报告行业投资评级 - 报告未明确给出行业投资评级 报告的核心观点 - 机器人产业发展的四大关键要素为模型、数据、本体和场景，当前阶段模型和数据是行业最大的瓶颈[3] - 模型架构尚未收敛，但相似度较高，多为VLA、扩散模型、世界模型等的融合架构，大脑推理和小脑动作模型分层[3] - 数据是模型训练的核心燃料，关键在于数据数量、质量和scale-up，具身智能天然缺乏机器人轨迹数据[3] - 人形机器人进入具身智能驱动的新阶段，中长期建议沿三条主线布局：人形机器人核心零部件厂商、具身模型和本体厂商、机器人数据采集硬件与数据服务相关标的[3] 机器人产业发展的四大关键要素 - 模型是机器人大脑，负责推理决策，决定了机器人智能化水平的上限[5] - 数据是模型训练的燃料，没有高质量数据，模型无法进行有效训练[5] - 本体是机器人物理载体，执行能力的物理上限，所有智能指令最后依靠本体执行[5] - 场景是商业化落地的重点和机器人的需求来源，决定了机器人的任务边界，机器人必须有场景才能产生价值[5] 具身模型：负责决策的核心大脑 机器人模型迭代历程 - 阶段一：经典控制模型时代（1960–2010），基于数学建模，局限性是需要精确CAD参数，无法自主理解环境[8][11] - 阶段二：数据驱动模型萌芽（2010–2018），机器学习补充动力学，感知接入，局限性是感知服务于运动控制[9][11] - 阶段三：大语言模型诞生（2018–2022），机器人认知模型启蒙，LLM作为规划大脑，局限性是LLM只懂文本，没有空间几何感知[10][11] - 阶段四：多模态具身基础模型时代（2022年至今），视觉+语言+动作统一模型，局限性是泛化能力较差，仿真到现实迁移难度大[12][15] - 阶段五：世界模型（下一代，演进中），机器人能预测执行动作之后环境会发生什么，具备自我进化和自我学习能力[13] 当前具身模型玩家 - 科技大厂：谷歌、字节、腾讯、阿里等[16] - 具身模型&本体公司：PI、Figure、智元、星海图等[16] - 大语言模型厂商：OpenAI等[16] 主要公司模型迭代 Physical Intelligence (PI) - 2024年10月发布π0模型，首提VLM+流匹配动作专用模块架构，输出连续高频率动作[18][20] - 2025年1月推出FAST动作分词技术，训练速度提升5倍[18] - 2025年4月推出π0.5，实现开放世界泛化，陌生环境直接作业[18] - 2025年11月推出π0.6，开箱即用无需微调即可落地，并引入强化学习RECAP[18] - 2026年3月引入MEM长短时记忆，支持15分钟长任务，引入RL Tokens快速提升精细操作阶段[18] - 2026年4月发布π0.7，引入多元化数据、数据打分机制、世界模型，实现组合式泛化能力[18][27] - π0.7模型架构为VLA+流匹配，高层策略网络基于SigLIP (400M) + Gemma (4B)，世界模型基于BAGEL (14B)，Action Expert为860M[32] - π0.7性能：兼容次优异构数据，实现技能组合泛化，单模型零样本达到专精RL模型灵巧操作水平[33] Google DeepMind - 2022年发布RT-1，基于经典Transformer结构方案，从机器人相机获取图像历史记录和自然语言任务描述作为输入[34] - 2023年7月发布RT-2，首次提出VLA模型，将视觉输入、语言推理与动作输出端到端融合，把连续动作离散成token做分类自回归[38][40] - 2023年发布RT-X，通过大规模多样化数据集Open X-Embodiment训练，数据集由全球21家机构合作，涵盖22种不同机器人类型，包含超过100万个片段，展示500多项技能和150000项任务上的表现[36] - 2025年9月发布Gemini Robotics 1.5系列，通过两个模型协同工作：协调器Gemini Robotics-ER 1.5和动作模型Gemini Robotics 1.5[37][41] - Gemini Robotics 1.5实现运动迁移，能从不同形态机器人数据中学习无需额外训练，多形态数据提升性能[44] - Gemini Robotics 1.5实现思考再行动的VLA，在执行动作前生成思考轨迹和具体动作步骤，提升多步骤任务成功率[45] - 2026年7月发布Gemini Robotics 2，包括VLA模型、具身推理模型ER 2和端侧轻量化模型On-Device 2[47][48] - Gemini Robotics 2实现跨本体迁移只需几个小时，高级灵巧度能完成拧灯泡和打结等精细动作，全身控制从脚到指尖[48] 阿里 - 2026年5月发布Qwen-VLA，基于Qwen多模态骨干模型，将视觉感知、语言理解和空间推理能力扩展到连续动作生成和轨迹预测[56][57] - Qwen-VLA采用四阶段训练：T2A文本到动作预训练、CPT预训练、SFT监督微调、RL强化学习[59] - 2026年6月发布Qwen-Robot Suite，包含三个基础模型：Qwen-RobotNav、Qwen-RobotManip与Qwen-RobotWorld[52] - Qwen-RobotNav在1560万条样本上训练，一套权重统一五类导航任务[54] - Qwen-RobotManip以Qwen3.5-4B VL为骨干，结合流匹配DiT动作头[53] - Qwen-RobotWorld将20余种机器人本体纳入同一世界模型联合训练[52] 字节跳动 - 模型架构为VLM+动作，GR-3为VLA模型[61][62] - GR-RL是基于VLA策略面向长周期灵巧操作任务的机器人学习框架，采用多阶段训练流程实现系鞋带任务中长期、灵巧且高精度的操作控制[62] 智元 - 2025年3月发布Genie Operator-1 (GO-1)，架构由VLM + MoE组成[65][67] - VLM借助海量互联网图文数据获得通用场景感知和语言理解能力，MoE中的Latent Planner借助大量跨本体和人类操作视频数据获得通用动作理解能力[67] - 2024年底推出AgiBot World，包含超过100万条轨迹、涵盖217个任务、涉及五大场景的大规模高质量真机数据集[67] - 2026年发布Go-2模型[67] 银河通用 - 2026年4月发布LDA-1B模型，1.6B参数一体化机器人基础模型（世界模型）[69] - 数据来源包括高质量动作数据、次优/含噪声动作数据、无动作视频，共3万+小时异构数据[69] - 核心模型为LDA-1B（Multi-Modal Diffusion Transformer，MM-DiT），三大目标：Policy输出机器人动作、Dynamics学习物理交互和物体运动规律、Visual Forecasting预测未来画面[70] 星海图 - 2025年8月发布VLA模型G0，2026年6月发布最新模型G0.5[72] - G0.5架构创新：采用统一自回归VLA架构，单一Decoder Transformer主干，视觉、语言、任务推理、动作生成全部统一到自回归框架[75] - 三大核心能力：统一异构动作编解码器、原生动作思维链、时空注意力模块[75] 腾讯 - 发布Hy-Embodied-RxBrain（联合文本推理+视觉想象的独立世界模型）和Hy-Embodied-0.5-VLA（执行端模型）[76][81] - Hy-Embodied-RxBrain采用Modality-routed Mixture-of-Transformers (MoT)架构，单模型同时支持文本、图像、视频的理解和生成[78] - Hy-Embodied-0.5-VLA提出通用机器人学习全栈体系，包括数据采集、模型结构、预训练+监督微调、离线强化学习后训练、真机部署[82] Generalist AI - 2025年11月发布GEN-0模型，基于27万小时真实世界操控交互数据[88] - 实证机器人具身基础模型存在Scaling Law，随着真实物理交互数据规模提升，模型泛化能力持续可预测提升[88] - 2026年4月发布GEN-1模型，基于超50万小时高保真物理交互预训练数据集[88] - GEN-1实测结果：同类任务平均成功率从64%提升至99%，执行速度提高三倍，每个目标任务仅需1小时真实机器人采集数据[88] 宇树科技 - 2025年发布预测式世界模型UnifoLM-WMA-0，具有仿真引擎和策略增强两大功能[90] - 2026年1月发布VLA模型UnifoLM-VLA-0，基于开源Qwen2.5-VL-7B骨干网，使用340小时的开源真实机器人数据集进行预训练[90] - 开发基于G1的12类任务的机器人数据集，模型能够可靠地通过单一策略检查点完成全部12项任务[90] 模型架构路线 - 路线1：VLM主干→独立动作生成头，是当前最主流模型架构，代表有PI π0.7、阿里Qwen-VLA、字节GR-3、智元Go-1等，优势是工程友好、训练稳定、易微调[95] - 路线2：分层快慢脑架构，上层模型负责高层任务推理规划，下层动作模型负责动作输出，代表有Gemini Robotics 1.5，优势是兼顾大模型推理能力与底层实时控制性能[92] - 路线3：一体化自回归序列模型，把图像+文本+动作Token放入同一个自回归Transformer，代表有星海图G0.5、Google RT-2，优势是统一范式结构简单[93] - 路线4：一体化扩散/世界模型，代表有银河通用LDA-1B，优势是天然具备具身认知和环境预判，理论上限最高[94] 数据采集：模型训练的关键燃料 数据来源 - 互联网数据：提供物理常识、视觉和语言泛化能力、长序列任务的语义逻辑[99] - 真实数据采集：包括主从机械臂式遥操作、VR/AR操作、外骨骼和人体动捕[100][101][102] - Ego数据（第一人称视角数据）：优势在于低成本、规模化、脱离机器人硬件、天然包含人类注意力机制[112] - Ego4D数据集包含3670小时的日常活动视频，覆盖数百种场景[112] - 英伟达EgoScale使用20,854小时的人类第一人称视角视频进行预训练[113] - UMI数据（Universal Manipulation Interface）：核心是用手持夹爪+腕部视角相机，采集与机器人末端同构的观测和动作数据[122] - 仿真合成数据：依托物理仿真引擎在虚拟环境中自动生成结构化数据，潜在数据规模极大、边际成本低[126] 数据路线选择 - 不同公司押注不同的数据路线，普遍采用多种数据类型、开源+内部数据集融合的方式[128] - 真机遥操作数据仍是价值量最高的数据资产[128] - Ego数据凭借成本和规模化优势，已逐渐成为重要补充[128] - 以模型为投入中心的科技大厂，更侧重能够scale up的数据，例如英伟达主推仿真[128] 数据采集环节的投资机会 - 硬件：遥操作套件（Stanford ALOHA、UMI方案）、传感器（视觉传感器、力矩传感器、IMU和触觉传感器）[129][131] - 软件与算法层：物理仿真引擎、场景重建与运动学重定向[130] - 数据集提供商和服务商：机器人数据采集与评测外包服务商、垂直领域物理数据公司[131] 相关标的梳理 - 人形机器人进入具身智能驱动的新阶段，投资机会分布于本体、模型、数据三大链条[135] - 中长期建议沿三条主线布局：人形机器人核心零部件厂商、具身模型和本体厂商、机器人数据采集硬件与数据服务相关标的[135] - 重点公司包括：上纬新材（本体）、奥比中光（视觉传感器+数采）、华依科技（IMU数采）、索辰科技（仿真软件）、凌云光（光学动捕）、风语筑（数据采集）、智谱（具身模型）、优必选（本体+模型）、越疆（本体）、卧安机器人（本体+模型）、极智嘉-W（本体+数据）、群核科技（仿真合成平台）、五一视界（仿真合成平台）[136]