中信證券研報認為，機器人指數(shù)表現(xiàn)顯著超越市場寬基指數(shù) ，然而具身模型是本輪機器人浪潮的真正驅(qū)動力
，其市場影響力仍然未得到充分反映。機器人使用的具身模型正經(jīng)歷分層架構(gòu)到端到端的演化，最近幾年內(nèi)模型的感知、規(guī)劃控制能力以及任務(wù)成功率大幅提升 ，但距離實際工業(yè)化和家居應(yīng)用仍有提升空間 。研報認為
，模型能力仍然是第一要素，在后續(xù)競爭中 ，研發(fā)能力強 、占據(jù)關(guān)鍵場景
、優(yōu)質(zhì)數(shù)據(jù)資源的廠商有望獲得競爭優(yōu)勢
。具身模型的競爭與此前大模型的競爭會有類似之處
，建議關(guān)注三類公司：1）軟硬件基礎(chǔ)設(shè)施公司；2）數(shù)據(jù)供應(yīng)商與物理AI公司；3）垂直場景機器人應(yīng)用公司。

　　計算機｜具身模型：具身智能下半場競爭焦點

　　機器人指數(shù)表現(xiàn)顯著超越市場寬基指數(shù)，然而我們認為具身模型是本輪機器人浪潮的真正驅(qū)動力 ，其市場影響力仍然未得到充分反映 。機器人使用的具身模型正經(jīng)歷分層架構(gòu)到端到端的演化
，最近幾年內(nèi)模型的感知、規(guī)劃控制能力以及任務(wù)成功率大幅提升，但距離實際工業(yè)化和家居應(yīng)用仍有提升空間
。我們認為 ，模型能力仍然是第一要素，在后續(xù)競爭中
，研發(fā)能力強 、占據(jù)關(guān)鍵場景
、優(yōu)質(zhì)數(shù)據(jù)資源的廠商有望獲得競爭優(yōu)勢。我們認為，具身模型的競爭與此前大模型的競爭會有類似之處 ，建議關(guān)注三類公司：1）軟硬件基礎(chǔ)設(shè)施公司；2）數(shù)據(jù)供應(yīng)商與物理AI公司；3）垂直場景機器人應(yīng)用公司 。

　　▍具身模型：具身智能的下半場
。

　　基日（2024年9月23日）以來
，Wind人形機器人指數(shù)和CIS機器人指數(shù)累計收益率大幅領(lǐng)先滬深300，也明顯優(yōu)于中信制造產(chǎn)業(yè)指數(shù)。但從行業(yè)分布上來說 ，上述市場表現(xiàn)主要由硬件性質(zhì)的公司貢獻
，軟件算法與模型的影響并未體現(xiàn) 。實際上，智能水平是本輪機器人浪潮背后的主要驅(qū)動力 ，AI為機器人提供了最關(guān)鍵的部分——大腦
。大腦包含軟硬件兩方面
，其中硬件方面，高算力芯片讓大模型的運行成為可能；軟件方面 ，大模型的進步讓機器人真正能夠完成復(fù)雜多樣的任務(wù)。傳統(tǒng)工業(yè)機器人與當(dāng)前新一代機器人的區(qū)別主要就在于通用性
，或者說泛化能力 。

　　▍具身模型關(guān)鍵要素：數(shù)據(jù)+算法。

　　數(shù)據(jù)方面，當(dāng)前具身模型使用的數(shù)據(jù)仍然面臨格式標(biāo)準(zhǔn)化、分布多樣性及量等問題
。具身智能數(shù)據(jù)集蓬勃發(fā)展 ，呈現(xiàn)出場景數(shù) 、任務(wù)數(shù)
、技能數(shù)、軌跡數(shù)增加的態(tài)勢，帶動機器人性能全面提升
，例如在算法保持不變的情況下，更豐富的數(shù)據(jù)讓機器人線纜布線任務(wù)成功率大幅提升 ，從RT-1的18%提升到RT-1-X的56%。在采集數(shù)據(jù)高成本限制下
，也可以采用合成數(shù)據(jù)，大模型在合成數(shù)據(jù)中作用顯著 。從GenSim論文中可見 ，同樣是使用合成數(shù)據(jù)訓(xùn)練機器人
，任務(wù)成功率從GPT3的10%提升到GPT4的43%
。

　　算法方面，我們認為 ，端到端大模型是長期發(fā)展趨勢
，能夠更好地整合各方面能力，避免模型信息損失 ，上限較高。例如VLM模型Flamingo 、VLA模型RT-2
、GO-1等都顯著增強了泛化能力
，任務(wù)成功率不斷刷新業(yè)界最佳 。但端到端模型需要大規(guī)模高質(zhì)量數(shù)據(jù)，在目前數(shù)據(jù)尚未充分供應(yīng)的情況下 ，端到端往往也只能在部分困難任務(wù)（如柔性物體操作）中保持成功率不降低到60%以下的業(yè)界最佳水平，仍需要成熟的分層模型架構(gòu)甚至人工編寫規(guī)則代碼輔助模型完成任務(wù)
。

　　▍產(chǎn)業(yè)格局：下半場開啟
，產(chǎn)學(xué)研密切聯(lián)動。

　　從研究影響力方面來看，研發(fā)核心從早期的學(xué)術(shù)界過渡到近年的大型科技公司主導(dǎo) ，再到最近兩年創(chuàng)業(yè)公司不斷涌現(xiàn)
，呈現(xiàn)出了一條學(xué)術(shù)到產(chǎn)業(yè)的路徑 。我們認為未來幾年是具身模型產(chǎn)業(yè)化發(fā)展的關(guān)鍵期，具身模型的競爭 ，與此前大模型的競爭會有類似之處
。當(dāng)前階段模型的智能水平仍然是第一要素
，占據(jù)場景與優(yōu)質(zhì)數(shù)據(jù)的廠商也有望強化市場地位。

　　▍風(fēng)險因素：

　　機器人技術(shù)進步速度低于預(yù)期，機器人應(yīng)用場景的發(fā)展?jié)摿Φ陀陬A(yù)期 ，技術(shù)路線變動風(fēng)險
，政策實施力度不及預(yù)期，行業(yè)競爭加劇風(fēng)險 ，法律法規(guī)風(fēng)險 。

　　▍投資策略
。我們認為
，具身模型的競爭，與此前大模型的競爭會有類似之處。

　　模型發(fā)展依賴軟硬件基礎(chǔ)設(shè)施 ，包括算力芯片、域控制器 、操作系統(tǒng)、音視頻基礎(chǔ)算法等 。

　　數(shù)據(jù)是當(dāng)前核心競爭要素之一，仍然面臨采集成本
、數(shù)據(jù)量、多樣性 、sim-to-real gap等問題
，而物理AI能夠通過虛擬環(huán)境
、合成數(shù)據(jù)等手段獲得高可靠性生成數(shù)據(jù)，有望在智能駕駛、機器人等領(lǐng)域落地。能夠在數(shù)據(jù)領(lǐng)域發(fā)揮作用的廠商 ，以及物理AI領(lǐng)域核心廠商有望在具身智能領(lǐng)域占據(jù)一席之地
，建議關(guān)注數(shù)據(jù)供應(yīng)商或物理AI供應(yīng)商
。

　　具備場景的公司也有望獲得發(fā)展，這類公司能夠獲取特定場景的高質(zhì)量數(shù)據(jù) ，從而帶動模型性能提升
，正如特斯拉輔助駕駛功能依靠大量的用戶持續(xù)迭代，并場景與模型相結(jié)合 ，有望形成騰訊元寶+DeepSeek一樣的競爭優(yōu)勢。建議關(guān)注與應(yīng)用層密切聯(lián)動的廠商 。

（文章來源：人民財訊）