公司经营与业绩 - 2025年12月26日，公司第1000台工业人形机器人Walker S2下线，现场超200台组成方阵，后续将交付并投入产业一线应用[2] - 2025年全年，公司工业人形机器人产能已突破1000台，交付量超过500台，并计划在2026年将年产能提升至万台规模[2] - Walker S系列已成为全球进入最多车厂实训的工业人形机器人[2] - 公司近期创下全球人形机器人领域单笔中标金额最高纪录，为2.64亿元人民币，并已获得数个超过亿元人民币的订单[3] - Walker S2的月产能超过300台，2025年产能将超过1000台，预计交付超过500台，2026年工业人形机器人将达到万台产能[3] - 2025年中报显示，公司消费级硬件业务（如智能猫砂盆、泳池机器人）收入同比大增近50%，首次成为公司第一大收入来源[9] 商业化战略与客户选择 - 公司选择从工业制造的实训入手，聚焦搬运、分拣、质检三个工位，主动收缩初期泛化需求[2] - 这三类工位存在人员流失高、管理难度大、工作重复性强、工位相对结构化等特点，是客户迫切需要且人形机器人现阶段更适合发挥能力的领域[3][8] - 公司明确了先工业制造、后商用服务、再家庭陪伴的三步走战略规划，目前首先在工业制造场景实现规模化落地[4] - 订单主要来自于汽车制造、智能制造、智慧物流、具身智能数据中心等重点领域[3] - 公司并非全盘接受客户所有需求，而是从实训效果出发，逐步收敛至三大核心工位[7][8] - 落地应用的垂直领域，如新能源车厂、智慧物流和3C智能制造，是此前智能化程度较高、不需要人形机器人有太多融入成本的领域[8] - 公司很早就确定了“两条腿走路”的战略，一方面投入人形机器人研发，另一方面将技术成果应用到人工智能教育、智慧物流、商用服务及消费级智能硬件等领域，以支持人形机器人的长期发展[9] 技术与产品进展 - 公司得益于在人形机器人全栈技术（硬件控制、AI、SLAM、视觉伺服、ROSA2.0系统等）和具身智能大脑的持续投入[4] - 自2023年底推出Walker S以来，公司走访调研了国内20多家车厂和30多家工业制造客户，推动Walker S系列进入新能源汽车工厂实训，积累了大量的真实数据及应用经验[4] - 公司已推出第三代可自主换电的Walker S2，陆续研发了群脑网络、协作智能体Co-Agent、“类人眼”双目立体视觉感知等一系列技术[4] - 2025年11月，工业人形机器人Walker S2正式开启量产交付，首批数百台已投入产业一线应用[5] - 公司正牵头制定人形机器人技术要求国家标准，包括作业操作、定位导航、人机交互等关键技术[5] - 从2025年开始，公司进入实训2.0阶段，对群脑网络进行了迭代，并自研了Co-Agent，赋予机器人意图理解、任务规划、工具调用和自主异常处理等闭环作业能力[10] - 借助自研的群脑网络技术平台，客户可以实现应用场景的快速化部署[11] - 在智能搬运等任务上，单台人形机器人的工作效率成功率已达到99%，对比单个工人的工作效率从年初的30%提升到了45%左右，明年有望提升到60%以上[11] 成本控制与供应链 - 公司认为人形机器人的规模化量产需要客户需求、核心技术和成本控制几个因素实现统一[6] - 公司通过平台化、模块化策略构建技术“鱼池”以降低成本[11] - 在控制成本方面，公司在设计阶段结合算法确定性能参数，在关键模组上尝试不同方案，改进制造工艺和算法，并对供应链进行有效整合，推进标准化部件的使用[11][12] - 公司预测量产过万台后成本会快速下降，基于每年的制造成本，会有20%-30%的下降；预计到万台量产规模时，成本控制在每台2万美元以内[14] - 从基础的零部件来看，中国有包含关节等关键零部件的最大最成熟的供应链，全球领先的人形机器人企业中大多数零部件的合作方都在国内[13] - 公司人形机器人核心零部件层面的国产化率已经达到90%以上[13] - 在一些高端核心芯片上，美国企业仍存在一定的性能优势[13] 行业洞察与发展前景 - 根据《制造业人才发展规划指南》，至2025年，中国制造业十大重点领域人才需求缺口将接近3000万人，缺口率达48%[7] - 相比于传统的工业机器人，人形机器人的通用性使其可以更好地满足部分用工需求[7] - 行业在2025年被资本与政策点燃，但机器人走进千家万户仍需5~10年[3] - 公司认为人形机器人最先落地的场景是工业制造，市场规模潜力巨大，未来可能达到千亿甚至万亿级别[17] - 国内人形机器人新产品层出不穷，技术不断迭代，行业以一日千里的速度往前走[16] - 企业需要构建可持续商业模式，在资本热潮退去后仍能“储粮过冬”，真正以解决实际问题为导向[3][17] 数据与实训的重要性 - 公司认为真实数据是人形机器人落地应用非常重要的影响因素，仿真数据难以模拟真实工业场景的复杂性[15] - 公司采取了同时使用仿真和真实数据进行训练的策略，通过在真实工厂场景中采集数据，针对特定工种训练模型，以确保任务执行的稳定性[15] - 只有通过大量真机实训积累的数据，才能支撑技术迭代[15]