✅ 这一篇是高置信度的『家底盘点』，内容全部来自公司自家展示资料（《アイヴィス展示物紹介》《同 2（音声認識）》两份 PDF），不是外部调研推演。判断「往哪走、能不能赚钱」之前，先把「我们手里到底有什么」说清楚——否则容易跟着别人的机器狗 / 人形热点跑，而丢掉自己真正的牌。
🌐 一句话：我们的牌不是「机器狗」，是「リザバー计算」这层边缘 AI
很多讨论一上来就纠结「买 Unitree 还是 Boston Dynamics 的机器狗」。但盘点展品后会发现：公司四个 Demo 的共同底座，是同一套算法——储备池计算（Reservoir Computing，RC；日文「リザバー计算」；典型实现 Echo State Network / ESN）。机器狗只是它的一个「演示载体」。
RC 这层能力的特性，恰好是大模型 / 重型深度学习做不到的：
- 学习成本极低：训练只需做一次线性回归（最小二乘 / 岭回归），不像反向传播要几百个 epoch；
- 可在线增量学习：用递归最小二乘（RLS）边用边学，新增一个类别 / 一个人不用重训整个模型；
- 能塞进边缘小设备：已在 FPGA（Kria KV260）、树莓派 5、纯 CPU 上跑通推理 + 学习，低功耗；
- 天生擅长时序动态模式的预测与异常检测：这正是「フィジカルAI / 具身」最缺的安全感知能力。
这层是护城河，机器狗只是展台道具。 下面逐个拆四个 Demo，最后回到「这意味着我们该往哪走」。
出处：四个 Demo 均为公司在 NexTech Week 2026 春（フィジカルAI 相关展区） 的实物展出1。部分储备池计算的「追加学习」成果，是 NEDO（国立研究开发法人 新能源·产业技术综合开发机构）委托业务的产物（见 Demo ④ 注）。
🐕 Demo ① 四足机器人「无接触传感」碰撞检测 — 用 RC 做异常检测
它解决什么问题。 四足机器人要在真实环境里安全游走，必须能检测到「撞墙」「被挂住」这类妨碍正常行走的接触。但在剧烈运动的每条腿 / 每个部位上装接触传感器，成本很高。这个 Demo 用 RC 做到了「不装接触传感器也能检测碰撞」。
怎么做到的（核心思路）。
- 只用无碰撞、无接触的正常行走数据，训练一个模型：「从上一步各腿的状态量 + 控制量（速度），预测当前步的状态量」；
- 正常行走时，预测值 ≈ 实测值；
- 一旦发生碰撞 / 接触，运动模式被打破，预测值与实测值的偏差会突然变大——用这个偏差来检测碰撞。这是典型的「用 RC 的动态模式预测能力做异常检测」。
工程细节。
- 模型结构：输入层 24 维（4 条腿 × 上一步关节角状态量 3 维 + 控制量 3 维）→ 储备池层（Reservoir）→ 输出层预测当前步状态；
- 输出形式：各腿的碰撞检测值以 ROS2 消息发出，GUI 上用红圈大小显示碰撞强度（碰撞时红圈短时变大；被挂住时红圈小而持续）。
为什么重要（迁移价值）。 展板自己点明：这套「RC 异常检测」可迁移到大量时序数据——音声/环境音、视频、执行器的控制量/状态量、温度·振动·电流·压力等传感时序、网络流量。换句话说，这个 Demo 的真正资产不是「机器狗碰撞检测」，而是一套可复用的轻量时序异常检测引擎——这正是后面「预测性维护 / 设备异常检测」商机的技术原型。
🔁 Demo ② 储备池计算做高效控制律学习 — 旋转倒立摆
它展示什么。 把 RC 用到控制上：在边缘设备上推理，把一个旋转型倒立摆（电机水平转动摆臂，让臂端的摆达成倒立）从下垂甩起并稳定倒立。核心卖点是「用基于储备池的轻量『世界模型』做高效强化学习」——在带 GPU 的 PC 上约 15 分钟训练即可获得倒立行为。
系统怎么搭（三路并行）。
- 实机试错（采数据）：一边控制实机一边采集世界模型训练数据；
- 世界模型学习：用储备池状态预测下一时刻角度，充当被控对象的「模拟器」；
- 策略学习（强化学习）：用 PPO（近端策略优化），靠世界模型对被控对象做并行模拟来高效采样。
技术亮点。
- 这是一个 POMDP 任务——被控对象只能观测到角度信息（部分可观测），难度更高；
- 世界模型和强化学习共用同一个储备池（ESN），读出层用 MLP，结构极简、计算轻；
- 展望里写明方向：把 RC 适配到其他方法上做加速、在边缘设备上自主适应环境，应用到机器人手控制、自主移动机器人。
为什么重要。 它证明 RC 不只是「检测/分类」，还能进到控制回路里，而且是「样本效率高、能在边缘自适应」的控制——这对低成本机器人、机械臂/机械手的廉价自适应控制是有想象空间的方向。
✋ Demo ③ 边缘 FPGA 上的 RC 手势识别 — 超高速「追加学习」
它展示什么。 在边缘设备上采数据 + 学习，实时识别动态影像模式（手势）；换一套学习集，用同一个 RC 模型就能识别不同的模式；并实装了「超高速追加学习」功能。
系统构成（全在边缘）。
- 硬件：Kria KV260 FPGA 板；
- 图像特征提取：用预训练 EfficientNet-Lite4 做降维；
- RC 模型：ESN，2000 节点；
- 学习方法：递归最小二乘（RLS）——可在已学数据集 N 上「加一个新数据集 n」做增量学习，而不必像反向传播那样把整个数据集当一个 epoch 反复喂几百轮。
- 把「图像特征提取 + 储备池 + RLS 学习」全部在 FPGA 上实现，实现低功耗。
为什么重要。 它把 RC 的两个核心优势同时摆上台：①真·边缘（FPGA 低功耗）②真·在线增量学习（RLS）。对「现场快速教学、不联网、不上云、隐私敏感」的场景（产线、门禁、设备旁），这是和主流「云端大模型」截然不同的产品路线。
🎙️ Demo ④ 边缘说话人识别 — 纯 CPU 在线学习（含 NEDO 成果）
它展示什么。 在边缘设备上采数据 + 学习，实时识别多个人的语音模式，且可实时逐次（在线）学习。
系统构成。
- 设备：树莓派 5（仅 CPU 完成推理 + 学习）；
- 语音特征：梅尔频率倒谱系数（MFCC）及其一阶变化量、二阶加速度（10ms/step）；
- RC 模型：ESN，500 节点；
- 学习方法：RLS（递归最小二乘）；
- 推理时用 silero-vad 切出发话区间，只对有效语音段做分类输出。
点明的应用方向（很关键）。 展板自己列了延展应用：①基于语音的说话人体调异常检测（健康监测）②基于脚步声识别的防盗/安防技术。这两条都不是「语音助手」，而是「用声音时序做异常/身份检测」——和 Demo ① 的思路一脉相承。
📌 重要背书： 展板注明——「储备池计算模型『追加学习』相关成果的一部分，是 NEDO（国立研究开发法人 新能源·产业技术综合开发机构）委托业务的成果」。这意味着团队已有 NEDO 委托实绩，这是后续申请国家经费、对外取信（尤其对会长/老板这类投资方）的硬资产，必须在事业企划书里写进去。
🧩 把四个 Demo 收敛成「一套能力」
| Demo | 载体/硬件 | RC 模型 | 学习方式 | 暴露出的可复用能力 |
|---|---|---|---|---|
| ① 无传感碰撞检测 | 四足机器人 + ROS2 | Reservoir（24维输入） | 正常数据训练，偏差检测 | 时序异常检测引擎 |
| ② 旋转倒立摆控制 | 边缘设备 + GPU 训练 | ESN（世界模型+RL 共用） | PPO + 世界模型并行模拟 | 样本高效的边缘自适应控制 |
| ③ 手势识别 | Kria KV260 FPGA | ESN 2000 节点 | RLS 增量学习 | 真边缘 + 在线增量学习 |
| ④ 说话人识别 | 树莓派 5（纯 CPU） | ESN 500 节点 | RLS 在线学习 | 声音时序的身份/异常检测 |
四个 Demo 指向同一句话——团队真正掌握的是：
「一套可跑在 MCU/FPGA/Pi 等小设备上、训练成本极低、能在线增量学习、特别擅长时序动态模式预测与异常检测的边缘 AI（Reservoir Computing），并能接入机器人（ROS2）与控制回路。」
🎯 这对「往哪赚钱」意味着什么（承接下一篇）
- 不要把自己定义成「机器狗公司」——硬件本体（四足/人形）资本重、毛利薄、竞争惨烈，10 人团队拼不过整机厂；
- 要把自己定义成「具身 AI 的『感知 / 异常检测 / 轻量控制』软件 + 模块层」——这一层正好压在我们的 RC 护城河上，资本轻、可授权、可做受託、可长成产品；
- 四个 Demo 已经天然指向几个有真实付费方的方向：设备预测性维护 / 异常检测、机器人安全（无传感碰撞检测做成可授权模块）、声音×健康/安防监测。
这些方向「值不值得做、谁会付钱、3 年能不能活」，由下一篇 具身AI 方向性调研 用外部市场情报来逐条核。