具身智能与VLA模型优化 核心观点 - VOTE框架通过无分词器微调和集成投票策略显著提升VLA模型的推理速度(35倍加速)和泛化能力(成功率提升20%以上)[4][9][31] - 该方法摒弃传统扩散技术和额外视觉模块，采用单一<ACT> token压缩动作块表示，使边缘设备吞吐量达42Hz[9][21][31] - 在LIBERO和SimplerEnv基准测试中超越CogACT等SOTA模型，WidowX机器人任务平均成功率54.2%[28][32] 技术背景 - 现有VLA模型依赖动作分词器或扩散技术，导致CogACT延迟增加33.8%内存开销，SpatialVLA因多模态输入使token序列延长50%[7][11][13] - 传统方法在跨形态数据训练时需162K-200K轨迹数据，而VOTE通过LoRA微调(秩r=32)降低70K步训练成本[24][25] - 7自由度动作空间设计(平移+旋转+gripper状态)兼容多样化机器人控制需求[16] 创新架构 - 引入<ACT> token替代传统分词器，将ND个动作解码简化为1次MLP前向传播，A6000 GPU吞吐量达145Hz[18][19][21] - 动态投票集成策略基于余弦相似度(阈值τ=0.5)筛选历史动作，错误预测过滤效率提升40%[22][23] - 双token变体支持16动作块解码，NVIDIA Orin平台内存占用仅0.7%[31][32] 性能验证 - LIBERO测试中块大小8的单token方案最优，跨任务成功率超OpenVLA基准线15-25%[27][32] - SimplerEnv评估显示每帧3倍延迟优化，WidowX任务执行误差降低3% vs CogACT[28] - 消融实验证实block大小与吞吐量正相关，但单token8块配置保持精度优势[32]

视觉-语言-动作(VLA)模型研究进展 - 视觉-语言-动作(VLA)模型因多模态理解与泛化能力成为机器人领域重要研究方向 但高频率和精细操作任务中仍受推理速度瓶颈制约[2] - Jacobi解码虽能提升推理效率 但因需要较多迭代次数 实际加速效果有限[3] CEED-VLA核心技术突破 - 采用一致性蒸馏训练策略 使模型单次迭代可预测多个正确动作token 结合混合标签监督机制缓解误差积累[4][9] - 提出早期退出(early-exit)解码策略 放宽Jacobi解码收敛条件 实现4.1倍推理加速与4.3倍解码频率提升[5][10] - 框架通过预训练VLA模型生成Jacobi轨迹数据集 采用KL散度构建一致性损失 混合使用教师模型与真实数据监督训练[13][15][16] 实验验证效果 - 在CALVIN ABC-D和LIBERO-Long基准测试中 保持任务成功率同时实现4倍以上推理速度与执行频率提升[18] - 真实世界实验中 机械臂操作频率提升使灵巧任务成功率超过70% 显著优于基线模型[22][24] 方法论创新点 - 首创结合一致性蒸馏与混合标签监督的训练范式 同步保障动作生成精度与速度[8][9] - 首次发现Jacobi解码存在低效迭代瓶颈 通过动态调整收敛条件实现解码效率突破[10][17] - 构建完整技术闭环：从Jacobi轨迹采集、一致性训练到早期退出解码的全流程优化[13][14]

具身智能与VLA模型发展 - 2025年全球具身智能赛道爆火，视觉语言动作模型（VLA）成为核心驱动力，从美国RT-2到中国FiS-VLA实现技术快速迭代 [4][6][7] - 谷歌DeepMind、Figure AI等硅谷领军企业加速布局VLA，谷歌发布首个离线VLA模型实现机器人精准离线操控 [8][9] - 中国智平方联合高校推出FiS-VLA模型，通过快慢双系统架构解决机器人操控效率与推理能力矛盾问题 [10][12] 技术演进关键节点 - 谷歌RT-1（2022年）开创机器人Transformer模型，首次实现"预训练+微调"范式，完成多步骤任务如"把可乐放入冰箱" [23][25][27] - 微软ChatGPT for Robotics（2023年）实现零样本任务规划，但暴露语言模型在动作控制上的局限 [31][32][34] - 谷歌RT-2（2023年7月）确立VLA范式，将动作离散化为文本token联合训练，在未见任务上成功率超50% [38][39][40][46] 中国技术创新突破 - 智平方推出RoboMamba模型，引入Mamba架构使推理速度达主流模型3倍，仅微调0.1%参数实现SE(3)位姿预测 [45][47][50][52] - HybridVLA模型融合自回归与扩散架构，在仿真任务成功率提升8%，真实环境提升11% [74][77][79] - FiS-VLA实现21.9Hz控制频率，是CogACT的2倍以上，在RLBench任务平均成功率69%领先基线方法 [105][114][115] 国际竞争格局 - 开源模型OpenVLA以7亿参数超越55亿参数的RT-2-X，29种操作任务成功率高出16.5% [54][57][58] - Figure AI发布Helix双系统模型，系统1（80M参数）与系统2（VLM主干）实现7-9Hz工作频率 [88][89][93][96] - 英伟达开源GROOT N1人形机器人基础模型，融合互联网与机器人数据实现广义推理 [97][98][101] 行业应用前景 - VLA技术推动机器人从实验室走向工业落地，已在人形机器人和智能制造领域部署应用 [123][124] - π系列模型实现开放世界泛化，在未见家庭场景零样本完成清洁任务，标志技术具备大规模推广能力 [63][69][70] - 技术演进形成"自回归到扩散到混合"与"非端到端到快慢耦合"双路径，推动机器人向通用能力进化 [122]

市场表现 - 智能网联汽车ETF(159872SZ)截至06月17日10:01上涨000% 其关联指数CS车联网(930725CSI)上涨015% [1] - 成分股表现分化：上汽集团上涨063% 万马科技大涨539% 千方科技上涨136% 移远通信上涨073% 大华股份上涨045% [1] 政策动态 - 交易商协会召开银行间市场支持汽车企业高质量发展座谈会 中国一汽 上汽集团等9家车企参与讨论融资需求及转型建议 [1] - 协会表态将强化债券市场制度创新 支持车企向智能化 绿色化转型方向升级 [1] 技术进展 - VLA模型整合视觉 语言和行动模块 使自动驾驶平均无接管里程提升至50-100公里 显著优于传统方案的1-10公里 [2] - 技术升级带来算力需求激增：理想汽车在OrinX芯片部署的VLA模型参数规模达4B级别 [2] - 海格通信基于"北斗+5G+C-V2X"构建车路一体通信网络 已参与国家级车联网试点项目 [2] 产业链关联 - 智能网联汽车ETF关联个股覆盖整车制造(上汽集团 比亚迪) 零部件(华域汽车 德赛西威) 电池(宁德时代) 及智能技术(科大讯飞 大华股份)等领域 [3]

具身智能技术突破 - 宇树科技G1机器人凭借自主决策算法与高动态运动控制，在机甲格斗中击败多国劲旅夺冠，验证了全身协调性和毫秒级反应能力 [2] - 北京人形机器人创新中心天工2.0完成半程马拉松仅需2小时40分钟，具备多地形适应能力，上肢灵巧手系统自由度更高、负重能力更强 [3] - 银河通用Galbot轮式机器人在商超复杂环境中实现"所见即所得"抓取能力，自研VLA模型在货架密集场景中品识别与抓取成功率超高 [6] - 穹彻智能机器人通过力觉-位置双重反馈完成刮胡子、挖冰淇淋等精细操作，力反馈技术已在食品加工行业规模化落地 [7] - Physical Intelligence的π-0.5模型通过100个家庭场景训练实现第101个陌生家庭任务高效泛化，证明算法架构优化比数据堆砌更重要 [8] 产业落地进展 - 银河通用在北京部署7家24小时无人药店，由人形机器人承担夜间接单配送任务，计划年底前扩展至北上广深并进军工厂料库管理 [9] - 机器人赛事被视为产业化催化剂，既能展示技术能力又能连接产业界与潜在客户，未来需要更多体现生产力和实际应用价值的"技能型"比赛 [8] - 行业共识认为机器人稳定运行2000小时无故障是产业爆发临界点，当前重点是从"炫技"转向"干活"的范式转变 [9] 技术形态争议 - 针对人形机器人是否最优解的争议，有观点认为家庭环境天然适配人形设计，长远看仍是推动具身智能落地的最理想选择之一 [9] - 宇树科技提出"形态解耦"理念，认为机器人下半身可采用轮式或四足，上半身保留类人结构以利用现有动作数据 [10] - 未来进入AGI阶段后机器人外形将极大多样化，根据不同任务出现各种更高效的设计 [10] 模型技术瓶颈 - VLA模型虽在简单任务中表现优异，但在复杂、高不确定性任务空间中仍有明显局限 [11] - 当前模型在长序列任务中的成功率达不到实际应用所需水平，即便有无限数据也难以在精细操作任务上接近100%成功率 [11]

具身智能行业发展现状 - 2025年北京智源大会上展示具身智能真实应用场景，包括宇树科技G1机器人格斗、银河通用机器人Galbot零售抓取、天工机器人水果摆盘等[1] - 具身智能领域迎来爆发式增长，成为AI与机器人技术融合核心赛道，智源大会首次将具身智能升级为全天分论坛并加入人形机器人主题[1] - 人形机器人赛事蔚然成风，包括春晚跳舞、马拉松、格斗比赛及8月运动会，企业通过表演和赛事展示技术并产生商业价值[2][3] 企业技术突破与研发进展 - 宇树科技16台H1机器人春晚表演舞蹈，5月举办业内首个人形机器人格斗比赛，G1"AI策算师"夺冠[2] - Physical Intelligence研发通用机器人基础模型π0，通过VLA模型实现陌生环境下80%-90%任务完成率，目标达到100%稳定性[4] - 银河通用采用合成数据为主+真实数据校准的训练范式，通过十亿级仿真数据实现零样本泛化，已在零售、工业场景落地[4] - 千寻智能利用互联网视频数据预训练模型，结合强化学习解决仿真与现实差距，突破数据采集成本高的瓶颈[6] 商业化应用落地案例 - 宇树科技上半年人形机器人租赁市场火爆，已产生产业价值[7] - 银河通用在北京开设7家24小时无人药店，机器人负责拣药对接骑手，计划年内在北上深扩展至100家[7] - 星动纪元提出具身智能需跨越三阶段鸿沟：创新者阶段已开始，未来将进入to B行业和to C消费级市场，终局规模达亿级[7] 技术发展路径与行业趋势 - 智源研究院探索两条发展路径：数字智能物理化（大模型延伸至物理世界）和低成本功能化（垂直场景降本+规模化）[8] - 行业共识认为小型专用机器人可能率先渗透家庭与产业场景，为具身智能长期发展奠定基础[8] - 机器人比赛被视作重要技术训练场和产业化桥梁，中国赛事规模远超海外，获得国际企业关注[3]

行业趋势演变 - 大模型热潮进入第三年，行业关键词从"大语言模型"跃升为"具身智能"与"机器人2.0"，AI正加速迈入"干实事"阶段[1] - 2023年生成式大语言模型是焦点，2024年国产大模型厂商崛起，2025年具身智能成为主论坛重要议题[3] - 技术发展呈现非线性特征，产业关注重心从底层模型向具体应用转移是必然趋势[4] 具身智能发展现状 - 具身智能成为2025年最热关键词，机器人通过格斗、舞蹈等赛事展示AI控制系统水平[7] - 人形机器人租赁市场在上半年表现火爆，显示初步商业价值[7] - 行业正从表演转向实际应用，重点攻关"通用移动抓取"等实用技能，已有机器人值守无人药店案例[8] 技术路径争议 - 人形与非人形机器人形态存在分歧：人形在数据采集和训练上具优势，但未来形态可能多样化[11][12] - VLA(视觉语言动作模型)成为研究热点，但对其能力边界存在不同观点，需融合更多感知模态[15][16] - 物理世界理解能力的增强是突破关键，仿真数据可减少真实训练样本依赖[17] 应用场景拓展 - 世界人形机器人运动会将包含竞技类和真实生活/工业场景，成为技术训练场和客户沟通桥梁[8] - 家庭和商用服务被视为具身智能最大应用场景，工业应用只是"开胃小菜"[12] - 移动、抓取和放置类任务最适合当前VLA模型技术阶段，可能带来具身智能第一次高潮[16]

财务表现 - 公司25Q1营收259亿元，同比+1%，环比-41% [2] - 归母净利润6.5亿元，同比+9%，环比-82% [2] - 单车收入约26.6万元，同比-3.6万元，环比-0.3万元 [2] - 单车净利约0.7万元，同比持平，环比-1.5万元 [2] - 25Q1净利率2.5%，同比+0.2pct [2] - 车辆毛利率19.8%，同比+0.4pct [2] 交付与展望 - 25Q1交付新车9.3万辆，同比+16%，环比-41% [2] - 预计25Q2交付量12.3-12.8万辆，同比+13.3%-17.9% [2] - 预计25Q2收入325-338亿元，同比+2.5%-6.7% [2] 费用与效率 - SG&A费用率同比减少1.9pct，主因雇员薪酬减少及运营效率提升 [2] - 研发费用率同比减少2.2pct，与新车型项目节奏调整相关 [2] 产品与技术 - 新一代辅助驾驶技术VLA模型整合空间/语言/行为智能，将首搭于纯电i8 [3] - 理想i8定位中大型SUV，计划25年7月发布 [3] - 配套充电网络建设超2500座超充站 [3] 长期预测 - 预计2025/26/27年营收1685/2234/2671亿元 [1] - 预计同期归母净利润107/144/178亿元 [1]

销量与市场份额 - 5月份在20万元以上新能源市场中市占率达到14 7% [1] - 焕新版车型销量已回升至每周1万台 预计很快恢复月销5万台水平 [1] - 2025年目标增速为20万元以上新能源市场整体增速的两倍 [5] - 四线五线城市试点成效显著 如达州和自贡市场份额超28% 延安达25% [6] - 百城繁星计划目标2026年在四线五线城市带来10万辆额外销售 [6] 产品战略 - 当前聚焦增程SUV 纯电SUV及MEGA 目标支撑3000亿年营收规模 [1] - 后续将推出MPV和轿车产品 覆盖中国 亚洲及欧洲市场需求 [1] - i8核心卖点包括创新造型设计 10分钟500公里高压充电技术 2500座超充站 [5] - 增程车型面向燃油车升级群体 纯电车型面向新能源保有群体 [3] - 纯电市场空间更大 20万元以上NEV中纯电占比213万辆 [3] 技术研发 - Halo OS实现硬件 软件 算法垂直整合 提升AI用户体验 [2] - Halo OS相比传统系统在资源效率和端到端确定性方面优势显著 [3] - VLA模型通过三维空间理解能力及精准仿真训练实现差异化 [7] - VLA计划7月随i8推出 8月覆盖所有AD Max用户 [9] 供应链与财务 - 应付账款周期维持在2-4个月 季度波动受销售成本影响 [4] - 第二季度汽车毛利率预计保持19% MEGA订单开始交付 [8] 海外扩张 - 海外拓展需满足硬件 售后服务 智能软件三条件 [8] - 初期聚焦亚洲和欧洲市场 目标长期海外销售占比30% [8] 用户洞察与创新 - MEGA Home销量超预期增长150% 因聚焦家庭用户真实需求 [10] - 未来汽车定位为硬件软件集成的AI体验 对标苹果人机交互标杆 [10]

报告行业投资评级 - 看好 [3] 报告的核心观点 - 目前人形机器人硬件成熟度高于软件，软件是走向商业化的关键，研究相对空白 [3][5] - 算法是具身智能的核心，数据是算法学习的基础，控制系统是具身智能的基座 [3][5] - 软件是机器人下一步商业化落地的投入重心，相关产业链标的值得关注 [3][4] 根据相关目录分别进行总结 算法：具身智能的核心 - 算法框架分为上层“大脑”与下层“小脑”两大层级，上层聚焦任务级规划与决策，下层负责实时运动规划与关节控制 [3] - 下层控制算法从传统向现代算法渗透，未来需解决多模态集成等瓶颈 [3] - 上层控制重点讨论VLA架构，其具备端到端和泛化等特点，在自动驾驶场景广泛应用，但面临数据稀缺等挑战 [36][40][71] 数据：算法学习的基础 - 数据来源分为真实数据、合成数据及网络数据，真实数据是主要来源，合成数据可解决数据短缺问题 [3] - 真实数据采集方式包括遥操作、动作捕捉技术等，合成数据通过仿真平台生成 [3] 控制系统：具身智能的基座 - 产业界对人形机器人“大小脑”未形成统一共识，通常人为区分，大脑负责复杂任务，小脑负责运动控制 [110] - 硬件主要由SoC芯片构成，软件部分包括底层操作系统、中间件和上层软件，芯片是核心，多数公司采用英伟达方案 [3] - 未来产业格局走势有望类比于自动驾驶，出现产业分工趋势 [5] 结论和风险 - 相关产业链标的包括控制器环节、运控技术同源、芯片、数据采集装备等企业 [3][4]