文章核心观点 - 2026年市场环境复杂，地缘政治风险与人工智能显著进步并存，成长股既受益于超大型科技股上涨，也需应对长期债券收益率上升带来的压力 [1][2] - American Century Investments联席首席投资官Keith Lee与客户投资组合经理Ryan Walker分析指出，长期成长股正面临收益率上升和AI泡沫审查的双重压力 [2] - QGRO采用质量成长ETF策略，旨在通过平衡高成长与稳定成长公司来应对成长股波动，该策略可能为投资者提供一条兼顾两者的路径 [1][3][4] QGRO产品结构与策略 - QGRO收取29个基点费用，跟踪American Century U.S. Quality Growth Index [3] - 该指数旨在识别具有健康财务基本面的公司，基于收入、质量和成长性进行筛选，衡量指标包括现金流、销售额和盈利能力 [3] - 指数在投资组合中平衡高成长公司与稳定成长公司，后者包括具有吸引力利润和健康估值的公司 [4] - 该策略形成跨两个不同公司层级的多因子方法 [5] QGRO业绩表现与持仓 - QGRO过去三年回报率为18.7%，跑赢该基金同期ETF Database Large Cap Growth Equities类别平均表现 [5] - 当前QGRO持有微软（MSFT）和苹果（AAPL）等大型超大型科技股，以及Salesforce（CRM）等该层级之外的成长型公司 [6] - 展望未来，QGRO平衡不同类型成长股的目标可能使其成为应对成长股波动的持久型基金选择 [6] 行业背景与市场环境 - 成长股包括超大型科技股帮助许多投资组合在今年实现回报，但长期收益率上升和集中度风险带来的波动依然笼罩市场 [8] - 质量成长ETF如QGRO可帮助应对此类波动 [8]

文章核心观点 - 美股市场持续由科技巨头主导并日益集中，信息技术板块在标普500指数中占比已接近40%，是第二大板块金融的三倍以上 [4] - 过去10年信息技术在标普500中的权重从约21%增长近一倍至40% [4] - 罗素1000价值指数同样经历集中化，信息技术权重五年内从约9%翻倍至约21% [5] - 2026年6月指数重构后，亚马逊、苹果、微软成为罗素1000价值指数前三大持仓，合计占比超过15% [12] - 重构后信息技术板块权重同比上升超过800个基点，且该数据尚未计入亚马逊（因其不属于信息技术板块）[12] - 标普500中信息技术板块2023至2025年平均贡献指数总回报的47%，2026年至今更贡献了惊人的77% [14] - 第三季度信息技术板块贡献了标普500指数总回报的100%以上，意味着其余所有板块合计回报为负 [14] - 罗素1000价值指数中信息技术2023至2025年平均权重9%但平均贡献约15%的总回报，2026年贡献约65%的总回报 [15] - 市值加权标普500在过去10年中有8年跑赢等权重标普500，10年累计超额超过110% [18] - 上一次出现类似幅度的超额表现是1994至1999年（超额超过125%），随后经历了互联网泡沫破裂及等权重指数6年跑赢超过50%的时期 [18] - 高收益股息股（股息支付股票中收益率前40%）目前占罗素1000价值指数市值的比例降至十年低点，从2016年的49%降至23% [24] - 罗素1000价值指数中信息技术板块占比超过20%，高于四个最高股息收益率板块之和；97只信息技术持仓中57只不支付股息，板块中位数收益率为0.0% [22] - 房地产和公用事业板块中位数收益率分别为4.3%和3.5%，但合计占指数不足7% [22] - 公司认为高股息收益股票为日益集中的市场提供了较纯粹的分散化途径，高且覆盖充分的股息与高市盈率天然不相容 [21] 指数重构与科技敞口 - 富时罗素定期重构指数，自2025年6月以来这些变化严重影响了罗素1000价值指数中信息技术权重 [9] - 富时罗素使用三个指标（一个价值型和两个成长型）计算综合价值评分，采用连续评分系统而非二元系统，成分权重可分配至成长和价值两个指数 [9][11] - 2026年6月重构中，亚马逊大部分权重从罗素1000成长指数转移至罗素1000价值指数；苹果和微软从纯成长配置转为成长与价值基准各分配一部分 [12] - 2026年6月30日罗素1000价值指数前十大持仓：亚马逊5.9%、苹果5.4%、微软3.9%、伯克希尔哈撒韦2.6%、摩根大通2.5%、英特尔1.7%、强生1.7%、埃克森美孚1.6%、思科1.3%、沃尔玛1.3% [13] - 2025年6月30日对比：伯克希尔哈撒韦3.2%、摩根大通2.9%、Alphabet 2.4%、亚马逊2.1%、埃克森美孚1.7%、沃尔玛1.4%、宝洁1.3%、强生1.3%、美国银行1.1%、Meta 1.0% [13] 市场集中度与市场宽度 - 市值加权指数跑赢等权重指数通常意味着更少股票在上涨，表明市场宽度收窄 [16] - 窄市场宽度历史上被视为市场后期上涨的标志 [16] - 早期周期通常以利率下降、盈利从低迷水平复苏、估值具吸引力为特征，市场宽度广泛 [17] - 随着周期推进，利率开始上升、盈利放缓，只有最强公司（资产负债表和增长状况优越者）能继续上涨，导致拥挤和估值拉伸 [17] - 公司认为当前市场结构因回报集中于少数预期较高的股票而更为脆弱 [17] 股息投资与分散化 - 公司认为纪律严明的高股息收益股票策略提供了分散市场敞口的较纯粹方式 [21] - 股息投资天然形成追逐增长的屏障，因为高且安全的股息与高市盈率不相容 [21] - 公司Income-Equity组合股息收益率为3.2%，罗素1000价值指数仅为1.7% [41] - Income-Equity（含MLP）组合2026年三季度收益率为3.5%，标普500为1.1%，比率为3.2倍 [66] - Income-Equity（不含MLP）组合2026年三季度收益率为3.3%，标普500为1.1%，比率为2.9倍 [70] - 公司Income-Equity（不含MLP）组合相对罗素1000价值指数的主动份额为89%，相对标普500为93% [28] - 主动份额比较组合持仓与指数权重差异，100%表示与指数毫无共同之处，0%表示完全指数化 [30] - 公司引用圣母大学教授和罗格斯大学教授的研究称，主动管理组合长期跑赢的必要条件是它与基准存在实质性差异 [34] - 公司认为名称听起来分散但主动份额低的产品实际上在特定股票和行业上进一步集中 [29] 收益与估值对比 - 公司Income-Equity组合未来12个月加权平均每股收益增长预期为+17.2%，略低于标普500共识的+20.4% [36] - 公司组合的预期增长不包含指数中与AI支出相关的争议，AI支出预计驱动标普500每股收益增长的约一半 [36] - 公司组合未来12个月预期股息增长约6%，远低于预期每股收益增长，提供安全边际 [36] - Income-Equity（含MLP）组合2026年三季度市盈率为15.2倍，标普500为23.3倍，折价35% [69] - Income-Equity（不含MLP）组合2026年三季度市盈率为15.3倍，标普500为23.3倍，折价34% [70] - Income-Equity（含MLP）组合股息覆盖率为1.9倍，净债务/EBITDA为2.6倍 [69] - Income-Equity（不含MLP）组合股息覆盖率为1.9倍，净债务/EBITDA为2.5倍 [70] 基础设施组合 - 基础设施组合2026年三季度收益率为3.1%，标普500为1.1%，比率为2.8倍 [73] - 基础设施组合预期股息增长5.9%，标普500为6.5%，比率为0.9倍 [73] - 基础设施组合股息覆盖率为2.3倍，三年滚动贝塔为0.3 [73] - 基础设施组合与标普500共同持仓仅2.8%，主动份额为97.2% [73] - 基础设施组合2026年三季度总回报为-5.08%（毛），年初至今+7.38%，1年+4.49%，3年年化+16.01% [78] - 道琼斯布鲁克菲尔德全球基础设施指数三季度为-7.90%，年初至今+1.76% [78] - 电信因强劲盈利跟随高收益趋势，能源表现分化（炼油和LNG强势，天然气管道和加拿大敞口疲弱），公用事业因数据中心阻力和利率敏感性落后 [45] 公用事业与数据中心 - 公用事业板块持续承压，10年期国债收益率突破5.00%并在季度末收于约5.29% [50] - 数据中心反对声浪加剧（电费上涨和环境担忧）导致更多暂停令、得克萨斯州数据中心互联暂停以及PJM州立法努力 [50] - 水公用事业和纯天然气本地分销公司因数据中心建设敞口较低而跑赢，受监管公用事业因较高数据中心敞口而跑输 [51] - 独立发电商因增量数据中心交易有限而停滞，加州公用事业表现最差因立法机构未能实质性减少野火责任 [51] - 公司支持数据中心自行承担费用的倡议，在受监管市场包括识别成本因果和搁浅资产风险的大负荷结构 [47] - 在竞争性批发市场，监管明确性将有助于提供所需发电；新建项目需要创造持久投资信号 [47] - 加快互联队列将有助于缓解新增供需的时间差 [47] - Utilities Plus组合2026年三季度总回报为-11.80%（毛），年初至今-5.42%，1年-7.50% [78] - 标普500公用事业指数三季度为-12.39%，年初至今-5.65% [78] - Utilities Plus组合三季度有16只持仓中的5只宣布股息增长，平均增幅8.9% [53] - 公用事业组合36只持仓中4只宣布股息增长，平均增幅9.3% [54] - 公司减持Sempra、CMS Energy和Atmos Energy，将资本重新配置至Ameren和Xcel Energy，提高公用事业敞口的增长状况并减少加州敞口 [54] - 公司增持Ameren（高于平均的EPS增长和强劲资产负债表）、MDU Resources（Bakken East管道预计增厚EPS）和NRG Energy（独立发电商将受益于数据中心发展带来的电力市场收紧）[55] - 公司退出Fortis（相对同业溢价交易但资产负债表较弱、增长一般），减持Sempra（加州资产风险）[56] 中游能源与MLP - MLP与中游能源收入组合跑赢基准，但中游能源行业因原油价格下降和利率上升略微落后于大盘 [39] - 行业反复出现的主题是安全可靠能源需求持续增长，国际客户日益将北美作为首选供应方 [40] - 中游能源公司持续上调全年EBITDA指引，资本支出因项目机会集增加而继续上升 [40] - 疫情后中游行业处于收获模式而非增长模式，专注于通过分配增加和股票回购向股东返还价值 [41] - 行业动态几年前开始变化，新兴顺风主要与天然气相关 [41] - 公司认为中游公司不会回到无自由现金流的债务和股权连续发行模式，关键被忽视的一点是运营现金流的增长 [42] - 自由现金流因资本支出增加而下降，但运营现金流将连同债务一起为额外中游资产融资，项目全面运营后现金流应再次增长 [42] - MLP与中游能源收入组合2026年三季度总回报为+2.73%（毛），年初至今+21.51%，1年+24.05%，3年年化+21.57% [78] - Alerian MLP指数三季度+1.87%，年初至今+20.70%，1年+25.27% [78] - 组合28只持仓中1只宣布股息增长，平均增幅16.7% [67] - 公司退出Liberty Energy（杠杆令人不安），减持Valero（炼油股大幅上涨后），略微减少加拿大敞口（减持Suncor和Canadian Natural Resources）[67] - 公司建仓Permian Resources和Diamondback（二叠纪盆地顶级矿区E&P公司），买入Patterson-UTI（预计受益于北美能源需求）和SunocoCorp（在多种挑战环境中表现稳定的中游公司）[67] 北美能源 - 北美能源组合三季度略微落后基准，但年初至今跑赢基准并显著跑赢大盘 [61] - 炼油商是季度最大贡献者，供需平衡导致裂解价差升高；天然气聚焦的E&P和中游持仓为拖累项 [61] - 北美钻机数量从2018年8月的1268台降至2025年8月的712台，近乎减半 [62] - 但钻机生产率大幅提升，作业者推进更长水平段、更快钻井、减少非生产时间，每台活跃钻机现在的进尺和产量是历史的多倍 [62] - 月度钻机增量已决定性地转正，2026年8月计数比上年同期高80台 [63] - 增长基础广泛：美国石油+41台、加拿大石油+24台领先，加拿大天然气+9台和美国天然气+6台补充 [63] - 生产商不会因商品价格飙升而投资新钻机，否则会在3月WTI首次突破90美元/桶时看到钻机数增加；生产商倾向于在确信价格将长期走高时投资 [64] - 北美能源组合2026年三季度总回报为+15.23%（毛），年初至今+42.89%，1年+44.58%，3年年化+18.94% [78] - 标普1500能源指数三季度+15.93%，年初至今+39.66%，1年+41.94% [78] 个股操作与持仓动态 - 公司退出Stag Industrial REIT，研究显示该工业REIT同时受到竞争加剧和成本通胀超过合同租金增长的挤压 [41] - 公司买入诺华（专利到期可控、高增长、预期新药获批），但季度后期一款新药III期试验令人失望导致股价下跌，公司继续监测 [41] - 公司买入家得宝（高股息收益率、股息增长前景、强劲资产负债表、提高建筑商市场份额的计划）[41] - 公司买入Regency Centers（高股息收益率、良好预期增长、非常强劲的财务状况）[41] - Income-Equity（不含MLP）买入SunocoCorp（高收益、在多种挑战环境中表现稳定）[41] - Income-Equity（含MLP）季度有10次股息增长（含MLP版本为11次），显著增长者包括美国银行+14.3%、Regions Financial +13.2%、花旗集团+11.7%、高盛+11.1% [41] - 高盛此前已在1月增加股息，最新增长意味着其收入同比增长+25% [41] - 公司减持Marathon Petroleum（裂解价差强劲推动股价创历史新高后），增持SunocoCorp（预计受益于商品价格波动和行业整合）[54] - 公司减持Genesis Energy（墨西哥湾海上项目爬坡慢于预期，负面影响EBITDA增长）[53] - 公司增持Enterprise Products和Energy Transfer（在收入、收入增长和财务实力方面筛选良好）[53] 业绩表现汇总 - Income-Equity（毛）2026年三季度为-1.85%，年初至今+9.46%，1年+14.01%，3年年化+18.11%，5年年化+11.50%，10年年化+10.88% [78] - 罗素1000价值指数三季度+2.61%，年初至今+19.27%，1年+23.81%，3年年化+20.07% [78] - Income-Equity（不含MLP）（毛）三季度+0.11%，年初至今+12.08%，1年+16.04%，3年年化+17.97% [78] - 罗素1000指数三季度+1.80%，年初至今+12.30%，1年+15.01%，3年年化+22.48% [78] - 公司Income-Equity组合季度落后罗素1000价值和标普500，因低收益率科技股领涨市场 [41]

港股AI端侧观点更新纪要关键要点总结 一、纪要涉及的公司与行业 - **行业**：消费电子、AI端侧硬件（AI眼镜、机器人、具身智能）、智能手机、汽车、激光雷达、储能 - **公司**：小米集团、传音控股、龙旗科技、康耐特光学、瑞声科技、禾赛科技[1][2] --- 二、小米集团 手机业务 - 2026年第三季度手机业务处于毛利率筑底阶段，核心策略为削减低端机型、通过提价牺牲部分销量换取ASP增长[3] - 2026年第三季度手机销量3,070万台，同比下滑29%，全球市场份额位列第三，全年1.2亿台销量目标大概率可实现[3] - 第三季度手机均价提升至约210美元（超过1,400元人民币），毛利率维持在9%水平[3] - 2027年目标手机销量维持在1.1亿至1.2亿台，较2026年小幅降低，ASP预计持续提升至1,450元左右，手机业务全年亏损有望控制在100亿元以内[3] - 2027年核心关注点在于ASP能否持续上涨并突破约1,500元盈亏平衡线，若突破则具备显著困境反转逻辑[4] 汽车业务 - 2026年前三季度累计交付29万台，10月交付超过5万台，预计第四季度交付17万至20万台，全年45万台目标能见度较高[4] - 保守预计2027年全年交付量约65万台，对应汽车业务收入约1,500亿元[1][4] - 当前市场对汽车业务估值溢价逐步消退，普遍认为估值水平在1倍PS左右[4] 整体估值 - 预测2027年非汽车业务利润338亿元，汽车业务营收1,500亿元，采用SOTP分部估值法（非汽车15倍PE、汽车1倍PS），整体估值约8,000亿港币，与当前市值相当[4] - 长期估值提升关键在手机业务困境反转，若2027年存储价格上涨斜率放缓且ASP提升至1,500元以上，传统业务估值有望从15倍提升至20倍[4] --- 三、传音控股 手机业务经营韧性 - 2026年第三季度手机出货量合计1,300多万台，同比降幅较大，但前三季度ASP同比增长30%，毛利率维持在22%左右，高于存储涨价前利润率水平[6] - 产品提价帮助品牌触达更高价格段消费人群，有助于品牌向上突破[6] 新兴市场拓展 - 非洲地区收入占比已从2019年的超过80%下降至30%以上，东南亚市场收入占比上升至22%至23%[6] - 传音在非洲、巴基斯坦和孟加拉等地区市场份额均排名第一，分别达到约40%和30%水平，已构建本土化渠道、品牌和售后网络护城河[6] - 当前正聚焦拓展中东、拉美和印度等市场份额尚低的地区[6] AI手机布局 - 传音拥有庞大全球中低端手机用户群，是巨大的AI普惠入口，侧重依托小语种语音语料库和深肤色影像库等本地数据资源，打造弱网环境下可用的原生AI agent入口[6] IoT与移动互联网业务 - IoT业务毛利率已达20%以上，与手机业务相当[6] - 移动互联网业务毛利率高达70%至80%，预计未来两到三年年化增速可达40%至50%，将有效优化整体利润率[6] 储能业务 - 2026年储能业务整体收入规模预计在15至20亿元，目标2027年实现2至3倍增长，长期收入目标100亿元[1][7] - 随着上游核心元器件自研开发推进，储能业务毛利率预计逐步向行业40%至50%水平看齐[7] 业绩预测 - 2026年第三季度业绩处于底部，预计第四季度归母净利润超过10亿元人民币，扣非净利润约8.6亿元[7] - 2026年全年预计净利润约37亿元，扣非净利润28亿元[7] - 2027年预计净利润同比增速有望超过25%，达到近46至47亿元水平[1][7] --- 四、龙旗科技 手机代工业务 - 手机代工业务占公司收入60%，2026年第三季度全球手机市场逆风背景下该业务同比增长12%，主要得益于产品线档位持续提升[8] 端侧AI硬件业务 - 2027年净利润预计达10亿至14亿元，同比增长分别为70%和38%[8] - 业绩增量主要来自端侧AI硬件，智能眼镜业务布局深入且最先获益，已从早期提供充电盒等配件发展到切入国内外头部品牌核心供应链，已取得全球头部客户下一代智能眼镜项目订单，同时在穿戴业务领域获得国内头部客户核心订单[8] SiP封装业务 - 为下一代智能眼镜适配的SiP业务正在推进，上海工厂已通过完整可靠性验证[8] - 已于2026年上半年在上海和马来西亚启动双线布局，采用国内新品导入与海外量产线双线并行模式[8] - SiP技术通过将多颗芯片和器件封装在单一模组内大幅提升集成度，有效解决AI眼镜行业在轻薄度、算力和续航方面痛点[8] - 预计2026年底实现量产出货，2027年起产能逐步释放[8] --- 五、康耐特光学 AI眼镜镜片业务市场地位 - 新业务为AI眼镜提供定制化屈光度镜片，国内市场主要客户包括阿里千问、夸克眼镜、灵鸟创新、乐奇及科大讯飞等，几乎覆盖淘宝智能眼镜热销榜前十位产品[9] - 海外市场北美M客户是最重要合作方，收入目前主要来自前期NRE费用，尚未进入大规模量产收入阶段[9] - 国内客户订单量相对较小，千问S1眼镜销量2万以上，雷鸟AR眼镜销量2,000以上，与传统镜片超1亿片出货量相比占比很小[9] 利润预测与估值 - 2027年利润预测：传统业务预计贡献7.5亿，AI眼镜新业务预计贡献1.5亿[10] - 估值关键因素在于AI眼镜业务发展，若北美客户订单顺利转化为量产收入（如利润贡献超过2亿元），将对整体估值产生明显提升[10] - 市场对新业务估值分歧较大，乐观投资者可能给予40倍甚至更高市盈率[10] --- 六、瑞声科技 2026年收入构成 - 预计35%至40%收入来自苹果公司，超过40%收入来自安卓生态链客户[11] 苹果业务增长驱动 - 预计2027年发布的Pro和Pro Max机型及20周年纪念版机型将采用三扬声器方案，带来每台3美金价值量提升[11] - 苹果正在预研双马达方案直板手机，并计划后续推出采用六颗马达的折叠Pad[11] - 散热业务上，2026年苹果新机采用VC加热管与中导板合并方案，价值量从3美金提升至10美金，与AVC共同占据主要份额，2027年仅散热业务将带来15亿元人民币收入增量[11] 安卓业务压力 - 受存储涨价影响，预计2026年第三、四季度持续承压，约30%收入来自光学和金属中框业务，敞口完全在安卓市场[11] - 公司已采取主动收缩光学订单策略，出货量下滑，2027年安卓业务复苏情况有待观察[11] AI端侧设备进展 - 作为OpenAI AI端侧设备核心供应商，主供电机、扬声器、麦克风及磁吸充电模组，整套方案价值量达30美金，毛利率预计超过30%，OpenAI该款设备2027年出货量目标预计在500万至1,000万台[12] - 苹果计划2027年上半年发布桌面机器人，瑞声科技将独家供应一大两小三颗电机，合计价值量达200美金，初期出货量指引约40万台[12] - AR眼镜领域已具备光机加光波导模组能力，已进入谷歌和三星供应链，预计2027年产品量产，仅苹果AR眼镜业务就能带来5亿元收入增量[12] - 具身智能领域已进入理想、小鹏、Meta、小米等公司机器人供应链，核心产品包括灵巧手和扬声器方案，并为特斯拉供应扬声器，预计2027年具身智能业务整体收入贡献达5亿元人民币[12] 盈利预测与估值 - 预计2026年实现24亿元人民币利润，同比略有下滑；2027年净利润可达32亿元人民币，同比增长38%[13] - 当前市值对应2026年和2027年市盈率估值分别为16倍和12倍[13][14] - 2027年估值有望修复至15到20倍当年平均水平以上，有待消费电子市场企稳回升及AI端侧产品大规模放量[14] --- 七、禾赛科技 三季度业绩与激光雷达业务 - 11月份股价涨幅明显，至今已上涨25%，第三季度营收同比增长34%[14] - 激光雷达业务同比增长23%，其中ADAS激光雷达出货量维持67%高增速[14] - 2027年预计ADAS激光雷达出货量随智能驾驶大盘保持较高增速，价格年降幅度预计放缓[14] SGI机器人新业务 - 第三季度环比增长101%，贡献9,000万元营收，2026年第二季度首次贡献收入[2][14] - 目前产生实质性收入部分为机器人动力关节模组，核心客户为12款机器人[14] - SGI业务还包含Cosmo空间相机硬件销售及软件服务，预计相关批量订单2027年第一季度更加明确，已与下游各场景客户签订框架协议[14] - 2027年新业务营收指引7亿元人民币，利润端目标实现盈亏平衡[2][14] 盈利预测与估值 - 2027年盈利预测8.9亿元人民币，同比增长55%，对应当前约20倍市盈率，当前市值190亿[15] - 若对新业务给予10倍市销率、传统业务给予15倍市盈率，对应市值约223亿港币[15] - 估值提升关键驱动因素：能否获得大型第三方机器人公司订单、订单能见度能否持续提升、机器人业务收入占总收入比例持续提升[2][15] - 2026年第三季度新业务已创收9,000万元，2027年全年机器人业务营收存在超过7亿元指引的可能[15]

人形机器人行业研究报告关键要点总结 一、涉及行业与公司 - 报告涉及中国人形机器人行业及全球人形机器人产业链，属于中国工业板块，行业观点为“与大盘持平”[4] - 报告由摩根士丹利亚洲有限公司及摩根士丹利有限责任公司分析师团队撰写，核心分析师包括Sheng Zhong、Adam Jonas等[3] - 报告覆盖的核心公司包括：Unitree/Yushu（宇树科技）、Shuanghuan（双环传动）、Leaderdrive（绿的谐波）、Sanhua（三花智控）、Tuopu（拓普集团）、UBTECH（优必选）、BYD（比亚迪）、Xiaomi（小米）、Tesla（特斯拉）、Agility Robotics、Boston Dynamics、Figure、Meta、Apple、ByteDance（字节跳动）、Schaeffler（舍弗勒）等[7][8][9][46][47] - 报告维护“Humanoid 100”全球人形机器人使能者名单，分为Brain（半导体/软件）、Body（工业零部件）、Integrators（开发完整人形机器人）三大类[56] - 报告维护中国Humanoid价值链名单，共44只股票，包括3只Brain类、31只Body零部件类、10只Integrator类[72] 二、核心观点与论据 （一）中国人形机器人板块近期大涨及驱动因素 - 自10月15日以来中国人形机器人股票大幅上涨，Unitree上涨62%，Shuanghuan上涨31%，而MSCI China同期基本持平[7] - 上涨归因于三个因素：2026年中以来情绪疲弱后的轻仓位；前沿LLM进展可能加速具身智能；宇树创始人兼CTO王兴兴更乐观的表态，暗示2027-28年将出现智能拐点，早于此前谨慎立场[7] - 最新研究显示前沿LLM可在零样本设置下跨不同机器人平台生成机器人动作并监督已学习操作策略，但成本、任务成功率和延迟仍有改善空间[7] - 前沿LLM开发者正在积极采购人体运动和动作数据用于模型训练[7] - 预计该板块近期仍主要由催化剂驱动，等待生产率提升、可行经济和重复订单的更明确证据[7] （二）中国人形机器人调查：兴趣高但商业化时间线延后 - 第二次AlphaWise中国人形机器人调查显示采用兴趣持续，64%受访者可能在三年内采用，高于2025年的62%[7] - 但预期采用时间线推迟约一年，满意度下降，仅18%的可能采用者对当前性能满意，低于去年的23%[7] - 经济性日益受关注，企业寻求较短回本周期，72%认为价格低于10万元人民币（约1.5万美元）具有财务可行性，高于去年的53%[7] - 预计采用将通过小型试点车队逐步推进，可靠性、整合成本和可衡量的生产率提升决定重复订单节奏[7] （三）全球科技公司加大具身智能投资 - Meta与傅利叶（Fourier）开发了人形机器人原型，内部代号Max，重约106磅，高约1.5米，使用英伟达Jetson Thor芯片，具备五指手、扬声器和模仿面部表情的显示屏；Max 2开发已于9月开始，计划升级包括改进的手部、重新设计的躯干、投影仪和额外传感器以导航楼梯；Meta表示该合作仅用于内部研究和实验，无销售计划[46] - Apple新HALO研究据报使用跨1000个模拟家庭生成的合成视觉-语言-运动数据，系统无需额外训练即可将学习技能迁移到不熟悉的真实环境，Apple报告在六个此前未映射环境中360个单独任务试验中成功率达91%[8] - 字节跳动Seed团队加大机器人硬件（包括灵巧手和减速器）、软件和数据方面的招聘[8] - 小米分享了其人形机器人在电动汽车工厂完成八小时班次分拣中心控制台侧盖的视频，推进产线部署；此前于2026年7月推出Xiaomi-Robotics-1，一个基于10万小时真实世界操作数据预训练的具身AI基础模型[8] - 研究显示前沿多模态模型可在无需任务特定微调的情况下生成机器人动作并监督预训练操作策略，但成功率、推理成本和延迟仍是部署的重大约束[8] - 数据收集正成为战略优先事项，美国和中国的机器人公司及基础模型开发者采购活动日益增多[8] - 预计前沿实验室和机器人初创公司在潜在能力拐点前将增加数据、算力和硬件合作方面的支出[8] （四）Unitree 3Q26业绩及世界物理AI大会要点 - Unitree（宇树）3Q26营收6.65亿元人民币，同比增长70%；净利润下降17%至1.13亿元人民币[8] - 研发费用升至营收的19%，同比提升10个百分点，支持其向全栈智能机器人平台转型[8] - 公司参加了在杭州举办的世界物理AI大会，对转型持积极态度；Unitree概述了制造规模、专有物理AI模型、外部模型合作和算力投资等优先事项[8] - 创始人王兴兴设想2027-28年出现智能拐点；不断扩大的产品线和生态战略支撑Unitree拓宽工业和商业服务市场应用[8] - Unitree推出H2-X，展示武术动作和高动态物理能力，规格约170cm高、65kg重、31个自由度、双热插拔电池，定位巡逻、警戒和防护应用，配备双目深度和广角摄像头支持环境感知[44] - Unitree产品线扩展包括全尺寸人形H2-X、直驱灵巧手Dex5-S、机械臂Z1和防爆四足B2-Ex[9] （五）中国供应商3Q26业绩及反馈 - 零部件供应商作为人形机器人主题的早期受益者，正看到强劲需求和增长；预计4Q26加速，因下游客户赶在FY26目标前加快进度[9] - Leaderdrive 3Q26营收同比增长56%至2.42亿元人民币，净利润增长29%至5,200万元人民币[9] - Shuanghuan报告9M26具身机器人减速器收入超过1亿元人民币，管理层目标2026年1.5-2亿元，2027年4-5亿元[9] - 减速器供应商（Leaderdrive和Laifual）需求强劲并快速扩产[9] - Sanhua（三花智控）从身体执行器扩展到手部微型丝杠和模组、热管理组件和传感器，管理层目标获取人形机器人硬件价值的50-60%[9] - Tuopu（拓普集团）在執行器之外推进灵巧手、躯干和腿部结构、皮肤和鞋类；尽管近期收入贡献有限，人形零部件业务进展对Tuopu估值重要[9] （六）Humanoid 100表现 - 等权重Humanoid 100自2025年2月6日成立以来上涨32%（经增减调整），跑赢S&P 500、MSCI Europe和MSCI China，但跑输MSCI Korea和MSCI Taiwan[10] - 年初至今表现最佳的股票包括Palo Alto Networks、Texas Instruments、STMicroelectronics、Arm Holdings和Samsung Electronics[10] - 自加入日期起表现最差的股票包括Mobileye（-69%）、Robosense（-62%）、Roblox（-53%）、XPENG（-44%）、Tuopu（-39%）等[63] - Brain类股票自加入日期平均上涨26%，Body类下跌12%，Integrators类下跌7%；1个月维度Brain涨22%、Body跌10%、Integrators跌14%；3个月维度Brain涨27%、Body跌10%、Integrators跌12%[64] - Humanoid 100自2025年2月6日以来上涨31.9%，MSCI China涨5.0%，MSCI Europe涨19.2%，S&P 500涨20.9%，MSCI Taiwan涨89.4%，MSCI Korea涨156.6%[67] （七）中国Humanoid价值链表现 - 截至11月5日收盘，中国Humanoid价值链等权重年初至今下跌23.6%，跑输MSCI China的下跌14.1%[11] - 该价值链10月表现跑赢，为-4.1%，优于MSCI China的-7.3%[11] - 报告将Unitree/Yushu加入中国Humanoid价值链名单[11] （八）融资活动 - Agility Robotics于2026年11月5日成为首家美国上市人形机器人公司，通过与Churchill Capital Corp XI合并及相关融资筹集约4.65亿美元总收益，包括SPAC信托1.64亿美元、富士康领投的普通股PIPE 2.01亿美元和交割前收到的1亿美元股权融资[36] - Astribot以150亿元人民币估值完成10亿元人民币融资，由深圳投资控股旗下Toposcend Capital领投，资金将支持模型开发、招聘、制造产能和商业部署[36] - 中国人形机器人公司月度融资活动数据显示2026年融资交易数量显著增加[34][86] （九）新产品与硬件改进 - Boston Dynamics推出专为工业工作设计的四指Atlas手，重新设计的手具有13个自由度（此前为7个），直接驱动和压力传感器覆盖指尖和手掌；对置拇指有4个自由度，其余每指3个，支持手内操作、精密抓取和工具触发操作；设计优先考虑强度、可修复性、大规模制造和强化学习的精确仿真[37] - Hexagon使用NVIDIA Holoscan升级AEON传感器处理，新传感器架构结合同步采集、专用预处理和光纤传输至Jetson Thor；初始测量显示每传感器流CPU使用率低于1%，摄像头处理无需GPU，飞行时间传感器仅需有限GPU计算；架构支持100 Gbit/s峰值网络带宽[37] - Figure报告Figure 03的九天跑步机耐力测试，创始人Brett Adcock称一台Figure 03在九天内完成120万步和348英里跑步机行走，测试仍在进行；该测试始于硬件压力测试以识别重复使用下的故障，但未披露电源安排或维护干预日志[44] - BYD人形机器人设计在正式亮相前披露，中国国家知识产权局10月9日公布的BYD设计专利展示了一款双足人形机器人，具有铰接手指，面向服务、教育和工业应用，涉及行走、平衡和交互[44] （十）采用进展 - UBTECH与建发（C&D）目标到2030年至少销售1万台人形机器人，双方计划成立合资企业和福建区域技术服务中心；C&D将贡献渠道、供应链服务和应用接入，潜在用途涵盖物流、安检和公共空间服务；该协议涉及机器人本身之外的商业化，包括融资和维护；1万台为到2030年的累计销售目标，不应视为确定采购订单、年度交付目标或当前积压订单[46] - Atlas供应商准备工作据报在韩国零部件制造商中扩大，10月27日报道确认Hyundai Mobis为执行器供应商、Samsung SDI和LG Energy Solution为电池供应商，以及多家韩国摄像头供应商；另有报道描述准备覆盖1万台机器人的采购订单，最终数量和价格尚未确定[46] - Tesla确认Optimus在Fremont开始生产，10月21日季度更新称已在Fremont高量产线开始生产，并称产出为首批生产质量Optimus机器人；产能表将加州Optimus归类为Early Ramp，德州Optimus归类为Construction，未披露年度机器人产能；这是制造里程碑，但材料未建立外部交付运行率或商业收入[46] - GXO将Digit部署扩展至另外两个美国站点，GXO与Agility Robotics宣布Digit人形机器人将支持GXO在北卡罗来纳州Statesville和田纳西州Lebanon设施的电商履约，部署预计2027年初开始使用Digit 4，随后在Digit 5商业可用时迁移；Digit已在Agility商业运营和客户项目中累计超过65,000运营小时；其俄勒冈RoboFab设施设计年产能高达1万台机器人[46] - UBTECH与一汽-大众扩大合作，计划共同开发和测试物流具身智能应用并建立示范场景，此前Walker S Lite已在一汽-大众青岛工厂进行车辆质量检测试验[46] - Schaeffler在太仓开设约7,500平方米人形机器人灯塔工厂，整合执行器和关节模组生产、机器人训练和数据采集、数字孪生和计算基础设施；六台人形机器人在五个站点运行；3Q26新增两个大中华区客户，使Schaeffler全球人形机器人 incoming orders 达到约4亿欧元[47] （十一）政策支持 **中国政策：** - 2026年10月9日发布19项措施支持技术和产业升级，支持机器人和高端装备产业集群、具身智能发展以及AI在传统行业的更广泛应用，呼吁加快人形机器人和其他下一代智能终端的应用[48] - 上海下一代智能制造计划目标到2028年建成500家先进智能工厂、2,000多个AI制造场景、10个垂直模型、300多个工业代理和工业机器人密度达每万名工人600台；计划还目标在工厂部署8,000台人形机器人，AI赋能制造装备产值2,000亿元人民币，系统集成产值1,000亿元人民币[48] - 工信部和财政部就工业机器人采购的国内产品标准征求意见，2026年10月30日发布征求意见稿，要求中国产零部件占合格固定多关节工业机器人总产品成本至少70%；指定减速器精密加工、伺服电机绕组绝缘处理和PCBA组装工艺也需在中国完成；提案提供发布后三年过渡期[48] - 中国阻止软银收购ABB Robotics，ABB于11月5日确认中国外商投资安全审查办公室禁止软银收购ABB Robotics在华业务，对2025年10月达成的企业价值53.75亿美元的全球交易构成障碍；据《金融时报》11月5日报道，监管机构担心机器人数据被转移海外用于AI训练[48][49] - 自2023年2月工信部发布《人形机器人创新发展指导意见》以来，地方政府发布了广泛政策支持行业发展，设立人形机器人和具身AI风投基金，建立机构和联盟促进产业合作[51] - 2025年国务院总理李强在政府工作报告中首次提及；随后在2026年人大宣布的“十五五”规划中，机器人首次成为战略性新兴产业，与下一代IT、新能源汽车、生物医药和航空航天并列[51] - 2026年6月工信部和国资委据报宣布新举措，目标到2026年底形成万台级部署能力和100多个高价值应用；地方政府和国企必须确定人形机器人训练的操作场所（每省≥20个，每央企≥10个）[51] - 预计2026年商业化开始后，国家和地方层面将持续支持，加速发展并强化中国在该行业的领导地位[51] **中国地方政策：** - 浙江省人形机器人产业创新发展实施方案（2024-2027）：全省年机器人产量达2万台，核心产业规模达200亿元人民币，相关产业规模500亿元人民币；培育10家以上估值超100亿元新公司，20家以上营收超10亿元公司[53] - 深圳具身智能机器人技术创新与产业发展行动计划（2025-2027）：实现50个以上十亿级应用部署，相关产业规模超1,000亿元人民币[53] - 上海具身智能产业发展实施方案：产业规模达500亿元人民币；模型研发补贴30%，应用项目补贴20%，生态项目补贴50%[53] - 北京经济技术开发区具身智能机器人创新发展措施：形成万台级具身智能机器人量产能力；建设数千万级真实世界具身数据集[53] - 杭州具身智能机器人“强链”行动计划（2026-2027）：集成企业总产值超200亿元人民币，价值链总产值超500亿元人民币[53] **非中国政策：** - 韩国：2025年4月MOTIE推出K-Humanoid联盟，约40家公司、大学和其他组织参与；2026年2月指定人形机器人为核心K-Moonshot国家任务并成立战略委员会；启动公私AI人形核心技术推进项目（2026-2030），到2030年投资504亿韩元；目标2028年机器人AI基础模型，2028年人形硬件目标≤60kg重量、≥50自由度、≥20kg有效载荷、≥2.5m/s速度；到2030年年产3万台人形机器人[55] - 日本：2026年6月AI机器人战略，向物理AI重大转变，国内多模态机器人基础模型、机器人采用和大规模社会实施；目标2040年在18个行业部署1,000万台机器人（不仅人形）[55] - 美国：2026年7月FCC将外国制造先进机器人设备加入涵盖清单，禁止FCC授权，一般阻止进口、营销或销售；已获FCC授权的机器人不受影响[55] - 英国：2026年1月机器人采用计划+监管创新办公室机器人优先事项，聚焦加速广泛机器人商业采用和消除监管障碍；约5个机器人采用中心预计2026年下半年运营，每个四年内至少获得200万英镑[55] （十二）全球人形机器人TAM/采用估计 - 到2036年约2,810万台人形机器人将被采用（约占10亿总量的2.8%）；低收入国家约20万台（约1,400万总量的1.8%）；中低收入国家约370万台（约2.04亿总量的1.8%）；中高收入国家（含中国）约1,670万台（约5.04亿总量的3.3%）；高收入国家（含美国）约740万台（约2.96亿总量的2.5%）[92] - 到2040年约1.385亿台人形机器人将被采用（约占10亿总量的13.6%）；低收入国家约110万台（7.8%）；中低收入国家约1,620万台（7.9%）；中高收入国家（含中国）约8,140万台（16.1%）；高收入国家（含美国）约3,970万台（13%）[92] - 到2044年约4.3亿台人形机器人将被采用（约占10亿总量的42.2%）；低收入国家约390万台（27.9%）；中低收入国家约5,760万台（28.1%）；中高收入国家（含中国）约2.457亿台（48.7%）；高收入国家（含美国）约1.232亿台（41.6%）[92] - 到2050年约10亿台人形机器人将被采用[92] - 2050年累计采用按收入分类：低收入1%、中低收入20%、中高收入50%、高收入29%[103] - 2050年累计采用按地区：北美86,866千台、东亚及太平洋439,936千台、南

HALO人形机器人研究纪要关键要点 一、涉及公司与行业 - 纪要涉及公司包括苹果（AAPL US，未评级）、宇树科技（688836 CH，买入评级）、Luxonis（未上市）、RealSense（未上市）[1] - 纪要涉及行业为人形机器人、具身智能、物理AI数据采集与仿真训练[1][5] - 报告由野村国际（香港）有限公司（NIHK）发布，分析师为Frank Fan与Donnie Teng，发布日期为2026年11月9日[3][16] 二、HALO核心架构与分层设计 - HALO采用三层控制架构：S2负责决策下一步做什么，S1将决策转化为身体运动，S0在运动过程中保持身体稳定[1] - 以驾驶类比：S2决定在下一个路口右转，S1转动方向盘并操作刹车，S0是每秒进行数十次微修正的稳定性控制[1] - S2是视觉语言模型，读取请求与摄像头画面并以约0.5 Hz频率选择下一个子任务[1] - S1是运动生成器，将子任务与摄像头帧转化为5秒全身运动计划，频率约3 Hz[1] - S0是跟踪器，利用深度、关节传感与IMU以50 Hz频率跟随计划[1] - 平台为改装的宇树G1：加装Mac mini M4 Pro与Luxonis OAK-1W头部摄像头用于S2和S1，S0运行于Jetson Orin NX，深度由工厂RealSense D435i原始红外对通过TensorRT立体模型计算[1] 三、核心实验结果与数据 - 单技能测试：6项技能在6个未扫描真实房间各10次试验，共360次真实试验，平均成功率91%，与100个留出仿真房间中6000次试验结果匹配[1] - 六项技能为Go-To、Sit、Door、Crouch、Crawl、Push，均不涉及抓取物体[1] - 单任务仿真与真实成功率对比：Go-To为98%对92%，Sit为84%对85%，Door为91%对93%，Crouch为95%对100%，Crawl为84%对90%，Push为93%对88%，单任务均值均为91%[6] - 多任务链式测试：1个真实房间中3个序列各10次试验，真实平均成功率70%，其中Crouch→Go-To→Push仅50%[1] - 多任务仿真与真实对比：Door→Go-To为71%对100%，Crouch→Sit为73%对60%，Crouch→Go-To→Push为64%对50%，多任务均值69%对70%[6] - 作者称任务分解保持有效，并将失败归因于步骤间交接；在三步链中，5次失败试验有3次在蹲伏结束时头部朝向偏离箱子[1] - 机器人已通过陌生停车场的"停车测试"，但尚未在开放道路上执行包裹配送[1] 四、HALO有效的原因 - 房间多样性比运动数量更重要：仿真Sit测试中，1个房间训练成功率43%，100个房间81%，1000个房间84%[2] - 数据是生成的而非采集的：论文在1000个生成房间中布置162,698个回合，合296.3小时，无需操作员逐个记录；跟踪器第一阶段专家还从LAFAN1人类运动片段学习[2] - 每一层获得所需输入：S1从摄像头图像规划，S0增加深度以放置足部与身体，移除深度使仿真Sit成功率从84%降至74%[2] 五、HALO的局限与不应夸大之处 - 人类仍需编写课程：作者声明每个新任务都需要人编写提示词并制作运动关键帧，论文列出真实G1关节日志（Sit）、站立姿态（Go-To）、手工编辑姿态（Door）、真人手机视频后手工编辑（Crawl、Crouch）以及动作捕捉记录（Push）[2] - 仿真如同复印机：将一个课程复制到一千间教室，但教师仍需编写每个新课程[2] - 机器人无法感知接触：作者称视觉无法直接感知接触，接触密集型任务在物体离开视野后表现变差，并指出触觉传感是自然解决方案[2] - 行业数据与实地调研指向相同局限：仿真适用于刚性抓放，但对软体与流体仍显虚假，仿真数据在2025和2026年被证明不利于预训练[2] - 未测试不等于不可能：GRAIL使用基于3D资产的视频世界模型数据而非HALO式物理仿真，报告在5个已见物体上50次试验真实抓取成功率84%，5个未见物体上80%[2] - 因此未测试抓取是HALO的范围局限，纯仿真抓取能否泛化仍待验证[4] 六、真实数据需求与价值链判断 - HALO保留了真实世界数据需求，但数据价值正从采集者转向买方导向的聚合者、验证与接触数据采集，原始采集利润微薄[5] - 估计一线供应商保留约三分之一的原始小时价格，二线运营商自2026年中以来接近亏损[5] - HALO支持报告中关于接触数据保持溢价而自我中心视频价格通缩的判断[5] - 调查报告显示自我中心数据价格从2026年初的每小时40-50美元降至10-15美元或更低[5] - 低质量自我中心数据价格下跌，而五摄像头高质量数据价格坚挺，实验室按量购买视频但为经过验证的动作数据支付溢价[5] - HALO可能在时间点上偏离报告：报告引用EgoScale与HumanScale论文指出仿真从2027E起锚定窄任务，而HALO显示全身运动现在已可实现[5] - 在报告的反转信号（自我中心数据收益率、遥操作价格、仿真份额）中，HALO是仿真可能开始替代运动任务真实数据的首个迹象，但买方尚未改变采购内容[5] - 更好的触觉不一定意味着更多传感器销售：Ctrl-F告诉G1机器人用多大力推而非让其感受力，部署后无需力传感器，但仍需物体上的印刷标签进行跟踪[5] - 更多照片被拍摄不意味着摄影师收入增加，整理和检查照片的机构获得价值[5] 七、相关论文与竞争路线 - HALO论文为arXiv:2611.06908，2026年11月4日，苹果，完全基于合成程序化布置的房间数据训练人形机器人，机载运行0.5 Hz规划器、3 Hz运动生成器与50 Hz深度跟踪器[7] - Ctrl-F（arXiv:2611.05507，2026年11月3日，UC Berkeley）为人形运动跟踪增加显式力指令，部署时策略无需力测量，但依赖AprilTag标记获取物体状态[7] - TANGO（arXiv:2609.09158，2026年9月8日，UC Berkeley、北京大学、NVIDIA、清华、HKU、普林斯顿）为杂乱环境中人形导航的全身视觉语言动作模型，完全在仿真中训练，与HALO在语言驱动全身运动上竞争但聚焦导航[8] - VLK（arXiv:2606.30645，2026年6月29日，Amazon FAR、UC Berkeley、斯坦福、CMU）在扫描重建场景中生成带接触标签的视觉语言运动学训练数据以学习搬运，以HALO的未扫描房间泛化换取物体搬运能力[8] - GRAIL（arXiv:2606.05160，2026年6月3日，NVIDIA、UCLA）将视频世界模型锚定于3D资产以恢复人-物交互运动，仅用生成数据训练宇树G1策略，报告5个已见物体各10次试验真实抓取成功率84%，5个未见物体80%[8] - ZeroWBC（arXiv:2603.09170，2026年3月10日，USTC、上海AI实验室、清华、SJTU、TeleAI）从人类第一人称视频结合动作捕捉与文本学习全身人形交互，是HALO合成路线的真实人类数据替代方案[8] - 其他相关论文包括Sparsh（基于视觉触觉传感的自监督触觉表征）、AnySkin（可替换磁性皮肤）、ASAP（对齐仿真与真实物理）、HumanPlus（人类阴影与模仿）、OmniH2O（全身遥操作）、ExBody2（表达性全身控制）、HOVER（通用神经全身控制器）、BeyondMimic（引导扩散运动跟踪）、Humanoid Parkour Learning、Perceptive Humanoid Parkour、RPL（挑战地形感知运动）等[10] - 分层语言规划相关论文包括Diffusion Policy、π0、π0.5、GR00T N1、Kimodo、Training-Time Action Conditioning、Hi Robot、Gemini Robotics、Gemini Robotics 1.5、Do As I Can Not As I Say、Infinigen Indoors（HALO用于构建1000个训练房间的程序化生成器）、EgoMimic、EgoVLA等[12][13] - 遥操作与手持采集相关论文包括Cosmos交互式世界仿真、DexMimicGen（仿真中扩增双臂灵巧操作数据但仍需人类种子）、Universal Manipulation Interface（手持夹爪采集机器人就绪演示）、低成本双臂遥操作硬件、TWIST（遥操作全身模仿系统）等[15] 八、其他重要但可能被忽略的内容 - 报告评级分布：60%为买入评级，其中34%为投行客户；38%为中性评级，其中57%为投行客户；2%为减持评级，其中17%为投行客户（截至2026年9月30日）[21][22] - 野村研究服务可能使用人工智能工具辅助数据分析，AI生成内容受主要负责分析师与合格主管审查监督[39] - 报告包含大量合规与免责声明，涉及英国、欧洲经济区、香港、澳大利亚、马来西亚、新加坡、美国、沙特、阿联酋、卡塔尔、台湾、印度尼西亚、中国等多地分发限制[42][43][44][45][46][47][48][49][50] - 报告版权归野村国际（香港）有限公司所有（2026年）[53]

一、涉及公司与行业 - 纪要涉及公司为奥普特，成立于2006年，2020年科创板上市，总部位于东莞，定位为机器视觉龙头和自动化核心零部件供应商[7] - 公司现有员工超过3,800人，其中研发技术人员超过2000人，全球设有30多个服务网点，服务客户超过15,000家[7] - 前四大股东合计持股72%，自由流通股仅占28%，股权高度集中，上市以来大股东未减持，2020年初曾增持[7] - 公司业务覆盖3C、锂电、半导体、汽车、光模块等终端制造行业[8] - 行业涉及机器视觉、物理AI质检、光模块、3D打印、人形机器人等领域[2][17] 二、核心观点与论据 （一）核心投资逻辑 - 推荐奥普特的核心逻辑基于两点：主业业绩迎来拐点并持续高速增长，物理AI业务已进入规模化落地和业绩兑现阶段，存在显著预期差[3] - 物理AI业务已实现业绩快速增长，与其他尚处于概念阶段的公司形成本质区别[3] （二）苹果产业链资本开支上行驱动 - 2027年为iPhone推出20周年，产品预计有较大变化（如手机屏幕革新），带动资本开支显著增长[3] - 预计2027年苹果产业链资本开支增速达30%至50%[3] - 奥普特在苹果机器视觉领域份额相对不高，主要份额由康耐视和基恩士占据，受益于渗透率提升逻辑[3] - 奥普特在苹果产业链相关业务增速预计达50%甚至翻倍增长[3] - 预计2027年公司整体业绩达历史最好水平，利润预计在4亿元以上[3] （三）物理AI核心壁垒在于数据 - 物理AI核心壁垒在于数据，而非大模型或算力，大模型多为开源可二次开发，不构成核心壁垒[4] - 大语言模型成熟得益于海量人类文本数据，特斯拉FSD源于庞大路面行驶数据，AI文生视频依赖字节跳动丰富C端视频数据[4] - AI质检是B端市场率先兑现的领域，原因有二：苹果所有代工厂质检工人总数约30万至40万人，按人均10万元成本计算年支出超过300亿元，成本高昂[4]；全球不同生产基地（如中国大陆与印度）人工质检标准和质量存在差异，AI可实现标准统一[4] （四）AI质检业务发展历程与业绩兑现 - 公司配合苹果进行AI质检开发，过去数年间投入大量人力在产线采集数据，与客户共同筛选、验证和标定，历时3到4年积累大量有效数据[5][6] - 2025年实现超过1亿元物理AI相关收入[6] - 2026年前三季度相关收入已超过3亿元，预计全年乐观情况下可能接近4亿元[6] - 业务逻辑已闭环，进入业绩快速高增阶段[6] （五）业务模式与财务特征 - 业务模式为将光源镜头、相机、算法控制及现场调试整合，嵌入下游自动化主设备[8] - 收入逻辑可概括为设备数量、视觉点位数、单点ASP、市场份额及验收节奏的乘积[8] - 高价值业务在于承担质量判断的瓶颈工位，毛利较高且客户切换成本高；普通定位类检测业务价值量容易被设备商自行采购而压缩[8] - 2026年上半年营收9.04亿元，归母净利润1.7亿元，预计2026年全年营收15.5亿元[8] - 2026年上半年收入结构：3C业务占比47%，毛利率73%，其中苹果相关业务占3C业务的70%，相当于占总收入40%[8]；新能源锂电业务占比25%，毛利率41%[8]；半导体业务占比12%，毛利率55%[8]；汽车业务占比5%，毛利率40%[8] - 整体财务呈现高毛利、高费用、先交付后回款特征[8] （六）四大核心护城河 - 数据壁垒：深度绑定苹果、宁德时代等龙头客户，积累千万级别有效工业缺陷样本数据，形成显著先发优势[9] - 交付效率：将大模型蒸馏成适配单个产线场景、参数量仅几十万到几百万的小模型，无需GPU，在CPU板卡上即可运行，最快一天内完成单场景交付落地[10] - 成本控制：自研Deep Vision缺陷自动生成大模型，仅需10张真实缺陷样本便可生成1,000张仿真样本，大幅降低数据采集和训练成本，是3C场景维持70%高毛利的关键原因之一[10] - 技术生态：搭建覆盖数据采集、模型训练、部署迭代全流程的工业平台，实现从感知层、决策层到执行层的全栈交付能力[10] （七）与康耐视的差异化对比 - 数据壁垒方面：自2022年起公司逆周期投入，派遣1,000至2000名工程师驻场客户产线采集缺陷数据，历时三到四年积累千万级有效缺陷样本[11]；康耐视过去几年人员规模基本持平，未进行类似大规模数据采集投入，业务仍较多依赖传统算法，聚焦读码和物料识别，缺乏大规模真实物理世界样本[11] - 模型效率方面：公司拥有中科院博士带队、50名硕士组成的团队，历时三至四年搭建底层工业大模型，可为不同客户共用，通过导入现场数据蒸馏出专属小模型，最快2小时完成蒸馏并达到人工检测水平，小模型可部署在瑞芯微等板卡上离线运行，无需GPU[11] - 硬件成像全链条自研：大部分光源、相机、镜头实现自制，能应对非标打光方案，确保成像质量；通过收购东莞泰莱补齐工业机器人抓取能力，形成"抓取+成像+大脑"完整工位闭环[12] - 业务体系形成从成像、数据、模型、部署到回流的自我进化闭环，持续提升缺陷检出率、降低误检漏检[12] （八）AI质检方案实际效果 - AI质检方案准确率可达97%，过杀率3%，漏检率为0%[12] - 显著优于人工检测88%的准确率、10%的过杀率和20%的漏检率[12] - 方案应用能将产线人力从85人压缩至7人，单工序每年可节约成本624万元以上[12] （九）与苹果合作历程及关系演变 - 2017至2018年，传统AI视觉算法因无法检测新增缺陷未被采纳[12] - 2020年，普通深度学习方案因训练周期长、成本高，性价比不及人工[12] - 2022至2024年，基于Sci-fi的模型二次开发适配缺陷识别，两年间产生约6,000万元研发合作收入[12] - 2025年方案正式跑通并实现量产落地，当年AI质检收入达1.28亿元，同比翻倍，业绩进入加速期[12] - 公司从设备厂商上游零部件配套商升级为苹果前置AI制造合作伙伴：受邀在苹果美国制造业培训中担任AI机器视觉板块讲师[13]；2026年第一季度苹果美国工程师来访交流次数超过公司成立至2025年的总和[13]；在苹果新项目、新工艺立项阶段已提前参与评估物理AI质检方案[13] （十）AI质检收入表现与增长目标 - 2025年AI质检全年收入1.28亿元，占公司总收入的10%[14] - 2026年第一季度单季收入0.8亿元，同比增长300%，占当季收入的22%[14] - 2026年上半年AI质检收入1.8亿元，其中来自苹果的订单约1亿元[14] - 2026年全年AI质检收入目标3亿元，计划2027年提升至5到10亿元[14] （十一）市场空间测算 - 国内制造业就业人口约7,000万，质检工人规模约1,000万至1,500万人[15] - 苹果全球供应链体系内质检工人数量达40万至50万，占其制造工人总数（130万至140万）的三分之一以上[15] - 苹果体系质检环节对应约300亿元替代空间，预计5年内逐步完成替代[15] - 若公司未来在苹果质检替代市场获得一半份额，对应每年30亿元收入，按30%净利率计算可带来9到10亿元利润增量[15][16] - 收入释放并非匀速，阶段性高增长可能性很大[16] - 除苹果外，AI质检方案已导入宁德时代供应链，并与华为摩尔实验室完成对接，具备后续落地潜在机会[16] （十二）新兴业务布局 - 光模块业务：生产过程中微小器件摆放、光路耦合、焊点外观及端面洁净度检测等工位需要大量视觉应用[17]；2026年上半年光模块相关收入2000多万元[17]；截至2026年第三季度新增在手订单超过1亿元[17]；下游客户包括旭创、华工等光模块大厂及智立方、博众精工等设备厂商[17]；中性假设下预计2026至2027年光模块业务有望贡献1.1亿元归母净利润，乐观情况下利润弹性可达1.8亿元以上[17] - 3D打印业务：与苹果合作开发独家过程控制视觉方案，应用于钛合金3D打印，覆盖打印前铺粉检测、打印中过程监控和打印后瑕疵检测全流程，毛利率可达70%以上[17]；随着苹果将3D打印工艺从小件表壳向手机中框渗透，具备较大增长潜力[17] - 人形机器人业务：已储备3D视觉结构光及抓取相关技术，引进专门业务负责人[17]；3D真实物理世界数据获取难度远大于一维文本和二维图像，人形机器人不太可能是物理AI最先放量方向，现阶段资源主要向已规模化落地的2D视觉AI质检领域倾斜[17]；长期看若人形机器人产业大规模起量，视觉模组将打开广阔远期空间，但短期内收入贡献体量较小[18] （十三）财务预测 - 预计2026年收入约15.5亿元，归母净利润2.53亿元[19] - 预计2027年营收23亿元，归母净利润4.6亿元，利润受苹果大年驱动有望实现近82%同比高增[2][19] - 预计2028年营收29亿元，归母净利润5.8亿元[19] 三、其他重要但可能被忽略的内容 - 公司AI质检业务2026年目标收入3亿元，2027年有望达5-10亿元，实现从零部件供应商向苹果前置AI合作伙伴的身份跨越[2] - 公司物理AI质检已进入业绩兑现期，2026年目标收入3亿元[2] - 2026年第一季度苹果美国工程师来访交流次数超过公司成立至2025年的总和，体现合作关系质变[13] - 公司自研Deep Vision缺陷自动生成大模型仅需10张真实缺陷样本生成1,000张仿真样本，是3C场景70%高毛利的关键支撑[10] - 小模型可部署在瑞芯微等板卡上离线运行，无需GPU，最快2小时完成蒸馏[11] - 公司通过收购东莞泰莱补齐工业机器人抓取能力，形成"抓取+成像+大脑"完整工位闭环[12] - 2022至2024年基于Sci-fi模型二次开发两年间产生约6,000万元研发合作收入[12] - 苹果全球供应链质检工人40万至50万，占制造工人总数130万至140万的三分之一以上[15] - 光模块业务截至2026年第三季度新增在手订单超过1亿元，下游客户包括旭创、华工等[17] - 3D打印业务毛利率可达70%以上，随苹果工艺从小件表壳向手机中框渗透具备增长潜力[17]

群核科技 SpecialVerse 电话会议纪要关键要点 一、纪要涉及的公司与行业 - 纪要涉及的公司为群核科技及其旗下 SpecialVerse 团队，SpecialVerse 于 2024 年 11 月底年度峰会上正式对外宣布成立，前身自 2018 年起从事空间数据相关业务[3] - 群核科技旗舰软件产品包括国内酷家乐与海外 Coohom，为云原生空间编辑设计工具[3] - 涉及行业包括具身智能、视觉语言模型、3D 生成、XR 四大行业，客户以模型公司为主，同时与国内几大云服务商等生态伙伴合作[3] - 北美客户中包含一些在硅谷声名显赫的大型企业[11] 二、核心观点与论据 （一）数据来源与加工管线 - 数据来源之一为酷家乐与 Coohom 平台，全球拥有约 8,000 万至 9,000 万人次的月度服务用量，平台沉淀大量 3D 结构化数据资产，经技术管线处理和 IP 脱敏后可用于商业及研究用途[3] - 数据来源之二为自研模型管线，包括 3D 生成模型 LUCKS3D、重建模型 HoloReality 以及世界模型 SpatialG，形成自动化生成场景和资产的重要管线[3] - 数据加工分两部分：原始 3D 裸数据由工程化团队处理成可直接用于仿真的"SIM-ready"资产和场景结构；自研模型自动化生成的资产若需精细化后处理，则在工程管线中完成[3] - 最终交付物主要是"SIM-ready"的 3D 资产，包括模型资产和场景资产，并借助 HoloReality 等重建算法模型提供场景重建服务，该服务本身也是收费业务[3] （二）客户群体与合作模式 - 主要客户以模型公司为主，覆盖具身智能、视觉语言模型、3D 生成和 XR 四大行业[3] - 模型侧客户利用其数据作为基础模型视觉感知能力的数据供应商，知名 VLM 模型如 Cosmos 或 SEED 均有此类数据诉求[4] - 与云平台多为三方合作伙伴关系，云平台将数据打标、清洗等工具与数据打包，利用云算力及延伸服务进行销售[4] - 与高校及研究机构合作以科研项目为渠道，共同开展国家级、省级或学术项目，产出论文或科研成果[4] - 当前客户基本均为进行模型训练的客户，主要分为具身智能和多模态大模型两类[11] - 多模态大模型需要 3D 仿真数据，是因为具身任务首先要求模型理解和感知环境，仿真数据管线生成的数据天然具备严格 ground truth，避免真实采集数据噪点多、后处理困难且不精确的问题[11] - 客户选择合作的重要原因之一是数据本身的价值，体现在基于数据所做的工程和算法任务上，部分商业项目正是源于开源项目，客户看到开源项目与其执行任务相契合并发现数据有效性后选择合作[11] （三）开源项目与学术成果 - 团队开源路径可追溯至 2010 年发表的论文《Internet》，受李飞飞教授 2007-2008 年间发布的 ImageNet 启发，专注室内场景，开源相关数据集及工程管线，并由此获得首个重要客户[5] - 2020 年正式成立并开始市场拓展，服务大量以视觉感知为主的算法团队客户，涵盖扫地机器人、AR、视频生成等领域[5] - GPT 时代之后开始大规模投入 3D 相关工作和机器学习，为客户提供 SIM-ready 资产[5] - 开源工作从数据集《Internet》、Structure3D，到感知理解模型 Sense-LLM，再到 3D 语义数据集 Inter-GS[5] - Inter-GS 开源了 1,000 个室内场景，横跨 80 个不同类型，包含约 4 万个物体[5] - Inter-GS 构建方法并非传统扫描重建，而是在已有带 Ground Truth 的 3D 场景中利用自研渲染管线执行大量虚拟拍摄任务，生成高分辨率（2K 及以上）照片，再通过 3D 高斯管线生成带有语义标签的 3D 高斯数据[6] - 3D 高斯在仿真时渲染资源消耗较少，NVIDIA 在其机器人工具链 IC SIM 中也为此开源了 3D 高斯输入管线[6] - 基于 Inter-GS 推出 SAGE 3D 基准测试，验证利用 3D 高斯数据集能够训练出优质 VLM 模型，该论文成果被 ICLR 2026（2026 年 4 月于巴西召开）收录并获得良好评价，相关数据集受到美国硅谷多家公司关注[6] - 团队还在物理参数生成范式上做了 VLM 基准测试，即 2020 年发布的 Universe-Siam[6] - 技术积累过程从单点数据逐步扩展到感知、语义及可执行策略的系统性研究[6] （四）仿真技术核心难点与行业趋势 - 具身智能领域仿真的核心难点不仅在于引擎本身，更在于结构化且物理正确的场景和资产的供给[6] - 以 NVIDIA 的 Isaac Sim 为例，早期版本采用渲染管线和物理管线两套独立管线搭建，Isaac Sim 4 及之前版本物理管线主要使用源自游戏领域的物理引擎 PhysX[6] - Isaac Sim 在 5.0 版本后开源并引入第三方物理引擎生态 Newton，表明单一物理引擎难以完美解决所有物理模拟问题[7] - 仿真系统有效性不仅取决于引擎本身，也依赖结构化且物理属性正确的场景与资产供给，二者任何一方短板都会导致"sim-to-real"差距[7] - 行业正通过自动化和低成本方式，利用如 luck3D 等模型能力生成大量适用于仿真的资产，以减少人工介入（human-in-loop）的工作[7] （五）仿真数据与真实数据的关系 - AI 领域数据主要分为仿真数据和真实数据，真实数据又可分为本体数据和无本体数据，后者包括 Ego-centric（第一人称视角捕捉动作序列）和 UMI-centric（通过传感器捕捉手部精细动作）数据[7] - 仿真数据与 Ego-centric 或 UMI-centric 数据并非替代关系，而是在不同阶段服务于不同需求的互补模态[7] - Ego-centric 这类分布广泛的数据类型在模型预训练阶段有较好应用效果，仿真数据则在后期训练及测评环节发挥不可或缺的作用[7] - 测评阶段需在尽可能多场景中运行任务以评估策略并获得奖励得分，若在真实环境中执行成本极其高昂[7] （六）仿真技术的不可替代优势 - 物理量的可读性：包括资产本身是否被赋予物理参数，以及仿真引擎能否准确读取这些参数，若任务所需物理参数在资产侧缺失或引擎无法精确读取，仿真便无法有效进行[8] - 反事实场景的可构造性：真实世界中无法或极难复现的极端情况（corner case），如模拟地震、特定天气等扰动，可在仿真环境中创造，对训练模型鲁棒性至关重要，自动驾驶领域也广泛应用[8] - 失败案例的可采集性：当策略部署到真机后成功率较低（例如低于 60%）时，通常意味着仿真训练环节存在问题，需利用仿真环境回溯并重新进行强化学习，在真机上重复此过程成本过高[8] - 评测的可复现性：仿真为策略评估提供稳定、可重复的环境[8] - 规模化能力：仿真能大规模生成用于预训练的、具有多样化材质和视觉表征的数据[8] - 有效仿真系统需整合可执行的环境、可控的传感器以及可重复的任务，共同构成其在具身智能研发流程中的独特价值[8] （七）业务实践挑战与拓展方向 - 客户需求高度个性化，几乎没有两个客户需求完全相同，通常只有 40%至 50%是通用需求，导致大量定制化工程任务[9] - 为应对挑战并顺应行业趋势（如 GPT-4 及后续模型驱动的自动化生成），正致力于减少人工介入，利用模型自动化生成场景与资产[10] - 纵向拓展方面，整合公司内部优势模型能力，如 luck3D、AIGC 和 spatial-computing 技术，优化数据生产方式[10] - 横向拓展方面，积极进行具身智能策略的真机验证[10] - UC Berkeley 的 SuperMIMIC 通过可微的动力学模型，将具身智能在运动训练范式上的门槛（包括成本和算力）降低了两个数量级，传统基于 PPO 的训练方法耗时以周计，SuperMIMIC 可将训练时间缩短至小时甚至分钟级别[10] - 苹果公司近期发布的 HALO 系统在 SuperMIMIC 基础上进一步加入任务导向（如推箱子、钻桌子等身体大动作，不包含手部精细动作），采用纯仿真方案进行策略训练，在 6 个未知环境中进行了 360 次 zero-shot 迁移测试，成功率高达 91%[10] - 受此启发，公司也在进行相关实验，测试任务与 HALO 既有交集也存在差异，并额外关注手部精细操作级别的动作[10] - HALO 项目负责人 Vladlen Koltun 曾是 Intel Labs 首席科学家，群核科技在 2026 年与 Intel Labs 合作发布名为 SPEAR 的论文项目，该项目最初由其主导，公司与 Vladlen Koltun 及其后续分布在苹果、英伟达、Adobe Research 等机构的团队成员保持持续合作，其也是开源自动驾驶仿真平台 CARLA 系统的创建者[10] - 系统化工作流程涵盖：首先实现"real-to-sim"，即将真实场景转化为仿真就绪（sim-ready）形态；其次在"sim-to-real"环节构建"playground"，为机器人提供丰富场景和资产进行训练；最终通过仿真导出策略并测试其 zero-shot 迁移性能，期望成功率也能达到 90%以上[11] （八）核心竞争力与交付可行性 - 群核科技从早期从事渲染（ray tracing）业务开始本质上就是在进行仿真，即将物理世界转移到数字世界，光照本身也是一种物理信息[12] - 当前对物理 AI 的理解更多涉及有具体接触的物理交互，例如重力、弹性系数、阻尼等，现有工作是从原有渲染技术基因上进行的技术迭代和自然发展，逻辑进程顺畅，没有经历明显转折[12] - 客户选择的原因之一是有能力证明数据的价值，无论是通过开源项目还是客户自身验证[12] - 作为数据供应商解决了交付可行性的关键问题，包含两个层面：成本可控，若产品极其精细但成本过高则不具备商业化可行性；规模化交付，若为规模化而牺牲质量也无法满足客户诉求[12] - 公司恰好在质量与成本之间找到平衡点，实现交付能力的规模化扩展，这是能够与一些头部客户维持三至五年连续合作的重要原因之一[12] （九）开源商业化节奏与定价策略 - 开源价值体现在：彰显公司技术实力；通过开源项目（如 Inter-GS）为行业社区做贡献，代表公司在行业内的顶级水平[13] - 商业化并非做开源的首要原则（First principle），并未期望开源项目直接带来大量商业回报，但当开源项目足够优秀并被顶级 AI 实验室关注到时，商业订单会自然随之而来，出色的开源项目本身也是有效的市场营销手段[14] - 商业化定价具体情况非常依赖个案（case by case），有标准定价方式，例如按资产单价收费，类似于云服务按小时计费[14] - 对于新型数据交付，若涉及开发额外工具或算法，相关人工或其他打包服务费用也会纳入报价[14] - 当前备受关注的计算机辅助智能体（computer use agent）需要代码级别（coding-level）的轨迹数据，这类过去未曾设想过的数据需求，若公司有能力进行研发和交付，其定价将具有较大想象空间[14] （十）数据需求分层与仿真数据占比 - 从模型训练范式看，预训练阶段需要的数据量最广，经典数据金字塔理论底层是互联网数据，中间是仿真数据，顶层是真机实采数据，数据越往上采集难度越大、成本越高[14] - 预训练阶段大量使用带有噪声的数据是必须的，此阶段更关注数据分布足够泛化，而非数据精细度[14] - Ego-centric 数据因其属性在具身智能预训练阶段需求量较大，但需求旺盛也导致供应增多，其定价、数据质量、标注、售卖渠道及数据来源等尚未达到标准化程度[14][15] - 仿真数据位于数据金字塔中间层，在模型训练特别是具身智能训练的后端环节发挥作用，当模型需要在极端情况（corner case）下测评或对泛化性和精度有较高要求时就需要用到仿真数据，其价值因此体现，但制作仿真数据和资产的门槛相对较高[15] - 一些从事世界模型（World Foundation Model）研究的团队交流后得出结论，仿真数据将在后训练（post-training）阶段占据主导作用[15] - 在整个数据图谱中，仿真数据占比可能不会特别大，预计在 15%至 20%左右，但这已是相当可观的体量[15] 三、其他重要但可能被忽略的内容 - 苹果 HALO 系统引入了 300 小时的仿真数据并取得良好的真实环境迁移效果[14] - Inter-GS 数据集构建采用虚拟拍摄生成 2K 及以上高分辨率照片，再经 3D 高斯管线生成带语义标签数据，对感知研究极为有利[6] - 群核科技与 Intel Labs 于 2026 年合作发布 SPEAR 论文项目[10] - 团队服务客户历史涵盖扫地机器人、AR、视频生成等领域[5] - 云平台合作中，云平台将数据打标、清洗等工具与公司数据打包，利用云算力及延伸服务进行销售[4]

通用大模型在具身领域进展纪要要点总结 一、涉及行业与公司 - **行业**：具身智能/机器人大模型行业，涵盖通用大模型向具身领域渗透、机器人大脑（System 1与System 2）技术演进、Sim-to-Real仿真迁移、商业化落地等方向[1][3][4] - **海外公司**：英伟达（Groot 2、Groot 2 Turbo、Eureka）、苹果（Hello系统）、Physical Intelligence（PI）、Google Robotics（RT-2、RT-E、VIMA）、Generalist AI（GN1.5）、Covariant AI（Skill AI）、OpenAI（Astra、GPT-4o）、Figure AI（Figure 02）、特斯拉相关未提及[1][5][6][10][11][12] - **国内公司**：宇树科技（G1机器人）、智谱AI、月之暗面（Moonshot AI）、字节跳动、阿里巴巴（通义千问）[5][14] - **资本市场**：A股与港股机器人相关资产[2][7] 二、核心观点与论据 （一）通用大模型向具身领域渗透的路径与瓶颈 - 通用大模型正从编码智能（coding agent）能力向外泛化衍生，具身智能是极具前景的重要场景，Fable、Astro等模型控制机器人动作的本质是通过编写代码和指令实现[3] - 新一代大模型在动作理解、视觉及空间感知能力上显著提升，训练中可能使用了更多机器人相关数据，增强了多模态理解、空间感知和运动规划能力[3] - 通用大模型作为高级指令理解与规划的"大脑"（System 1）已获广泛认可，Fable和Astro的最新进展表明大模型正从高层规划向下层控制渗透，展现整合"大小脑"功能的潜力[3] - 机器人领域可能正在形成正向反馈循环（positive feedback loop），类似于大模型在编码领域通过编写、运行、测试代码形成闭环并获得直接奖励函数，机器人执行大模型规划动作后的效果也能形成反馈，为模型迭代提供有效奖励信号[4] - 当前通用大模型实现具身智能存在明显不足：模型体积过大，参数量通常达万亿级别，推理速度慢、延迟高，无法满足生产环节低延迟要求，许多演示视频经过快进处理；成本方面，与传统机器人方案相比价格昂贵[4] - 未来解决方案包括从通用大模型中蒸馏出参数量更小的机器人专用版本，或利用MoE架构优化以降低时延和成本；将语言模型领域已验证成功的规模法则（scaling law）直接应用于具身智能领域，可能比传统具身领域探索涌现现象更有效[4] - 短期来看，大语言模型作为"大脑"进行高层规划、下层控制沿用传统具身模型的结合思路仍是主流；头部大模型公司虽主攻通用智能和编码智能，但已将具身智能视为重要垂直应用领域，将在2027年投入相当规模资源[4] （二）苹果"Hello"系统与Sim-to-Real验证 - 苹果研究团队于2026年11月7日发布"Hello"机器人系统，原始论文于2026年11月4日提交，取得91%成功率，该成功率基于6类预设基础技能（走向特定目标、坐下、过门、俯身、爬行、推箱子）在真实环境中的平均成功率[5] - 测试使用宇树科技G1机器人，核心目的在于验证仿真环境中预训练的模型能否有效迁移到陌生真实环境，即验证Sim-to-Real的有效性[5] - 技术框架未沿用原生大语言模型路线，而采用视觉语言模型与强化学习相结合的传统机器人分层控制框架；底层控制层面（System 2）集成阿里通义千问大模型和英伟达研究院Eureka运动生成模型，额外使用约300小时仿真数据训练[5] - 仿真环境中经过近6,000次迭代，系统成功率达91%，迁移至真实环境后成功率仍保持在90%左右，证明在缩短Sim-to-Real差距方面取得良好效果[5] - 研究团队使用250张H100 GPU运行48小时，生成300小时仿真数据用于预训练，成功证明合成数据在真实环境迁移中的有效性[5] - 三个主要结论：苹果作为潜在新进入者未从零开始"造轮子"，未打破现有分层控制框架而是在此基础上实现优化，采用成熟第三方模型作为基础；研究偏好并验证了仿真合成数据的价值；研究范围有限，6个基础任务均不涉及灵巧手操作，论文未将该系统与现有其他机器人模型进行性能对比测试，不能仅凭此项研究断定其全面优越性[5][6] （三）英伟达Groot 2与Groot 2 Turbo的技术进展 - 英伟达将Groot 2定义为System 1，模型架构基于世界动作模型而非VLM，旨在优化机器人动作执行环节[6] - 预训练的Scaling Law：使用约43.6万小时数据训练，其中近90%为第一视角Ego视频，机器人任务执行效率相较基准水平提升近20个百分点，处理50项新任务时平均成功率达95%[1][6] - Zero-shot能力：初始平均成功率约40%，低于行业普遍追求的50%基准线；通过约5次、耗时3分钟左右的特殊性示范，平均成功率可提升至95%[6] - 端侧部署：Groot 2 Turbo采用20亿参数的视频加动作Transformer模型，通过压缩视频表征，在端侧实现约124毫秒延迟，优于行业普遍认为200毫秒左右的优秀水平[1][6] - 行业模型创新趋势：各层面研发迭代全面加速，OpenAI的Astra和Figure AI专注改变System 2，英伟达致力于用先进模型迭代方法优化System 1，行业呈现相向而行的发展态势而非单一路径替代；尽管GPT-4o在9月份发布，机器人公司并未完全放弃System 1，主要考虑Token成本和实际应用场景（目前多为桌面级基准任务）的必要性；预计未来6到12个月内机器人各类模型论文和大型科技公司技术催化将显著增多[6][7] （四）海外机器人大脑公司技术路径与商业化对比 **共同目标**：海外主要机器人大脑公司目标较为统一，致力于开发通用性更强的大脑，并通过不同方式进行Scaling，寻找最优泛化路径[9] **Physical Intelligence（PI）**： - 当前估值约200亿美元，核心理念是让模型学会所有技能并能通过语言控制[10] - 算法核心基于VIMA，结合自研Flow Matching技术实现RCI；倾向于将规划层和执行层融合，与部分分层模型不同；训练数据主要采用真机数据[10] - 最新基座模型PI 0.7在推理过程中引入子目标图（Subgoal Image），可视为轻量级世界模型，机器人在执行下一步动作前会在"脑海"中生成完成该动作所需的场景图再执行任务，体现VIMA与世界模型结合思路[10] - 执行未见过的新任务时，通常需通过语言逐步指导，并结合训练时数据生成的子目标图，形成"语言指导+子目标图"的上下文共同完成任务；模型在实验和实际应用中展现较强组合泛化能力和跨本体能力[10] - 商业化：2026年10月推出API Beta服务，类似语言模型API服务，客户可将机器人数据上传至平台实现模型微调和云端推理，目前约有15家用户，尚处商业化早期阶段[1][10] **Google Robotics**： - 研发路线与PI相似，均采用VLM加后训练技术路径，以真机数据为主要训练来源，得益于谷歌自身强大的VLM基础[11] - 主要不同点在模型架构：PI倾向融合规划层和执行层，Google Robotics将两者分离为两个独立模型——RT-E推理模型作为高层大脑负责对话、空间理解和多步任务规划（System 2），VIMA模型负责具体动作执行（System 1），将视觉和语言指令转化为电机控制信号驱动不同类型机器人[11] - 谷歌于2026年7月发布Google Robotics RT-2[11] **Generalist AI**： - 估值已达数十亿美元，技术路线与PI和Google Robotics不同，未采用VLM作为起点，而是从物理交互数据从头开始训练模型，旨在通过堆积足够多物理数据实现智能涌现[11] - 模型未拆分快慢系统，将感知和动作处理成两条异步的连续时间流同时执行，能够"边想边动"提升执行速度[11] - 数据策略：预训练未使用昂贵真机数据，采用自研手持或佩戴式设备采集的数据，目前此类数据已超过50万小时；后训练阶段仍使用部分真机数据提高可靠性[11] - 最新基座模型GN1.5执行新任务时并非接收语言指令，而是通过一段3到12秒的传感器数据和手部动作轨迹数据作为上下文输出动作；若上下文中提供两段不同任务示范，模型能自行拼接成更长连续动作并补充衔接动作；对10个新短任务测试，官方准确率达59%[12] - 商业化尚处早期，主要与少数客户共建合作，尚未像PI那样提供API服务[12] **Covariant AI（Skill AI）**： - 商业化进展较快，当前估值超过140亿美元，ARR超过1亿美元，累计确认收入达5,000万美元，拥有约60多家付费客户[1][12] - 模型闭源，具体架构未公开，核心思路是让机器人具备现场自适应能力；运动阶段在仿真环境中创造约10万种不同机器人身体，让模型在行动中不断尝试和调整；操作阶段融合真机、ego-centric数据和仿真等多种来源数据训练，并利用客户回流数据迭代[12] - 非常强调上下文学习，分为两部分：运动过程中的上下文（S0）包含模型此前经历包括失败经验用于纠正错误；操作阶段的上下文（S1）来源于人类提供的任务示范视频，与Generalist AI路径相似，均不依赖语言指令；执行新任务时通常向模型提供一段提示性示范视频，官方测评任务完成准确率为66%[12] - 商业化因模型闭源，主要通过与客户部署合作产生收入[12] **四家公司技术路径归纳**： - 两大类路径：PI和Google Robotics以VLM为技术主干，增加动作模块，通过强化学习和后训练优化，偏好真机数据训练，PI在后训练阶段也开始引入人类数据；Generalist AI和Covariant AI未采用VLM路线，更侧重使用动作数据从头训练模型[13] - 数据层面共同趋势：数据融合成为明显趋势，PI采用真机数据预训练结合人类数据后训练，Generalist AI使用ego-centric数据预训练再用真机数据后训练；各类数据融合已是共识，但如何优化不同来源数据配比以实现更高效scaling是海内外公司积极探索方向[13] - 模型层面共同趋势：在通用机器人模型（robot foundation model）能力足够强大之前，世界模型与VLA（Vision-Language-Action）模型融合是重要趋势，PI推理时的子目标任务应用了轻量级世界模型；未来通用大模型能力持续增强，通用模型与具身模型融合将进一步加深，使机器人更快实现跨场景和跨本体泛化[13] （五）通用模型对具身模型的技术借鉴 - **3D环境构建与仿真数据**：通用模型日益增强的3D建模能力可大幅降低3D环境构建难度，增强Sim-to-Real迁移能力，使未来可利用更多高质量仿真数据训练机器人大脑[8] - **模型范式与反馈闭环**：通用模型领域新范式如Loop Transformer和未来RCI（Recursive Cognitive Intelligence）的能力突破可被借鉴，帮助机器人实现更快的个性化和反馈闭环[8] - **特定能力学习与数据质量提升**：具身模型可有效学习通用模型的In-context Learning能力；通用模型在COT（Chain of Thought）和数据标注方面具备较强能力，具身模型借鉴其强大COT能力将有助于显著提升训练数据轨迹质量，实现能力更大突破；总体而言通用模型进步将持续为机器人模型带来启发，并可能在未来走向融合，共同驱动机器人大脑技术发展[8] （六）国内大模型公司具身布局 - 国内大模型公司在具身智能方向均有布局，包括智谱AI、月之暗面（Moonshot AI）等初创公司，以及字节跳动、阿里巴巴等大厂团队[14] - 现阶段国内大模型在语言能力上仍处追赶海外顶尖模型态势，多数公司资源有限，主要精力集中在提升模型coding和Agent能力上，具身智能方向资源投入相对不大，整体进展较慢[14] - 具身模型训练高度依赖数据，国内云模型公司在具身数据采购方面尚未进入大规模阶段[14] - 积极动向：有国产模型厂商开始与国内头部机器人本体公司展开合作，预计后续会有相关消息发布；一旦海外OpenAI等头部公司明确将具身智能作为重要方向，国内公司也会加大力度跟进，预计2027年将看到更多实质性动作[14] - 考虑到现阶段资源和技术储备与美国尚有差距，国内追赶路径可能采取更具经济效益的方式推进[14] 三、其他重要但可能被忽略的内容 （一）投资影响与估值风险 - 机器人软件能力快速迭代对投资产生三方面直接影响：技术持续更新将维持机器人板块高热度，软件迭代速度天然快于硬件，持续技术变革是维持行业关注度关键因素[7] - 投资焦点可能向特定类型机器人公司倾斜：A股原先缺乏强大"大脑"能力的机器人本体公司，以及拥有硬件资源禀赋和应用场景资源的公司，有望迎来"跷跷板"式配置机会，这类公司历史包袱较轻，能直接受益于越来越多大型科技公司提供的先进软件能力，从而获得机构资金青睐[2][7] - 需关注不同市场间估值差异：当前A股与港股机器人资产估值分水岭已非常明显，部分代表性公司PS估值倍数差异可达10倍，应警惕"物极必反"风险；建议关注港股市场中因流动性问题被错杀、但公司基本面正在积极改善的资产，可能存在跌破价值的投资机会[2][7] （二）时间节点与催化预期 - 苹果"Hello"系统论文提交时间为2026年11月4日，发布时间为2026年11月7日[5] - 谷歌于2026年7月发布Google Robotics RT-2[11] - PI于2026年10月推出API Beta服务[10] - GPT-4o于9月份发布[7] - 预计未来6到12个月内机器人各类模型论文和大型科技公司技术催化将显著增多[7] - 头部大模型公司将在2027年投入相当规模资源于具身智能[4] - 国内公司预计2027年将看到更多实质性动作[14] （三）技术细节补充 - 英伟达Groot 2训练数据中近90%为第一视角Ego视频[6] - 苹果Hello系统仿真环境迭代近6,000次[5] - Covariant AI在仿真环境中创造约10万种不同机器人身体[12] - Generalist AI自研设备采集数据已超过50万小时[11] - PI API Beta服务目前约有15家用户[10] - Covariant AI拥有约60多家付费客户，累计确认收入达5,000万美元[12] - Generalist AI GN1.5对10个新短任务官方准确率达59%[12] - Covariant AI官方测评任务完成准确率为66%[12]

一、涉及行业与公司 - 行业覆盖AI算力产业链（算力租赁、半导体设备、先进封装、光模块、太空算力、太空光伏）、消费电子端侧AI、晶圆制造[1][2][3][5][9][14][15] - 公司涉及英伟达、台积电、日月光/矽品精密、旭创科技、新易盛、剑桥科技、源杰科技、阿里云、腾讯云、国星宇航、OpenAI、Meta、苹果、字节跳动、Anthropic、特斯拉/SpaceX（马斯克）、长春与武汉Fab3晶圆厂[1][2][3][5][9][11][12][13][14][17] 二、核心观点与论据 （一）算力供需与租赁价格 - 海外高端算力卡按时租赁价格全线上涨，截至2026年11月5日，H100环比上涨10%，H200上涨27%，B100上涨25%[9] - 国内H100包月租赁价格相比前一周上涨接近10%，按需租赁价格上涨约7%[9] - 阿里云、腾讯云年内已相继上调部分AI算力服务价格，部分A股算力租赁企业续签合同时普遍出现提价及客户要求扩容[9] - 国内大集群高端算力供给十分有限，已对大模型训练造成一定影响，高端有效算力处于结构性稀缺状态[9] - 供需矛盾核心瓶颈在于半导体设备、晶圆厂先进封装制造产能及高性能存储，预计未来1至2年内难以根本解决[10] （二）半导体设备与自主可控 - 国内领先晶圆厂持续推进扩产，预计2026年底前开启新一轮招标，对设备订单形成积极催化[3] - 龙头设备公司订单持续上修，长春、武汉第三工厂（Fab3）已启动生产设备连接工作，全部达产后预计增加10万片/月产能[3] - 2027年国内晶圆厂扩产计划依然积极，设备订单有加速上升趋势；2027年订单对应2028年利润，当前估值处于历史相对便宜位置[4] - 设备零部件公司订单普遍较多且呈加速趋势，海外设备零部件供应商交期延长，集中在精密结构件、真空系统、射频电源、阀门、陶瓷及石英零部件等领域，海外产能有限导致集中释放的需求形成明显拉动效应[4] （三）先进封装 - 台积电CoWoS产能紧张，英伟达提供数十亿美元资金支持，帮助日月光旗下封测大厂矽品精密扩充CoWoS封装产能，表明下游需求确定性[5] - 根据Yole预测，先进封装市场规模将在2026年首次超过传统封装，相关资本支出预计接近280亿美元[5] （四）光模块与光连接 - 市场传闻光模块砍单并无产业证据支持，订单可细分为长期协议、PO订单和需求指引，头部厂商订单有较强协议保障[11] - 旭创科技部分客户签订LTA（未达标需付款），另一部分客户直接下达PO订单（取消需支付违约金）[11] - CSP厂商结构调整：Meta小幅下调800G需求但上调1.6T需求，谷歌增加800G订单，微软增加1.6T订单[11] - 上游光芯片供应商源杰科技2027年、2028年订单已基本饱和，并已开始沟通2029年需求[11] - 光连接在AI硬件投资中的占比预计从过去5%提升至20%以上[11] - 二线厂商剑桥科技未收到任何客户砍单通知[12] - 2028年需求可见度：旭创科技已收到两家客户年度预测，正式PO订单预计2026年底至2027年上半年下达[12] - NPO产品方面，旭创科技、新易盛、剑桥科技均确认2028年将迎来非常大规模市场需求，相关产品预计2027年下半年开始释放[12] - 物料紧缺本季度主要为激光器和DSP（上季度为PCB），旭创科技2026年仅完成年度目标50%至60%，随着2027年物料供应充足，其可插拔光模块业务业绩有望翻倍[13] - 新易盛已引入DSP第二供应商，物料紧缺问题预计后续缓解[13] - 竞争格局方面，头部与二线厂商现阶段均无意发动价格战，扩产保持理性，1.6T产品供不应求背景下2027年降价幅度不大，许多价格已基本谈妥[14] - FCC政策预计最快2026年12月出台相关细则，产业链普遍预计主要针对新一代产品而非公司本身，仍存在可操作空间[13] （五）基础模型与算力需求前景 - 基础模型持续演进，性能提升、成本下降、泛化能力增强；Claude 3.5在知识工作、电脑自动化操作等任务上能力显著提升，平均运行成本相比前代降低约75%[7] - AI正从简单文本问答加速向复杂任务执行和真实生产流程渗透，企业级AI、多模态内容生成、AI for Science、具身智能、物理AI等多元应用形态正在成型，应用爆发刚开始，将在长周期内持续催生海量训练和推理算力需求[7][8] （六）宏观与监管因素 - 2026年11月3日美国中期选举后，民主党内部关于AI监管和数据中心建设限制的政策主张集中升温：德克萨斯州候任州长提出可能暂停州内数据中心审批并出台居民保护立法；某参议员再次呼吁暂停全国数据中心建设，其主导的S.4,214法案仍在国会审议；民主党众议员公开提出暂停先进AI开发、加强行业监管的全面主张[6] - 资本市场短期容易放大风险，政策博弈与法案落地通常需要漫长周期，当前市场可能已过度计提限制扩大、时间延长等悲观预期，技术产业中长期发展由生产力演进规律驱动[6] - 电力瓶颈方面，北美CSP可能将部分数据中心建设从美国国内转向海外；数据中心建设适度放缓可避免原材料价格过快上涨，并使供需缺口同步调整实现更好匹配[11] - 政治因素只会影响业绩兑现节奏，而非长期趋势，AI浪潮长期趋势不会改变[11] （七）端侧AI与消费电子 - 端侧AI产品预计加速落地，硬件新品可能在2027年密集发布：OpenAI布局机器人领域，Meta和苹果AI眼镜预计2027年推出[2] - OpenAI端侧硬件已接到订单，音箱产品预计2026年年底获得订单并于2027年第一季度发布[2] - 个人AI正从生成式向执行式演进，生态和系统能力驱动消费电子变革，OpenAI的Dots、Anthropic的Duet、Meta的Muse等产品强化云端常驻、主动执行和工具协同能力[2] - AI商业化正从用户扩张转向付费深化和交易履约拓展；通用场景拓展推动AI普及，新硬件依靠垂直领域功能价值开拓市场增量；2027年端侧AI爆发性可能尚不显著，但从2027年展望未来爆发趋势非常清晰[2] （八）太空算力与太空光伏 - 马斯克明确提出将智能送上太空是与中国竞争的唯一方法，逻辑在于中国电力产出是美国的三倍，AI竞争本质是能源竞争；美国现有电网和电厂建设速度无法满足数据中心需求，且2028年以后地面数据中心规划可能面临严峻审批风险；太空部署可利用轨道实现全天候发电和零能耗散热，无审批和居民抗议困扰[14] - 时间表：2027年第三季度发射首批原型卫星，2028年形成可观规模，2029年进入大规模放量阶段，远期目标实现100GW规模[14] - 第一代3万颗AI卫星将与英伟达联合开发，采用VRLNB L72架构，确保天上与地下软件栈保持一致[14] - 太空光伏方面，欧美大部分卫星客户已转向硅基电池作为主要供电能源；采用台湾供应的HJT电池片，单瓦价值量约50元人民币，辅材价值量与之相当（1:1），太阳翼整体单瓦成本约100元[15] - 单颗卫星配置一个机柜功耗，单星太阳翼价值量约250万人民币；若需求达小个位数GW级别，对应市场规模达千亿级别[16] - 太空光伏产品价值量基本稳定，未出现显著降价，小个位数GW规模下仍能保持较高盈利水平；2026年国内已有多个太空光伏产品进入实证阶段，海外客户需求更迫切、项目推进速度非常快，能率先进入海外供应链的厂商将更快释放盈利空间[16] - 国内进展：国星宇航已通过港交所聆讯，预计2026年11月13日登陆港交所，招股书披露在手待交付AI卫星订单114颗，合同总额34.75亿元；旗下"星算计划"规划2800颗卫星星座（2400颗推理计算卫星和400颗训练计算卫星），已向ITU申请获批3000多颗卫星频谱资源[17] - 2026年10月30日北京空天算力创新中心发布"空天算力2026年度十大成果"，该中心为2026年7月揭牌的国家级平台，聚焦天基AI芯片、空天能源与散热等五大方向；十大成果传递关键信号：系统性攻克散热问题、抗辐射芯片已有国产方案、远期技术明确指向适配算力卫星的钙钛矿柔性太阳翼、商业化探索已在进行中[17] 三、其他重要但可能被忽略的内容 - 太空算力远期目标100GW规模，第一代卫星数量为3万颗，采用与英伟达联合开发的VRLNB L72架构[14] - 国星宇航"星算计划"中推理计算卫星数量（2400颗）远高于训练计算卫星（400颗），反映天基算力以推理为主的定位[17] - 北京空天算力创新中心十大成果明确指向钙钛矿柔性太阳翼作为远期技术方向，与当前HJT电池片路线形成技术迭代衔接[17] - 旭创科技2026年仅完成年度目标50%至60%主要受物料紧缺影响，但2027年可插拔光模块业务业绩有望翻倍，隐含较大业绩弹性[13] - 源杰科技已开始沟通2029年需求，显示光芯片供需紧张周期可能长于市场预期[11] - 海外设备零部件交期延长集中在精密结构件、真空系统、射频电源、阀门、陶瓷及石英零部件等细分领域，除核心设备公司外零部件核心企业同样值得重点关注[4]

物理AI模型迭代电话会议纪要关键要点 一、涉及行业与公司 - **行业**：物理AI、人形机器人产业、具身智能 - **涉及公司（海外）**：苹果（Hello系统）、谷歌（Genie 4、Gemini Robotics 2、RT-2）、英伟达（GP6 Astra评估）、Apptronik（Apollo机器人平台） - **涉及公司（国内）**：宇树、优必选、杭州科林（收购开普勒）、捷克股份、拓斯达、奥比中光、奥普特、福莱新材[1][6][9] 二、核心观点与论据 （一）技术架构演进：三层架构确立 - 行业确立"通用模型（理解规划）+世界模型（模拟预测）+专用控制系统（动作执行）"三层技术架构，有望降低智能化开发门槛[1] - 通用模型负责环境理解、任务推理和动作规划，世界模型负责模拟预测，专用控制系统负责将模型能力转化为真实动作[4] - 该架构使机器人能在执行过程中不断感知环境并更新动作，而非简单重复预设轨迹[4] （二）三大技术进展 **1. 英伟达GP6 Astra——通用大模型直接生成操作策略** - Astra在未经特定机器人任务微调的情况下直接生成机器人操作策略，成功率较前代GP5.5显著提高[2] - 英伟达10月发布的独立评估证实Astra作为机器人策略模型的明显进步[2] - 短板：更擅长语义理解要求高而精度要求低的任务，对高精度操作、动态控制和复杂双臂协作表现有限，早期真实机器人测评中甚至出现不合理和不安全的动作[2] - 最大意义在于揭示通用大模型承担部分机器人动作决策任务的潜力，而非当前成功率[3] **2. 谷歌Genie 4——世界模型提升物理模拟能力** - 相较前代Genie 3，Genie 4在实时交互环境真实感、物理模拟能力和多模态生成能力方面均有提升[3] - 可根据文字生成可交互虚拟世界，运行中通过自然语言改变环境（如天气、物体），原生生成环境声音和交互式语言[3] - 谷歌将界面系列模型与Genie 4结合：界面负责任务理解、规划步骤和判断进展，Genie 4负责生成环境变化并模拟动作可能结果[3] - 目前仍处于研究预览阶段，对复杂物理交互的准确性和长期一致性尚有较大改进空间[3] - 谷歌7月发布的Gemini Robotics 2已在Apollo人形机器人上完成移动、抓取、放置等连续任务，并在部分双臂机器人平台上于几小时内利用少于200个示例完成新本体适配[3] **3. 苹果Hello——人形机器人自主控制系统** - 采用三层控制体系：顶层视觉语言模型负责理解指令、识别环境和拆解任务，判断频率约每两三秒一次；中间层利用视觉语言编码器和扩散模型，以约每秒三次的频率生成未来五秒的全身动作轨迹；底层通过强化学习训练的控制器，以50赫兹频率结合深度视觉和关节反馈，实时控制29个关节[4] - 使用约1,000个程序生成的室内环境，构建约300小时的视觉、语言和动作训练数据[3] - 主要数据生成过程使用250张H100运行约48小时，并使用B200等算力训练动作生成模型[4] - 在未经提前扫描建图或针对性训练的情况下，在6个真实环境中完成360次单项任务测试，平均成功率达91%；三类组合任务平均成功率达70%；最复杂的连续钻桌行走和推箱任务成功率约为50%[3] - 苹果未采用自研机器人本体，而是使用宇树机器人，结合千问的模型、动作生成器和强化学习控制器，通过苹果自身硬件实现本地推理和实时控制[4][5] - 局限性：验证任务主要集中于行走、坐下、过门、钻桌和推箱等全身运动技能，尚未验证复杂灵巧手抓取、精密装配及柔性物体操作能力；组合任务链条变长时成功率明显下降[5] （三）竞争格局变化 - 成熟机器人本体（如宇树、Apollo）正成为前沿模型研发的硬件载体[1] - 苹果直接使用宇树机器人进行验证，谷歌采用Apptronik的Apollo等机器人平台进行研究[6] - 未来模型能力越趋向通用化，本体企业竞争优势越可能体现在硬件性能、工程化能力、数据积累和应用场景上[6] - 机器人产业未来可能逐步形成模块化的软硬件体系，本体企业未必需要完全自主研发所有基础模型，可通过整合外部模型、控制算法与自身硬件持续提升智能化能力[5] （四）数据需求转向 - 基础动作数据趋向仿真生成，高精度多模态交互数据（视觉、触觉、力觉、IMU）成为复杂灵巧操作突破的关键[1] - 未来数据构成将是两部分结合：一部分通过世界模型和仿真平台大规模生成的基础运动场景数据；另一部分通过真实机器人和数据采集设备获得的高质量交互数据，用于模型校准和本体适配[9] - 复杂灵巧操作（抓取易碎物品、插接精密零件、拧紧螺丝、处理衣物线缆等柔性材料）仍需真实复杂物理交互，需实时判断接触力、摩擦力、滑动及材料形变，仅靠视觉数据和运动轨迹难以完整描述[7] - 苹果Hello论文明确指出其系统主要依靠视觉感知，缺乏直接触觉反馈，面对遮挡和复杂接触任务存在明显不足[7] - 谷歌RT-2官方测试中不同任务成功率分化非常明显，表明即便最先进具身模型，复杂灵巧操作仍有巨大提升空间[7] （五）投资策略与方向 - 核心投资逻辑主要看好两个方向：第一是人形机器人本体和垂直应用；第二是高精度多模态"素材"，具体包括触觉、视觉以及数据手套等相关技术和产品[9] - **本体方面**：重点关注宇树、优必选及相关产业链企业；杭州科林收购开普勒也值得市场关注；这些公司具备本体竞争力，同时掌握真实工业场景、客户资源及应用数据[6] - **垂直应用方面**：关注捷克股份、拓斯达等企业[6] - **视觉方面**：关注奥比中光、奥普特等公司[9] - **数据手套领域**：关注福莱新材等企业[9] - 触觉传感器方面有布局的公司也值得关注，该领域重要性未来会日益凸显[9] - 优先看好具备工业场景与客户资源的本体及垂直应用企业，以及视觉传感器、触觉传感器、数据手套等高精度多模态素材供应商[1] 三、其他重要但可能被忽略的内容 - 本轮产业变化与过去主要围绕特斯拉机器人量产、零部件价值量及供应商份额的行情存在本质区别[2] - 三项进展分属不同技术体系，成功率不可直接比较，但共同推动机器人从任务理解向自主执行发展[5] - 仿真环境的进步不完全等同于对真实机器人的可靠控制[2] - 过去人形机器人企业需同时投入硬件研发、模型训练、数据采集和场景开发，研发成本高昂，每增加一个新应用场景都可能需重新采集大量数据并训练专用模型[6] - 未来若通用模型承担更多环境理解与任务规划工作，同时世界模型提供大规模仿真训练环境，机器人企业可将更多资源集中于本体性能、动作控制和场景部署[6] - 理论上足够强大的世界模型可生成真实可控的交互环境，使大量训练和测试在虚拟世界完成，降低真实环境试错成本[3]