里程是个易传播但易被误导的概念——本地生产但能耗高的温室西红柿，碳足迹反而高于进口节能大田西红柿。

三类典型对比

反季草莓：本地温室种植约 1.2 kg CO₂/kg，而智利空运加冷藏约 5.0 kg CO₂/kg，差距 4 倍。

大米：远距离卡车运输 vs 本地柴油小型拖拉机：能耗差大约 18%，但 2 吨级的卡车单位运输效率其实更高。

牛肉与豆类：1 公斤本地放养牛肉约 27 kg CO₂/kg，是同重量本地黄豆的 50 倍——这时食物里程应当降为次要议题。

普通人如何「算清楚」

• 选择本地当季食材：这个准则只能解决「运输」段，但仍然是一个高性价比起点；
• 减少反季节与空运产品：除了里程，还顺带减少包装与冷链能耗；
• 处理存储与浪费：食物浪费是更高量级的碳负担；
• 灵活看待「本地」：同样是番茄，温室种植可能比节能远距离运输更「贵」。

可操作的周末实验

下一周，挑三顿正餐按以下方式记账：

1. 列出每种食材的产地、运输方式（空运 / 海运 / 陆运 / 冷链）；
2. 用公开食物碳足迹表（如 Poore & Nemecek 2018 数据集）查每种原料的 CO₂ eq/kg；
3. 求和，比较这三顿饭的碳预算差异。

三个月后，绝大多数人会自动调整购物清单——这比任何环保手册都更有效。

结语

食物里程是入口，不是终点。读完一两个数字之后，你还愿意继续追问前端的种植、后端的废弃、整条链上不同人群的负担分配，那这张餐桌才能真正变小。

为什么「云端健身房」忽然火起来

三件事同时发生：

• 智能镜普及： 65 寸可触控镜面从 2 万多元降到不足 5 千元，给客厅一个 24 小时可训练的教练屏幕；
• AI 教练进入 C 端：通过摄像头实时纠正动作、提供个性化训练计划；
• 订阅制成熟： 30-100 元/月覆盖团课、瑜伽、搏击、太极四类课程，价格不到线下健身房的 1/3。

三件叠加，「客厅健身房」这个概念从一线城市的极客家庭，正在飞入普通家庭。

硬件生态：从镜子到「会说话的瑜伽垫」

主流「云端健身房」三类形态：

1. 镜面主机：内置屏幕 + 摄像头 + 扬声器：镜面作为显示屏，悬浮课程和教练影像；
2. 智能电视 / Pad： App 化训练入口，价格最低，搭配基础体能装备即可用；
3. 全息教练 / VR：Quest 3 等头显替代屏幕，沉浸感最强，但晕动症仍待解决。

硬件之外，配件生态也迎来小爆发：智能跳绳、动作追踪手环、可阻力调节哑铃。它们的核心是「数据 + 反馈」，训练成果可比可追溯。

训练模式：三段式进阶

入门期（1-2 周）：以基础体态、灵活性训练为主，AI 教练侧重动作识别与纠错；

进阶期（3-8 周）：进入循环训练，每周 4 次课程包含力量、有氧、康复三类；

深度定制期（8 周以上）：结合用户睡眠 / 饮食 / 体重数据，AI 输出个性化训练菜单。

研究显示，前两阶段「云端 + 智能镜」组合在依从度（坚持率）上比纯在线课程高 35%-50%，主要归功于镜面的「仪式感」。

经济模型：省钱与隐形成本

看似每月 30-100 元很便宜，但入门硬件 4 千-3 万元不等。再加智能体脂秤、智能跳绳、力量带等，整个生态一次性投入约 5 千-3 万元。

对比线下健身房：一年卡 2-5 千元， 24 小时开放、私教 300-700 元/节。结论：

• 一年训练 50 节以下：云端更划算；
• 一年训练 100 节以上且需要专业指导：线下更划算。

「混合模式」（云端做日常 + 线下做精修）正在成为主流方案。

适合谁、不适合谁

适合：上班族、宝妈、租房群体、有 2 小时/天碎片时间的人群；

暂时不适合：需要负重训练（健身房大型器械）、大场地运动（拳击台、攀岩墙）、伤病康复期（前 3 个月建议线下面对面评估）。

结语

云端健身房不会取代健身房，但它把「开始」这件事的门槛压到了地板上。你愿意打开镜面 / 打开 App，下一秒就可以开始 5 分钟训练——这正是它最大的意义。

为什么甲骨文难破

殷商甲骨自 1899 年首次被识别以来，120 多年间学者只破译出大约 1500 个单字，占已发现字形总量的不到一半。难处有三：同一字在不同卜辞里写法差异极大；占卜上下文不可替换；传世文献与之对应的可靠锚点稀少。

字形聚类代替人工比对

新一波「算法考古」先把几万张高清拓片交给卷积神经网络做无监督聚类，让机器自己把同一字的异体字归拢。聚类结果出来后，研究者只需对每个簇做一次训诂学核对，而不是逐字重头考释。公开论文显示，这种流程在「人」「卜」「雨」「田」等高频字的异体字归并上，准确率超过 92%。

上下文模型与「破译候选排序」

更关键的进步来自语言模型。研究者把同一时期的铜器铭文、传世文献片段拼接成一个上下文语料，让 Transformer 在给出残字时输出「最可能的若干候选字 + 释义」。这一思路把原本需要人文学者数年工夫的论证，压缩为数日可完成的候选排序。

从甲骨到简牍的同源迁移

方法一旦在甲骨上验证，立即被迁移到战国楚简、秦汉医简上。不同之处在于，简牍大量保存完整文本，可提供更密集的上下文监督信号；甲骨则仍需借助同位素、卜辞兆纹作为弱监督。

研究者还在做哪些事

目前学界最关心的不是「再破几个新字」，而是：能否建立可持续更新的「未释字候选库」、能否用图像模型对残泐部位做虚拟复原、能否让古文字研究与中小学课堂之间形成可用的桥梁。这三件事都已在不同实验室发生。

嘈杂环境里的”语音聚焦”

场景识别是这类眼镜的核心。在实验室的对比测试里，它们对正前方 1.5 米内说话人的语音清晰度提升大约 11-14 dB，比主动降噪耳机的语音模式表现更好。原因在于：麦克风阵列首先做波束成形，把目标方向信号放大；然后骨传导把处理后的语音直接送进耳蜗，绕开外耳道噪声。

骨传导 vs 传统入耳

传统入耳式助听或耳机在 60 dB 以上的环境里，信噪比会显著恶化；骨传导不封闭外耳道，能让你同时听见环境声与增强语音，对需要保留空间感的对话场合更友好。代价是低频感受较弱，因此常被设计成「语音增强 + 环境声自然传入」的组合方案。

三类适用人群

第一类是轻度听力下降但还没必要戴传统助听器的中老年人，戴上后可省去掏助听器的动作。第二类是在咖啡馆、机场候机厅开电话会议的白领——它比摘耳机更省事。第三类是博物馆导览员或工厂巡检员，可借助眼镜实时获取语音提示。

还需要解决的问题

风噪、眼镜腿与皮肤贴合的稳定性、与近视镜片的兼容性，是当前主要的工程难点。下一代方案通常把麦克风从镜腿移到镜框顶部，并把骨传导模块做成磁吸式可拆卸。

一条流水线如何形成

目前的典型流程是：先用大语言模型列出 30 个候选话题 → 让编辑从中选定 5 个 → 由研究员对每个话题合成提纲和引文索引 → 调用语音合成引擎产出主播音轨 → 用音频编辑脚本叠背景音、切片做章节标记 → 自动分发到常见播客平台。整个过程从选题到上架可以压缩到 25 分钟以内。

合成主播的边界

主流语音合成引擎已能克隆一个主播 6-10 分钟素材的声音特征，但要逼真复现其笑点、呼吸节奏仍需要在「情感标签」上做大量后期调节。当前主流做法是：固定 3-5 个主播音色做轮换，牺牲个性化换稳定性。

三重版权风险

第一重是大模型的训练语料可能含未授权文本；第二重是合成主播音色是否需本人授权，已有几个司法管辖区对此立了法；第三重是话题引文与背景音乐未单独确认来源。多数 AI 播客团队通过「题材避开新闻热点 + 内容均为原创表达 + 音乐走免版税库」三步规避，仍不能完全避免风险。

它会取代真人播客吗

在「知识播报」类节目里，它已成为有力的低成本替代品；但在「人物对话」「深度访谈」领域，受众期待主播的真实人格与现场反应，这恰恰是合成主播最弱的环节。两者未来更可能共存，而非替代。

从分子到香气的两层鸿沟

气味的描述需要两座桥梁：从分子结构走到感知强度，再从感知强度走到语言。前者依赖化学与嗅觉受体研究的进展，后者依赖受过训练的调香师。把这两层鸿沟抹平的尝试，早在 1980 年代就有，但真正可用的系统是近五年随着图神经网络与嗅觉受体的结构生物学进展才出现的。

多模态嵌入：把气味放在 1024 维向量里

目前最被关注的工作是把「分子 SMILES + 感知描述文字 + 受体响应曲线」三种模态对齐到一个 1024 维向量空间。任意输入一个分子，可以反查到「听起来像」「闻起来像」的语言描述；输入一段「夏天雨后的柑橘园」描述，可以给出可达该意图的若干候选配方。

AI 调香会取代调香师吗

短期内不会。真正的高级订制香水依然依赖「鼻子 + 现场语境」——客户的体温、季节、地理都会介入配方迭代。但 AI 已能在中低端市场做两件事：一是批量生成 200 个候选版本供调香师筛；二是把客户在问卷里描述的偏好转化为 5-7 个超参数，节省前期对话时间。

一个可上手的家庭实验

你不必是大公司也能体验。准备 4-5 瓶单一成分精油——佛手柑、檀香、雪松、岩兰草、岩兰草——用滴管以 1%、3%、5%、10% 共四档浓度与酒精基底配比，记录盲闻感受。把结果列成表后再用 ChatGPT 或 NotebookLM 分析「哪些组合让你直觉性地舒服」。这正是 AI 调香系统在做的事的极简版本。

为什么需要固态电池

液态锂离子电池的能量密度已逼近理论天花板——约300-350 Wh/kg。这意味着一辆中型电动轿车的续航上限大约在800公里左右，再往上提升代价急剧增加。更重要的是，液态电解质在高温或碰撞下存在热失控风险，即便工程师们已经用多层隔膜和BMS管理系统将其概率压到极低，消费者的焦虑依然存在。

固态电池用固态电解质替代液态电解液，从根本上消除了泄漏和挥发风险，同时允许使用金属锂负极，理论能量密度可提升至500 Wh/kg以上。这意味着同样重量的电池可以多跑50%的里程，充电速度也可以从小时级缩短到分钟级。

三条技术路线

固态电解质目前有三条主流技术路线，各有优劣：

氧化物路线

以LLZO（锂镧锆氧）为代表，热稳定性和电化学窗口出色，适合高功率场景。但氧化物陶瓷硬度高、脆性大，界面接触电阻大，需要高温烧结工艺，制造成本居高不下。美国QuantumScape和中国卫蓝新能源走的是这条路。

硫化物路线

以LGPS、Li6PS5Cl等为代表，室温离子电导率可与液态电解液媲美，是综合性能最优的方向。但硫化物对空气和水分敏感，容易产生硫化氢有毒气体，量产环境要求严格。丰田是硫化物路线最坚定的推动者，已宣布2027年实现量产。

聚合物路线

以PEO基聚合物为代表，柔性好、界面接触容易、工艺兼容度高。但室温离子电导率偏低，通常需要加热到60度以上才能正常工作。法国Bolloré是早期商业化者，在巴黎运营电动出租车队。

量产的三道坎

从实验室样品到GWh级量产，固态电池需要跨越三道门槛：

1. 界面工程：固态电解质与正负极之间的固-固界面接触远不如液态的浸润性好。充放电过程中电极体积膨胀收缩会导致界面剥离，阻抗急剧增大。解决方案包括引入少量液态或凝胶作为界面缓冲层（半固态方案），或者通过高压堆叠力维持接触。
2. 制造工艺：现有锂电池产线是为卷对卷涂布工艺设计的，固态电解质（尤其是陶瓷型）需要全新的沉积、烧结和层压工艺。这意味着数十亿级别的产线投资。
3. 金属锂负极：要实现固态电池的全部潜力，必须使用金属锂负极替代石墨。但锂枝晶生长会刺穿固态电解质导致短路。这是目前学术界最活跃的研究方向之一。

半固态：务实的过渡方案

在真正全固态量产之前，许多企业选择了半固态路线——在保留少量液态电解液的同时引入固态电解质组分。这种方案继承了液态电池的制造工艺兼容性，又能部分提升安全性和能量密度。

中国企业的半固态电池已经上车。蔚来150度半固态电池包实现1000公里续航，卫蓝的350 Wh/kg半固态电池已在部分车型中量产。这为消费者提前体验固态技术红利提供了窗口。

时间表与竞争格局

全固态电池的量产时间表正在不断前移。丰田计划2027-2028年推出全固态车型，能量密度目标450 Wh/kg；三星SDI目标2027年小批量量产；宁德时代则选择2027年前后切入硫化物路线。中国通过固态电池产学研创新联盟的布局，在氧化物和半固态方向上已形成优势。

到2030年，固态电池有望在高端电动车和eVTOL（电动垂直起降飞行器）场景中率先实现规模化应用。届时，续航焦虑和安全焦虑这两个困扰电动车普及的核心痛点，有望被一次性解决。

数据为何成为生产要素

2020年，中国首次将数据列为继土地、劳动力、资本、技术之后的第五大生产要素。这一定性意味着数据不再是技术附属品，而是与石油、电力同等重要的基础资源。2023年”数据二十条”发布，构建了数据产权、流通交易、收益分配、安全治理的四梁八柱。

但把数据从资源变为资产，需要解决三个根本问题：它属于谁、值多少钱、怎么交易。这三个问题看似简单，实则涉及法律、经济、技术的深层重构。

三权分置：中国方案的核心创新

传统财产权理论难以适配数据的特殊性——数据可无限复制、使用不减损、价值依赖场景。”数据二十条”提出了”三权分置”的创新框架：

• 数据资源持有权：谁采集了数据，谁享有持有权。这赋予了数据采集者排他性的控制能力。
• 数据加工使用权：使用者可以在持有权人授权范围内加工和使用数据，无需转移所有权。
• 数据产品经营权：将加工后的数据产品在市场中经营获利，如数据API、数据报告、数据模型。

这一框架的精妙之处在于回避了”数据归谁所有”的争论，转而关注”谁可以做什么”。它允许数据在不转移所有权的前提下流通使用，为数据交易提供了法律基础。

数据交易所：有形市场的探索

截至2025年，中国已成立超过50家数据交易所/交易中心，分布在北京、上海、深圳、贵阳、西安等地。这些机构的定位介于证券交易所与技术平台之间，提供数据登记、挂牌、撮合、结算服务。

但数据交易与证券交易有本质区别。股票是标准化的、同质的、价值由市场定价；数据则是非标准化的、异质的、价值高度依赖使用场景。同一份用户行为数据，对广告主值100万，对气象研究者可能一文不值。这使得集中竞价模式难以奏效，多数交易仍以协议定价为主。

北京国际大数据交易所尝试通过”数据可用不可见”的隐私计算技术，让数据在不离开原始持有者服务器的前提下完成计算和交付。这解决了”数据交出去就失去控制”的信任痛点，但也带来了技术成本和效率问题。

数据资产入表：会计准则的突破

2024年1月1日，《企业数据资源相关会计处理暂行规定》正式实施，允许企业将数据资源确认为资产计入资产负债表。这是全球范围内首次在会计准则层面对数据资产进行规范。

数据资产入表的影响深远：它让数据从隐性价值变为显性资产，直接影响企业估值、融资能力和税收。但实操层面困难重重——如何评估数据的公允价值？数据贬值速度如何折旧？自用数据与交易数据如何区分？这些问题仍在探索中。

首批试点的国有企业中，多数选择将内部运营数据（如客户画像、生产流程数据）入表，评估方法以成本法为主（即采集和加工数据的投入成本），市场法和收益法仍在完善中。

企业数据治理的现实路径

对于企业而言，数据要素市场化不仅是宏观政策，更要求内部数据治理体系的重构：

1. 盘点与分类：全面梳理企业数据资产目录，区分公共数据、企业数据、个人数据，明确敏感等级。
2. 确权与授权：基于三权分置框架，厘清每类数据的持有权、使用权、经营权归属，建立内部授权机制。
3. 质量与安全：建立数据质量指标体系（完整性、准确性、时效性），落实数据安全法和个人信息保护法的要求。
4. 流通与变现：识别可对外流通的数据产品，通过数据交易所或直接合作方式实现价值转化。

数据要素市场的未来

数据要素市场化是一个十年级的进程。短期内（1-3年），重点是确权规则细化和交易所基础设施完善；中期（3-5年），隐私计算和联邦学习技术将大幅降低数据流通的信任成本；长期（5-10年），数据要素将像资本一样深度嵌入企业资产负债表和国民经济核算体系。

这一进程的核心驱动力不是技术，而是制度创新。正如产权制度是市场经济的基石，数据产权制度的完善程度将决定中国在数据经济时代的竞争力。

从波士顿动力到家庭客厅

2016年波士顿动力的Atlas后空翻视频震惊了世界。但十年过去了，Atlas仍然没有进入任何家庭。仿生人形机器人从实验室到商业化的最后一跃，比任何人想象的都要难。

2022年特斯拉发布Optimus原型，2024年宇树G1以9.9万元价格开售，Figure AI拿到OpenAI投资并与宝马工厂达成部署协议。人形机器人终于从学术演示走向产品化阶段。但要真正走进家庭，还有三座大山需要翻越。

第一座山：双足运动控制

人类走路看起来简单，实际上是数百块肌肉与平衡系统协同的奇迹。双足机器人的核心挑战在于动态平衡——在单脚支撑的瞬间，整个系统处于不稳定状态，必须实时计算重心调整。

传统方法依赖MPC（模型预测控制），需要精确的物理模型和大量计算。新一代方法引入强化学习（RL），让机器人在仿真环境中通过百万次试错学习步态策略。宇树和波士顿动力都已采用RL方案，机器人在复杂地形上的通过能力大幅提升。

但问题在于泛化。仿真训练的步态在真实世界中经常失效——地面摩擦系数不同、风力干扰、关节磨损都会导致跌倒。Sim-to-Real（仿真到现实）的Gap仍然是核心痛点。

第二座山：灵巧手操作

运动只是第一步，真正的价值在于操作。人手有21个自由度，能完成从开门到切菜的无缝切换。目前的机器人灵巧手通常有6-16个自由度，能抓取物体但无法完成精细操作。

操作的难点在于感知与控制闭环。抓一个杯子需要视觉定位、力觉反馈、滑动检测的实时协同。传统的力控方案响应延迟在50-100毫秒，远高于人类的10毫秒。基于指尖触觉传感器的边缘计算方案正在将延迟压缩到20毫秒以内。

更重要的是，通用操作策略的学习需要海量数据。Figure和特斯拉正在采用远程操作（Teleoperation）收集人类动作数据，用于训练端到端的操作模型。这种方法的瓶颈在于数据多样性——要让机器人学会叠衣服，可能需要数千小时的演示数据。

第三座山：具身智能

前两座山解决的是”身体”，第三座山解决的是”大脑”。一个有用的家庭机器人需要理解自然语言指令、感知环境、规划任务序列、执行操作、检测错误并自我修正。

大语言模型为具身智能提供了关键的推理基础。Google的RT-2、OpenAI的GPT-4o都在尝试将语言理解与视觉感知、动作控制打通。但L型路线（语言→视觉→动作）的延迟和错误累积仍然严重。当机器人听到”把桌上那杯水拿给我”时，它需要：识别桌子、定位杯子、规划路径、避开障碍、伸手抓取、力控调整、走向目标、松手交付——每一步都可能出错。

商业化的务实路径

面对这些挑战，企业选择了不同的商业化路径：

• 工厂先行：Figure、Apptronik优先进入工厂场景，任务结构化程度高（搬箱子、拧螺丝），容错率高。积累数据后再向家庭扩展。
• 下肢先行：宇树从四足机器人起步，运动能力优先，操作能力逐步增强。G1已能在实验室完成叠衣服等任务。
• 生态先行：特斯拉试图用Autopilot的视觉感知能力迁移到机器人上，降低硬件成本。Optimus的目标售价是2万美元，瞄准家庭市场。

最后一跃需要什么

人形机器人进入家庭，技术上需要三个突破：端到端的操作策略学习（减少对远程操作数据的依赖）、Sim-to-Real的鲁棒迁移、以及低成本高可靠性的硬件。成本上需要降到3万元以内，可靠性上需要MTBF（平均故障间隔）超过500小时。

更关键的是安全。一个重40公斤、能施加50牛顿力的机器人在家庭环境中本身就是风险源。如何在提供有用操作力的同时确保不会伤人，可能需要全新的安全架构——从硬件层面的力矩限制到软件层面的行为约束。

乐观估计，2028-2030年，首批面向消费者的家庭服务机器人将以有限任务集的形式上市：整理桌面、递送物品、简单清洁。全面的通用家庭机器人，可能还需要更长的等待。

为什么一台机器值两亿美元

在全球半导体产业链中，极紫外光刻机（EUV Lithography）是唯一无法被替代的环节。一台ASML的TWINS CANE NXE系列售价超过两亿美元，交货周期超过18个月，而全球能制造它的公司只有一家。这不是市场自由竞争的结果，而是三十余年技术积累、专利壁垒与出口管制共同塑造的结构性垄断。

光刻机本质上是一台超精密投影仪。它将掩膜版上的电路图案，通过光学透镜缩小后投影到硅片表面的光刻胶上。分辨率越高，能在同样面积上刻出的晶体管就越多，芯片性能就越强。从28纳米到7纳米，每一次制程跨越背后，都是光刻机光源波长的一次革命。

从DUV到EUV：光源波长的极限挑战

传统深紫外光刻（DUV）使用193纳米波长的氩氟准分子激光器。通过多次曝光（SADP/LELE）技术，DUV可以将工艺推进到7纳米，但成本和良率代价极高。EUV将波长缩短到13.5纳米，单次曝光就能完成DUV需要多次曝光才能实现的图形，大幅降低了制程复杂度。

但EUV的实现极其困难。13.5纳米的光几乎被所有物质吸收，必须在真空中操作；光源功率需要达到500瓦以上才能满足量产产能要求；光学透镜必须使用多层镀膜的反射式布拉格反射镜，表面粗糙度控制在原子级别。每一项都是工程极限。

ASML的垄断与供应链联盟

ASML并非独自完成EUV的全部技术。它的光源来自德国通快（Trumpf）的二氧化碳激光器，透镜来自德国蔡司（Zeiss），掩膜检测设备来自美国。这是一个跨大西洋的联盟，任何一环的退出都会导致整个链条断裂。

这种深度绑定的供应链恰恰是壁垒所在。竞争对手不仅要复制ASML，还要复制整个联盟。日本的尼康和佳能曾在DUV时代与ASML三足鼎立，但在EUV研发中先后退出。中国上海微电子装备（SMEE）目前最先进的产品停留在90纳米节点，与国际水平差距显著。

国产替代的现实路径

面对出口管制，中国选择了多条路径并行推进：

• 封装级创新：通过Chiplet和先进封装（2.5D/3D）绕过制程限制，用成熟工艺的芯片组合达到先进制程的性能。华为 Mate 60 的麒麟9000S就是这一思路的代表。
• DUV极致利用：在国产193纳米光刻机上通过多重曝光实现28纳米甚至14纳米工艺，牺牲产能和良率换取自主可控。
• SSMB光源探索：清华大学提出的稳态微聚束（SSMB）技术路线，理论上可以提供大功率EUV光源，目前仍处于实验验证阶段。
• 自研EUV整机：中科院光电研究院等机构在EUV光学系统、反射镜制造等关键环节持续投入，但距量产仍有数年距离。

博弈的下一个十年

光刻机之争不仅是技术问题，更是产业政策、人才储备和国际博弈的综合较量。ASML的High-NA EUV（高数值孔径EUV）已经开始交付，将支持2纳米以下制程。与此同时，中国正在举国体制下加速追赶，从零部件国产化到整机集成，逐步构建自主可控的光刻产业链。

可以预见的是，未来五到十年，全球半导体制造将形成两条平行技术路线：一条以ASML为核心、覆盖最先进制程的国际主流路线；另一条以国产替代为目标、在成熟到中端制程上逐步缩小差距的自主路线。两条路线的交汇与分叉，将深刻影响全球科技格局。