文章核心观点 - 宇树科技上市后首份财报呈现营收加速增长但利润收缩的分化态势，Q3营收同比增长69.93%而扣非净利润同比下滑17.42%，公司将此归因于算力与大模型方向的研发投入大幅增加，属于有募投资金框架支撑的阶段性战略选择 [2][9] - 摩根大通在财报前后评级剧烈反转，从9月底"减持"（目标价300元）连升两级至"增持"（目标价995元），核心触发因素是王兴兴将物理AI突破窗口从"最长可能需要10年"压缩至"未来1-2年或2-3年"，被视为行业根本性拐点 [4][12] - 行业瓶颈正从"高层推理"（大脑）转向"现实世界的执行、数据生成和部署迭代"（身体），机器人企业核心问题变为如何将数字智能转化为可靠、可规模化的物理执行 [12] 财务表现 - 前三季度营收18.17亿元，同比增长55.71%；扣非净利润3.49亿元，同比下降18.78% [2] - Q3单季营收6.65亿元，同比增长69.93%，高于上半年的48.54%；Q3扣非净利润1.05亿元，同比下滑17.42% [2] - Q3利润总额1.118亿元，同比下降27.78%；归母净利润1.127亿元，同比下降17.37% [3] - 前三季度利润总额4.129亿元，同比增长143.05%；归母净利润3.867亿元，同比增长270.54% [3] - 前三季度经营活动现金流量净额1.94亿元，同比下降54.69%，公司解释为营收增长带动采购、薪酬、销售及研发支出同步增长所致 [3][9] - 毛利率由2025年Q3的58.93%下滑至50.58% [2] 营收增长的结构与驱动 - 三季报对营收增长的官方解释为持续推进产品创新与业务拓展、丰富产品矩阵、满足客户需求带动收入增长 [6] - 产品重心迁移：2025年人形机器人贡献主营收入51.78%，四足机器人41.62%，机器人组件6.19%；公司以四足起家，增长引擎已切换至人形 [6] - 2026年前三季度营收增速55.71%高于上半年48.54%，需求端换挡后仍在加速 [6] - 人形产品跨过万台级制造门槛，价格带下探至可放量区间；四足侧Go系列到B系列、A系列覆盖消费、科研与行业场景，人形侧H系列做全尺寸旗舰、G1和R1拉低门槛，另有双臂与安防形态向操作场景延伸 [7] - G1自2024年5月发布以来累计生产下线约1万至2万台，为全球最畅销人形机器人 [7] - 2026年6月双足人形机器人R1起售价从3.99万元下调至2.99万元，降价后登顶京东平台人形机器人销量榜，Q3营收增速69.93%部分来自价格下探撬动销量 [7] - 核心部组件自研自产率超过90%，覆盖电机、减速器、控制器、灵巧手、激光雷达等关键环节，每年自产数十万个关节电机与模组 [7] - R1起售价压至2.99万元级别，对应配置单台物料成本已压缩到4万元以内，仍能维持约40%的毛利率 [8] 研发投入与利润下滑原因 - Q3单季研发投入1.27亿元，同比增长249.58%，占当季营收比重从上年同期约9.28%跃升至19.10% [9] - 前三季度研发累计2.63亿元，同比增长191.48%，占营收比例升至14.47% [9] - 研发投入方向为具身智能领域，尤其具身大模型相关模型研发与算力投入大幅增长，以及扩充研发团队、持续开展新产品研发 [9] - 公司董秘办口径：利润下滑主要系算力、大模型方向研发投入增加所致，拉长周期看影响可控，单季度仅呈现阶段性变化，研发投入依托募投资金规划，不会盲目加码 [9] - 2026年9月开源60亿参数的UnifoLM-WLA-1.0模型，训练使用约2500小时真机数据；同月发布世界动作大模型UnifoLM-X2-1.0，展示人形机器人在无遥控、无预设脚本下完成连续动作的能力 [10] - 物理AI布局对应闭环：自研与合作并行推进模型研发，探索"AI自主研发—仿真训练—真实测试—反馈迭代"的自进化体系，减少对人工调试的依赖，同时围绕算力集群支撑模型训练与持续迭代 [10] 生态布局 - 10月22日生态大会启动"宇创计划"，计划五年孵化生态企业200家以上，开放机器人平台与工程量产能力，把承接的行业需求导流给合作方 [10] - 财报披露当天与红杉中国联合成立"杉宇·创计划"，聚焦具身智能与机器人早期项目投资 [10] - 2026年8月DeepSeek以约1.41亿元参与宇树IPO战略配售，双方签署战略合作备忘录，约定在AGI、高性能通用机器人及AI模型三个领域深度合作 [10] - 研发投入嵌在一个正在形成的模型—本体—资本协同生态之中 [10] 机构观点与估值 - 摩根大通9月底首次覆盖给予"减持"、目标价300元，理由是硬件领先尚未稳定转化为可重复的商业需求，订单仍主要来自研发、开发者平台和小批量试点 [12] - 转折发生在"2026世界物理AI大会"，摩根大通认为王兴兴压缩物理AI突破窗口构成行业根本性拐点，行业销售S曲线或将整体前移，已部署机器人的数据、测试和开发者生态的战略价值需要被重新定价 [12] - 10月25日摩根大通将评级连升两级至"增持"，目标价从300元上调至995元；三季报发布后评级与目标价维持不变 [12] - 摩根大通维持宇树2026年人形机器人销量预测1.4163万台不变；2027年从2.6226万台上调至3.1701万台；2028年从4.1552万台跳升至11.1554万台，对应全球份额预测从8%上调至21% [13] - 营收预测2028年达到133.83亿元，同比增速173.8%；调整后净利润32.02亿元 [13] - 估值另一支柱为稀缺性溢价：机器人企业IPO审核对商业化质量、可持续订单收入和商业模式耐久性的关注度在提升，具身智能新增上市进程可能慢于预期，已上市标的稀缺性可能延续；宇树作为A股中少数直接的具身AI投资映射之一，其上市地位、硬件平台及装机基础构成稀缺性溢价的基础 [13][15] - 摩根大通列出宇树后续需证明的事项：试点能否转化为重复订单、灵巧操作与安全表现的可靠性、生态变现能力 [15] 市场表现 - 10月29日财报披露后首个交易日低开超6%，开盘报653.22元/股，盘中一度翻红最高触及699.99元/股，随后回落，收盘报662.39元/股，较前一日下跌4.82% [4] - 此前一个交易日（10月28日）以695.90元/股、上涨8.74%收盘 [4]

投资评级 - 报告维持信捷电气“买入”评级 [8] - 报告预计公司2026-2028年归母净利润分别为3.1/3.7/4.4亿元，同比+22%/+21%/+17%，对应现价PE分别为24/20/17倍 [8] - 盈利预测表显示2026E/2027E/2028E营业总收入分别为2,473/2,911/3,432百万元，同比+22.82%/+17.73%/+17.87%；归母净利润309.14/373.19/436.48百万元，同比+21.63%/+20.72%/+16.96%；EPS分别为1.97/2.38/2.78元/股 [1] 核心观点 - 2026年三季报业绩符合市场预期，26Q1-3实现营收17.43亿元，同比+26.2%；归母净利润2.15亿元，同比+19.1%；扣非归母净利润1.70亿元，同比+1.8% [8] - 26Q1-3毛利率35.2%，同比-2.0pct；归母净利率12.3%，同比-0.7pct [8] - 26Q3单季营收6.42亿元，同环比+27.1%/+0.7%；归母净利润0.60亿元，同环比+12.2%/-40.9%；扣非归母净利润0.38亿元，同环比-23.4%/-56.3%；毛利率33.4%，同环比-2.0/-1.8pct；归母净利率9.3%，同环比-1.2/-6.5pct，主要系原材料成本上升 [8] - 工控主业快速增长，机器人核心零部件批量供货及产能建设持续，工业AI应用打开中长期成长空间 [8] 分业务经营情况 - 26Q1-3公司PLC/驱动系统/HMI/智能装置分别实现收入5.66/9.08/1.61/1.02亿元，同比+15.1%/+31.7%/+9.9%/+108.6% [8] - 根据MIR数据，公司26Q3小型PLC/交流伺服市占率分别为9.80%/4.91%，同比+0.15/+0.86pct [8] - 大型PLC逐步切入流程工业、能源及市政等项目型市场，有望拓宽客户覆盖并打开中长期成长空间 [8] - 26年以来AI、半导体及消费电子等下游资本开支修复，叠加制造业设备更新与产线自动化升级，带动OEM市场需求回暖；供应链自主可控推动国产工控品牌份额持续提升 [8] 机器人零部件与产能建设 - 公司无框电机已与多家客户达成合作并实现规模化批量供货，多条自动化产线投入使用 [8] - 同步布局空心杯电机、高性能编码器及配套驱动系统，电感式编码器实现全栈自主可控 [8] - 公司拟投资不低于20亿元建设具身智能及高端制造核心部件项目，其中一期投资8亿元，已于26年1月开工，预计27年10月交付使用 [8] - 工业AI方面，公司持续推进AI智能编程、故障预警运维及多模态温控等应用 [8] 费用与财务表现 - 前三季度期间费用率24.5%，同比-0.1pct；销售/管理/研发/财务费用率分别为9.8%/4.7%/9.9%/0.1%，同比-0.7/-0.1/+0.3/+0.4pct [8] - 前三季度经营活动现金净流入0.64亿元，同比增加0.70亿元，其中Q3净流入0.14亿元 [8] - Q3末应收账款/存货/合同负债分别为4.83/11.49/0.71亿元，同比+69.8%/+70.5%/+73.2% [8] - 财务预测表显示2026E/2027E/2028E毛利率分别为39.01%/38.23%/37.62%，归母净利率分别为12.50%/12.82%/12.72% [9] - 财务预测表显示2026E/2027E/2028E ROE-摊薄分别为11.21%/13.00%/14.54%，资产负债率分别为37.38%/38.79%/39.71% [9]

文章核心观点 - 招商证券全资子公司招商致远资本拟作为普通合伙人及基金管理人，认缴出资10亿元，参与发起设立总规模50亿元的招商局（深圳）人工智能产业私募股权投资基金（有限合伙）[1] - 该基金由招商致远资本与关联方招商公路、招商先进及第三方光明科开投共同设立，构成关联交易，已获董事会审议通过，无需提交股东会审议[1] - 基金重点投向算力及电力产业链、具身智能产业链等领域，尚需完成工商登记及私募基金备案，存在不确定性[1] 基金出资结构与规模 - 基金总规模为50亿元[1] - 招商致远资本认缴出资10亿元，担任普通合伙人及基金管理人[1] - 招商公路认缴12.5亿元，占比25%[1] - 招商先进认缴2.5亿元，占比5%[1] - 光明科开投认缴25亿元，占比50%[1] 基金投资方向 - 基金重点投向算力及电力产业链领域[1] - 基金重点投向具身智能产业链领域[1] 交易性质与审批程序 - 本次交易构成关联交易[1] - 交易已经公司董事会审议通过[1] - 无需提交股东会审议[1] 基金设立进展 - 基金尚需完成工商登记[1] - 基金尚需完成私募基金备案[1] - 设立存在不确定性[1]

[Table_IndustryAndDate] 证券研究报告 | 季报点评 | 汽车 | 2026/10/29 爱柯迪（600933.SH） 业绩短期承压，具身智能新业务弹性可期 [Table_Summary] 公司 26Q3 营收增长符合预期，业绩受多重因素影响短期承压。公司发布 26 年三季报，公司 26 年 前三季度实现营业收入 68.17 亿元，同比增长 28.38%，实现归母净利润 7.06 亿元，同比下降 21.20%。其中 Q3 实现营收 25.25 亿元，同比增长 35.73%；归母净利润 2.28 亿元，同比下降 29.21%，环比下降 11.72%。公司 26Q3 营收增长符合预期，业绩短期承压主要系原材料价格变动、 产品结构变化、汇率影响汇兑损失增加、人工成本及费用增加、国内外新业务开拓运营成本费用增加 影响所致。 公司内部费用管控能力持续提升。根据财报，公司 26Q3 毛利率为 24.13%，同比-8.47pct、环比 -2.40pct，毛利率承压主要系原材料成本上涨和产品结构变化等。净利率为 10.33%，同比-7.89pct、 环比-2.03pct。26Q3 期间费用率为 11.3 ...

行业投资评级 - 报告维持计算机行业"中性"评级 [28] - 报告维持三六零（601360）、虹软科技（688088）、智微智能（001339）"增持"评级 [28] 核心观点 - AI算力方面，国内云厂商资本开支回暖，国产算力占投资比重有望逐渐提升，算力租赁及IDC厂商有望充分受益于智算中心新建与扩容带来的业务增量 [27] - AI大模型方面，国产大模型持续迭代，相关模型在开发者聚合平台OpenRouter的Token调用量长期位居平台前列，GLM-5.3、Kimi K3等国产模型已逐步完成对Cursor、Codex等开发者及企业级工具的接入，海外调用用户基础持续积累 [27] - 海外AI模型厂商Anthropic正式启动IPO申报，核心经营指标高增且调整后盈利兑现，客户生态快速扩容，叠加充足资金与锁定算力资源支撑中长期产品迭代，头部大模型商业化路径持续得到验证 [27] - AI应用方面，宇树、英伟达近日聚焦物理AI赛道，当前大模型已拥有较强物理世界操控能力，正由任务规划层迈向动作执行层，其赋能机器人构建的快速自进化反馈闭环，有望加快物理AI落地与商业化进程 [27] - Meta推出消费级AI智能体Muse，个人智能体已成为头部AI厂商战略布局的核心赛道，伴随新一代基座模型能力迭代，个人Agent逐步具备实体任务执行能力，商业化落地进程有望提速，或将成为驱动Token需求扩容的全新增长极 [27] 行业要闻 - Anthropic向美国SEC递交S-1招股注册文件，正式启动A类普通股首次公开发行申报，拟于纳斯达克挂牌，股票代码拟定为"ANT"，本次发行规模、发行价格区间及正式上市时点尚未对外披露 [14] - 据《华尔街日报》报道，Anthropic预计于11月16日所在周完成IPO定价发行，本次上市对应的目标估值有望达到2万亿美元，若顺利落地将成为全球有史以来募资体量最大的IPO项目 [14] - Anthropic 2026年上半年营收162.86亿美元，约为上年同期11.63亿美元的14倍；按GAAP计算净亏损807.48亿美元，其中723.88亿美元来自可转换票据等金融工具公允价值变动形成的账面损失 [15] - Anthropic 2026年上半年GAAP营业亏损6.93亿美元；按非GAAP口径剔除股权薪酬、非现金慈善捐赠等项目后，调整后营业利润达16.18亿美元，利润率约10% [15] - 截至2026年6月末，Anthropic年收入贡献超10万美元的付费客户数量突破6000家，仅一年多时间便由400家实现十余倍扩容 [15] - 截至当年6月末，Anthropic持有现金及现金等价物1124亿美元，叠加193亿美元短期投资，整体资金储备充裕；已签署多笔长期算力租赁框架协议，已锁定的未来最低应付金额约4170亿美元，另有部分条款尚未最终敲定的合作协议预计还将新增1250亿-1500亿美元资本开支 [16] - 10月22日，2026世界物理AI大会暨宇树科技合作伙伴生态大会举办，宇树科技创始人王兴兴提出伴随GPT-6正式落地，物理AI技术壁垒已显现突破迹象，行业很可能在未来1-2年或2-3年迎来产业拐点 [16] - 王兴兴给出具身智能产业拐点量化标准：机器人进入完全陌生环境后，仅依靠语音、文字指令即可自主完成约八成日常任务，即标志着行业迈入ChatGPT时刻；商业服务场景的产业化落地节奏将显著快于家庭消费与工业制造领域 [16] - 10月21日，英伟达CEO黄仁勋在GTC柏林大会发表主旨演讲，集中披露公司在AI基础设施、智能体、开源大模型、工业机器人与自动驾驶赛道的最新产业布局 [17] - 英伟达推出基于Isaac GR00T框架打造的Agile ONE SN人形机器人参考平台，整机配置31个自由度，产品预计在2027年正式推出，核心目标是降低人形机器人的整体研发门槛 [17] - Agility Robotics、Figure、库卡、NEURA Robotics等多家厂商均已接入英伟达技术体系开展研发，英伟达计划将加速计算技术应用边界由传统数据中心延伸至工厂、医疗机构、汽车制造与机器人等实体场景 [17] - 10月27日，英伟达宣布与Meta扩大Muse智能助手方向合作，Meta将扩大英伟达Vera Rubin平台和Vera CPU部署规模，采用英伟达Spectrum-X以太网网络技术和BlueField-4提升AI数据平台规模 [18] - 英伟达拟参与Meta股权发行，完成30亿美元战略投资；双方还在考虑采用英伟达OpenShell参考架构增强智能体安全性、利用英伟达Sentry监控智能体行为等技术合作 [18] 行业数据 - 本周算力租赁价格平稳，显卡配置为V100-32GB*8搭配96核CPU、384GB内存、4*3.2TB硬盘的GPU计算集群在腾讯云价格为66.63元/小时，价格环比上周持平 [18][19] - 显卡配置为A100-40GB*8搭配192核CPU、1024GB内存、4*3.2TB硬盘的GPU计算集群在腾讯云价格为161.50元/小时，价格环比上周持平 [18][19] 公司公告 - 浪潮信息2026年前三季度实现营业收入1293.29亿元，同比增长7.18%；实现归母净利润39.32亿元，同比增长165.32%；实现扣非归母净利润34.41亿元，同比增长157.90% [19] - 浪潮信息第三季度实现营业收入449.50亿元，同比增长11.05%；实现归母净利润9.80亿元，同比增长43.46%；实现扣非归母净利润10.22亿元，同比增长54.28% [19] - 行云科技全资子公司悦云树与V客户此前签署两份《服务器租赁协议》《补充协议》，租赁期限合计5年，总金额约65.23亿元；近期再次签署两份补充协议，对应协议总金额上涨至88.48亿元，上调约35.64%，同时调整了分批起租规则 [20] 行情回顾 - 10月22日至10月28日，沪深300下跌0.68%，申万计算机行业下跌1.68% [21] - 申万计算机三级子行业大部分下跌，涨跌幅排序为：安防设备2.54%＞横向通用软件-0.47%＞其他计算机设备-2.00%＞IT服务Ⅲ-2.45%＞垂直应用软件-2.54% [21] - 2026年10月28日，申万计算机行业市盈率（TTM、整体法、不剔除负值）为104.09倍，相对沪深300的估值溢价率为753.12% [22] - 本周个股涨幅前五位分别是：多伦科技、维宏股份、海天瑞声、绿盟科技、网宿科技；跌幅前五位分别是：吉大正元、*ST航图、行云科技、盛视科技、魅视科技 [24]

文章核心观点 - 具身智能赛道在2026年9月出现急剧降温，一级市场融资额单月环比下滑四成，头部机构收紧投资、FA提高接项目门槛，行业从狂热投机转入震荡出清期 [9][10][8] - 本轮降温是一级市场、二级市场、学术圈多因素共振的结果，而非单一事件引发，行业周期底部预计要到2027年下半年甚至2028年上半年才可能到来 [25][14] - 过去流行的“攒局式创业”推高估值模式因上市路径受阻而链条松动，投资逻辑从“判断上市可行性”回归到商业化落地与真实订单 [17][20][26][37] 市场降温与融资环境 - 三家对具身充满热情的头部机构收紧口袋，其中一家明确“收紧对具身智能的投资”“对具身项目谨慎做判断”，另一家最近一个半月几乎没有具身项目上会 [8] - 深圳一位具身智能创业者9月前正常推进融资，9月后再找FA被告知“不接具身项目”，半个月内成为不被欢迎的人 [8] - 头部FA近期收到的具身项目“应该少了一半”，以往一个月能卖出去的项目现在都卡住，预计三到六个月搞不定，FA不得不提高接项目门槛 [8] - 具身项目从FA心中“优先级最高的项目”变成“滞销货”，创业者还会被质疑错过了几个月前市场最热的Timing、市场Sense不够 [8] - 根据行业服务平台NE时代统计，9月具身智能领域的融资额相比8月掉了四成 [10] - 多名行业人士指出转折点出现在今年九月，此前无人能准确指出哪一张多米诺骨牌先倒下 [9] 标志性事件与市场情绪 - 作为行业风向标的宇树上市，市值一度下跌一半；具身上市公司CEO在朋友圈公开点明一些公司收入造假；关于“多家具身公司IPO暂停”的传言私下流传 [12] - 宇树科技8月上市，股价从上市首日1100元高点一路下跌，最大回撤超过六成，近日股价回升至720元；9月上市的梅卡曼跌破发行价；极智嘉曾出现破发，越疆科技股价较历史高点大幅回落 [26] - 数月前有具身智能创始人骄傲展示估值涨幅线：今年2月公司估值仅2个亿，到7月估值顶到30亿以上，短短5个月涨15倍 [12] - 有公司为谁第一个估值破200亿大打公关战，还有头部公司为抢上市名额互放冷枪 [12] - 过去三年具身智能赛道制造了上百家初创公司，推出多家估值百亿的明星企业，如今大多数处于飘摇不安的悬停状态 [13] - 一位投资人判断当前正处于具身智能这一波周期的末期，行业需经历震荡期才可能进入相对稳定阶段 [14] 攒局式创业与估值推高机制 - 行业流行“攒局式创业”模式：有资源的“攒局者”瞄准技术天才科学家、有丰富行业经验的大厂高管等画像人物，鼓动其下海当创始人，攒局者一般为手握地方资源与资本网络的投资机构 [17] - 攒局者拿出一整套计划，目的只有一个：推高估值、击鼓传花，通过包装大厂背景、技术天才、成功创业经验等标签推动项目进入一级市场视野 [18][19] - 投资决策点只有两天，攒局者以“截止到明天晚上x点必须给决定”“你不投下个人等着投”“xx机构想投”等极限谈判制造FOMO情绪，缺乏经验的投资人容易丧失理性 [19] - 攒局者在前几轮引入头部美元基金并推动其在后续融资中持续追加投资，头部机构不断加注成为吸引其他投资者入局的重要筹码 [19] - 攒局者还为公司提供怎么拿订单、怎么“造”收入等实用攻略 [19] - 典型估值路径：第一轮估值约1亿美金起步，第二轮一般翻倍至15亿元，第三轮25-40亿元，特别有卖点的项目第三轮估值一下子跳到50亿或更多 [19] - 该机制持续运转的重要前提是公司能成功上市，当上市路径掐断、新增资金不再积极入场，估值链条从底层开始松动 [20] 旧投资逻辑倒塌 - 一些敏锐投资人早在上半年就刻意控制投资节奏，意识到投资疯狂、动作变形，投资到达顶峰势必下降，但无法预判泡沫何时因何事破裂 [22] - 经过三四年密集投资，头部机构基本完成具身智能布局：2024年热钱袭向硬件本体，2025年转向机器人大脑、核心零部件（灵巧手、传感器、触觉、仿生脸等），今年流向具身数据、世界模型，几乎每个领域都缔造了一批百亿估值公司 [26] - 一个根本没有商业化的产业不可能容纳如此多独角兽，投资逻辑简单到“只需要判断你上市的可行性，能赚钱就可以投” [26] - 二级市场估值越高，一级市场越有理由为未上市创业公司支付更高价格，“宇树们”涨得越高对未上市公司融资越好 [26] - 如今二级市场无法提供期待回报，更让投资人无法接受的是手里的公司或许拿不到上市通行证，且无法给出政策走向判断 [26][27] 技术冲击与大模型威胁 - 过去两年具身智能领域涌现一批以VLA、世界模型等技术为核心的创业公司，试图为机器人打造通用大脑 [30] - 今年9月OpenAI发布GPT-6 Astra，虽非专门面向机器人训练，却引起具身智能行业震荡；宇树王兴兴实测该模型可在零训练情况下仅通过提示词让机器人完成绘画，还会自主完成更换颜料、清洗画笔等配套工作，判断“未来大模型可能击穿物理AI” [30] - 国内DeepSeek在内的基础模型厂商近期密集接触具身智能企业探索进入机会，字节跳动也在为具身模型招聘工程师和负责人 [30] - 大模型厂商才是足以吞噬具身大脑创业公司的巨兽，投资人质疑：若具身创业公司花费近百亿元训练出的模型能力未来可由通用基础模型实现，其技术壁垒还值不值上百亿估值 [30] 企业应对与行业调整 - 话语权逆转：以前是项目方觉得“我值这个价”，现在是投资机构认为“你不值这个钱” [31] - 一家具身大脑公司创始人改变融资策略，从此前集齐几家知名机构、头部机构领投的大额融资，转向“小步快跑”，只要有机构愿意进入就启动新一轮融资，核心是“抢时间，存过冬粮” [32][33] - 某估值超过200亿元的头部具身智能公司近期推进组织架构调整，将此前分拆出去的子公司重新整合并精简研发架构；部分估值超百亿元的具身智能公司出现裁员、撤回offer等情况 [34] - 投资人对具身项目提出明确要求：清晰的商业化落地场景、真实的市场需求、创始团队最好具备产业资源且能推动产品落地的成员 [35] - 很难出手纯粹的实验室叙事，只能给到比较低的估值价格 [36] - 部分资金反而开始流向过去不被看好的项目，这些公司未必有最亮眼技术背景、不一定致力于通用机器人、故事不够性感，但在特定行业和场景中找到明确客户需求、拿到真实订单，包括上游零部件、关节或设备厂商 [37] - 行业开始回归正常投资判断逻辑 [37] - 一位具身智能公司创始人感慨，当前行业最大矛盾之一是人们抱有过高期待：“汽车用了200年才变成现在这个样子，而大家希望机器人用5年就变成汽车那样，资本总是过早地相信未来，又在遭遇挫折时过早失去耐心” [39][40]

整体经营与财务表现 - 2026年三季度营收与利润同比下降，利润端承压主要受汇兑损失约6,000多万元及组织人员结构优化离职补偿费用近3,000万元影响[1][2] - 前三季度资产质量与核心财务指标保持健康稳健：固定资产规模仅14亿元，资产结构较轻、运营灵活性较高；应收账款规模呈下降趋势；货币资金相对充裕，余额同比减少主要因年度现金分红近2亿元[2] - 公司处于业务调整及改革阶段，短期业绩波动在预期范围内，传统业务在严格内控标准下持续改善盈利水平与经营性现金流[1][2] 降本增效与内部调整 - 持续推进组织架构精简与扁平化管理，坚持"有增有减、以减为主"原则，重点对文旅夜游等传统业务板块进行团队精简与资源整合[2] - 优化生产制造产能布局，将部分过剩产能向低成本地区转移，降低综合制造与运营成本[2] - 推进管理数字化与智能化转型，升级CRM等业务管理系统并引入"数字员工"，以AI赋能管理效率提升[2] 双主业转型战略 - 在稳固智能显示业务基本盘基础上，加快推动人工智能技术场景落地与产业化应用，向双主业转型[3] - 重点发力以OptiTrack动捕技术为基础的AI应用及数据产业，该业务占总营收比重约5.5%，但利润率接近30%[3] - 自布局以来AI与空间计算板块累计营业收入突破32亿元，累计净利润突破9亿元，业务重心从影视文化娱乐、舞台演艺拓展至具身智能等领域[3][5] - 持续加大Micro LED研发投入与产业化应用，2020年量产至2026年上半年累计新签订单合计近50亿元，当前核心瓶颈在于成本，正推进技术攻关与工艺优化以降本[3][4] AI与空间计算业务核心能力 - 核心技术为全球领先的光学动作捕捉技术OptiTrack，源自2017年收购的北美公司Natural Point，具备亚毫米级定位精度、全球头部客户资源、具身智能重要基础设施三大核心特点[5] - 该板块净利率稳定在30%左右，盈利能力较并购前进一步提升，公司借此掌握全球稀缺的高精度动作数据入口[5] - 采取"双主体"运营模式：海外以NP公司为主体独立运营，国内设立子公司虚拟动点负责拓展落地[5] - OptiTrack已赋能影视拍摄、游戏制作、VR/仿真训练、工业精密测量、无人机集群、医疗康复、体育教学等领域，并提供具身智能动作训练一站式产品、技术与解决方案；此外推出Lydia动作大模型及"光学＋无标记""光学＋惯性"融合等技术能力[6] 具身智能业务布局与客户进展 - 除全身数据采集外，已开展手部（灵巧手）精细动作采集业务，今年以来落地手指真值评测、机械臂真值评测等项目，并与行业大厂开展联合研发测试[7][8] - 光学动捕核心优势在于高精度与低延时，契合具身智能模型向高阶演进对高质量数据的刚性需求，并获得产业链上下游广泛认可，部分Ego头戴式数采设备厂商已转化为公司客户[9] - 硬件性能优势体现为超高分辨率（像素高达2,600万，分辨率5120×5120）与超高帧率（最高可达1,000Hz），叠加Motive软件平台与30年算法沉淀形成软硬件协同优势[10][11] - 该板块整体毛利率超过60%，以软硬一体化系统销售为主，同时推进动作训练、数据采集等服务类业务，目前占比较小[11] - 数据产权主要归属客户，未来考虑通过数据共享或联合开发深化合作[12] - 已与国内外多家知名机器人厂家合作，涵盖硬件销售、动作训练及动捕训练中心建设，如优必选、乐聚（深圳）、银河通用、松延动力等机器人训练中心[13] - 以北京石景山人形机器人数据训练中心（二期）为例，年化数据采集量约600万条，实际产出取决于采集工位、机器人本体及动捕设备部署规模[14] 海外市场挑战与应对策略 - 2026年上半年海外营收下滑，主要受中东地区局势及美伊战争影响境外显示市场需求弱于去年同期，叠加境外本土厂商竞争加剧、COB产品价格持续下降，单个项目订单金额降低[14] - 应对措施包括：严控项目质量、以毛利率为导向主动缩减低毛利项目；深化内部管理、对盈利不达标子公司实施"关停并转撤"；优化业务及产业布局，全力支持Micro LED、OptiTrack动捕技术等新兴业务研发与应用拓展[15]

文章核心观点 - 天津大学与合肥工业大学研究团队提出FAME（Flow-driven Anchor-based Multimodal Exploration）方法，针对学习型主动三维建图方法只预测单一长期探索目标的局限，利用Conditional Flow Matching同时生成多个可能的探索目标，再结合路径规划、探索模式聚类和分层选择，帮助机器人在未知环境中找到更合适的探索路线 [4] - 该研究已被NeurIPS 2026接收并入选Spotlight（亮点论文），本届会议共录用7,900篇论文，其中292篇入选Spotlight，约占录用论文的3.7% [4] - 论文标题为All Roads Lead to Rome: Flow-driven Multi-Anchor Exploration for Open-Environment Active 3D Mapping [9] - 研究核心思路是让机器人基于有限观测对未来的多种可能性进行建模和想象，并以此指导当前决策，与世界模型所强调的"理解环境、想象未来、指导行动"相契合 [35] 研究背景与问题动机 - 主动三维建图不仅要求机器人根据观测恢复环境的三维结构，还需要主动决定下一步去哪里采集信息，争取用更少的运动和观测代价重建尽可能完整的场景 [7] - 机器人能够观察到的始终只是环境的一部分，即使两个场景的局部结构看起来相似，尚未探索的区域也可能完全不同；如果模型只根据过去学到的经验预测一个长期目标，遇到陌生环境时就容易选错方向，遗漏其他有价值的区域 [7] - 研究团队指出，在部分可观测条件下，长期探索目标往往具有多模态特征，即对于同一个当前状态，可能同时存在多个合理的未来探索方向 [8] - 从理论上看，当多个合理的探索目标分布在不同方向时，采用平方误差训练的单目标预测模型容易给出这些目标的平均位置，但这个位置未必是合适的探索目标，甚至可能落在障碍物区域 [10] - 因此研究团队认为，与其让模型只预测一个目标，不如让它同时考虑多个可能的探索方向 [10] 方法设计：Flow Matching多目标生成 - 研究团队引入Conditional Flow Matching（CFM），模型根据机器人当前已经构建的地图，从随机噪声出发，逐步生成多个不同位置和朝向的探索目标（Anchor），每个Anchor代表一个可能的长期探索方向 [13] - 例如有的锚点可能引导机器人进入左侧房间，有的可能对应继续深入走廊，还有的可能指向尚未覆盖的局部区域 [14] - 与直接生成完整的探索路线不同，FAME只需要预测目标的位置和方向，模型负责提出几个可能去的地方，路径规划器再根据障碍物地图计算每个目标应该怎么走，这样既能保留多个探索方向，也不用让模型直接生成整条路线 [14] 方法设计：路径规划、聚类与分层选择 - FAME使用基于A*的路径规划器，根据当前的障碍物地图为每个Anchor生成一条候选路径 [19] - 系统根据路径终点、几何形状、前段执行行为以及绕障拓扑等信息，对相似路径进行聚类，使多个Anchor最终对应相近路线时可以被组织到同一个探索模式中，减少重复候选对后续决策的干扰 [20][21] - 分层选择方面，FAME并不直接对所有路径进行一次性排序，而是先在探索模式层面作出选择，再在选中的模式内部筛选具体路线 [22] - 第一层重点考虑潜在探索收益、风险、不确定性、代价和多样性；第二层进一步比较具体路径的收益、执行风险、成本以及与既有规划的连续性 [23] - 这种先选探索策略、再选执行路线的设计，使机器人不必在大量相似候选之间反复切换 [23] 定量实验结果 - 研究团队在AiMDoom与Matterport3D（MP3D）两个基准上进行系统实验，重点考察跨场景分布的泛化能力 [27] - 在AiMDoom数据集上，FAME在Simple、Normal、Hard和Insane四个难度级别中，最终覆盖率和AUC均优于其他对比方法；在最困难的Insane设置下，最终覆盖率从NBP的47.2%提升至53.4%，提高了6.2个百分点 [27] - 在基于真实室内扫描数据构建的Matterport3D基准上，FAME的重建完成率达到82.67%，重建误差为5.67cm，优于NBP的79.38%与6.78cm，同样优于Random（45.67%）、FBE（71.18%）、UPEN（69.06%）、OccAnt（71.72%）、ANM（73.15%）等对比方法 [28][30] - 跨数据集泛化方面，研究团队将模型在AiMDoom上训练后直接迁移到MP3D测试且不进行任何微调，FAME的重建完成率仍达到68.45%，重建误差9.11cm，相比NBP的61.81%提高了6.64个百分点 [28][30] 定性展示与效果对比 - 在相同场景、相同起点下的探索过程对比中，NBP更容易沿着一个方向持续探索而忽略其他尚未探索的区域，即使旁边还有房间或通道，机器人也可能继续沿着当前路线前进，导致部分区域没有得到充分重建 [31] - 相比之下，FAME不会只考虑一个探索目标，而是同时生成多个可能的探索方向再从中选择更合适的路线，使机器人有机会探索到更多原本容易被忽略的区域，让最终重建的地图更加完整 [31] 未来展望 - FAME的研究不仅是让机器人找到更合适的探索路线，更重要的是让机器人能够基于有限的观测对未来的多种可能性进行建模和想象，并以此指导当前的决策 [35] - 未来研究团队将沿着这一方向继续深入探索，从对未来探索方向的预测逐步拓展到对未知场景和行动结果的想象与推理，让机器人不仅能够感知眼前的世界，还能对尚未看到的世界作出合理预测，进一步提升其自主探索与决策能力 [35]

文章核心观点 - 2026年具身智能的版本更新重点落在成长系统上，世界模型持续进化让机器人能在虚拟环境中预演动作，RSI（递归自我改进）研究日渐活跃，尝试将交互中的成败转化为学习经验 [1][2] - 智元发布GO-3 Preview具身模型，实现预训练、后训练、部署后全链路规模化学习，拿下RoboDojo、RoboTwin、RoboColiseum三项权威评测第一 [2][3] - 智元正将具身模型的学习延伸至机器人更完整的生命周期，机器人不再只是训练完成后才进入工作，而是能够在工作中继续积累经验、改进能力 [3][4] - 行业首次跳出仿真环境、走出实验室，在真实业务场景中验证Physical RSI（具身递归自进化），让真实作业中的成功、失败和异常恢复经验成为下一轮能力更新的素材 [51] 预训练阶段：刷视频学技能 - GO-3 Preview的预训练数据中约九成来自人类第一视角数据，覆盖比机器人示范更广泛的场景和技能 [7] - 采用具身原生架构WRAM（World Reasoning Action Model），将任务理解、未来状态预测与动作生成串联起来，让机器人既能预测物理状态如何变化，也能学习实现这些变化所需的动作 [7] - WRAM将乐高拼装等复杂过程交给多个相互协作的模块：CoAE面向控制的视觉表征模块负责从相机画面提取物体位置、形态及相互关系等操作信息，兼顾视觉信息丰富度与实时推理效率 [8][11] - SVP（单步视觉规划器）根据当前观测和任务条件，通过一次前向计算预测多个未来时刻的视觉状态，再由逆动力学模型结合机器人自身状态将预测转化为可执行动作 [12] - 人类视频帮助模型学习物理状态如何变化，机器人轨迹提供从状态变化到动作控制的训练信息 [13] - KASO（知识对齐选择性优化）通过生成多个候选未来，评估预测结果与真实动作的相容程度，选择更合适的结果参与联合训练，让未来状态预测与动作学习保持协调 [14] - 扩大训练数据规模能够改善模型对新场景、新物体的操作表现，并在不同机器人本体上呈现性能收益 [16] - GO-3将预训练后的任务能力分为Zero-shot和Few-shot两种设置，前者检验模型无需目标任务专属真机监督微调的迁移能力，后者通过少量示范进一步提升复杂操作的精度与协调性 [16] - GO-3 Preview已具备数百种任务的开箱即用能力，在乐高拼装演示中经过少量示范微调能够完成零件抓取、对位、插入等精细动作，并在Agent编排下连续完成拼装 [17] - GO-3 Preview展示跨本体操作能力，在双足人形机器人X2上能够完成双手持物开门、跪地取物等动作 [18] 后训练阶段：虚实交互练出物理世界手感 - GO-3 Preview通过在真实环境和世界模型中持续练习，仅用几个小时便在桌面冰壶任务中取得高于普通人类玩家的胜率 [22] - 具身智能后训练的重要方向是让机器人通过交互、反馈和策略更新持续提升复杂动作的执行能力，但机器人练习需要消耗真实资源，涉及设备运行、环境复位和数据采集，反复试验还伴随设备损耗与安全成本 [24] - GO-3 Preview构建Genie Evolver，一套结合真机、物理仿真和世界模型的分布式混合环境后训练系统 [25] - 第一类环境是真实机器人，提供可靠的物理反馈，Genie Evolver依托百台级真机集群，通过CEL（群体经验学习）汇聚执行经验，系统通过检索成功动作片段、分析失败上下文并更新共享策略，让个体经验服务于群体学习 [27][28] - 在同等训练时间下，随着参与学习的真机规模扩大，手机包装任务成功率由50.8%提升至98.3%；在多阶段手机包装长流程测试中，120次测试的失败次数由25次降至2次，减少92% [30] - 第二类环境是物理仿真，提供大量可重复的练习机会，系统可调整物体位置、摩擦系数和碰撞条件等参数，让机器人尝试不同策略 [31] - 第三类环境是世界模型，进一步拓展候选动作的探索空间，如果一次投掷偏离目标，世界模型可以回到此前的关键决策点，预测不同力度和角度可能带来的结果，一次真实经历就能成为探索多种候选动作的起点 [33] - 系统利用世界模型生成的反馈优化策略，再回到真实环境验证，从而提高真实交互数据的利用效率，由于世界模型仍可能误判摩擦、碰撞等物理过程，真机验证不可或缺 [35] - 抽积木实验考验长程任务中的状态跟踪与持续适应能力，每次操作都会改变剩余积木的位置、姿态和受力关系，机器人必须持续观察、调整后续动作 [36] - Genie Evolver的目标是扩大机器人能够利用的有效交互规模：真机提供物理反馈，仿真拓展训练范围，世界模型探索候选未来，三者共同推动策略持续改进 [38] 部署后阶段：便利店边干边刷经验 - 便利店是GO-3 Preview部署后Scaling的典型场景，机器人需要根据补货任务识别商品、规划操作顺序，完成抓取、移动和摆放，但货架空间、商品位置和包装材质各不相同，还可能发生滑落、摆放空间变化等异常 [42] - 智元构建具身Agent框架Genie Master，将任务规划、执行检查、异常恢复和经验记忆组织在一起 [43] - Genie Master引入具身执行协议EEP，连接能力调用、执行引导、结果反馈与任务连续性，机器人执行后成功与否、卡在哪一步等信息会返回Agent，任务中断时系统也能保留进展并从断点重新规划 [43] - 经验进入提示与记忆改善任务规划：Genie Master可将成功、失败和异常恢复案例沉淀为记忆，提取操作顺序、关键约束和注意事项，当机器人再次遇到类似任务时检索相关经验辅助规划与异常处理 [46] - 在便利店挂货时机器人曾因头部相机看不清、标签牌遮挡而无法定位挂钩，Agent回溯失败记录后调整执行方式，让左手靠近目标、用腕部相机补充近距离视角、再由右手完成挂货，这套处理方法可沉淀为经验供后续类似任务调用 [47] - 执行与恢复数据进入训练更新动作策略：真实作业中积累的成功与失败轨迹可用于动作模型训练，例如打包外卖时水瓶和夹爪容易被白色提带缠住，Agent通过更具体的动作提示引导夹爪先收回再重新尝试放入包装袋，相关执行与恢复数据经处理后可用于后续动作策略训练 [49] - 搭载Genie Master的精灵G2已在真实便利店开展部署验证，在不依赖人工示范与调试的情况下，通过定位问题、调整执行方式和积累经验，在熟食打包、取货、补货等任务中持续改进 [51] 行业意义与展望 - GO-3 Preview建立通用操作能力，Genie Evolver通过虚实交互优化策略，Genie Master让机器人从实际工作中继续学习 [53] - 真实世界任务千变万化，机器人的成长很难用一条进度条衡量，随着机器人积累的经验越来越多，如何有效筛选、复用经验并让新旧技能相互兼容，将成为规模化部署的重要课题 [54] - 具身智能的成长将体现在经验的持续积累与转化中：操作更加熟练，异常处理更加从容，面对陌生任务也能更快适应 [55]

文章核心观点 - 具身智能领域VLA与世界模型两条技术路线的争论正被GPT-6 Astra等大模型的出现所消解，行业核心短板在于缺乏高频输出动作的System 1控制系统，而非高层推理能力 [6][7] - 无论哪条技术路线，当前更需要补齐的是对物理世界的多模态感知与反馈能力，将多模态感知反馈与高频动作执行结合是具身智能走向生产生活的必经路线 [9][10] - 真正有价值的融合重在能力互补而非两套模型简单拼接，核心是System 1与System 2的融合，而非VLA与世界模型架构层面的拼接 [21][22][24] 技术路线之争与核心能力短板 - GPT-6 Astra可视为承担高层推理与任务规划的System 2，机器人更欠缺的是高频输出动作、完成给定任务的System 1控制系统 [6] - 多数具身企业不具备OpenAI级别算力资源训练超大规模VLA模型，更现实的目标是提升System 1能力，让机器人高频输出动作并泛化完成不同任务 [6] - 引入动作专家模块的VLA、世界动作模型、仿真环境中训练的小模型，都是实现System 1目标的不同技术路径 [7] - 世界模型未必是具身智能最终收敛的技术范式 [7] - GPT-6等大模型算力消耗、Token开销和执行速度仍有优化空间 [9] - 机器人在拧螺丝、插拔PCB板等精细任务中不仅需识别物体，还需判断施加力的大小及操作后状态变化 [9] - GPT-6依靠视觉信息也可能完成任务但耗时较长，引入物理反馈后可明显提升执行效率 [10] 模型能力下一步突破方向 - System 1模型需快速处理触觉等外部传感信息并完成高质量3D感知，目前VLA与世界动作模型的零样本泛化能力普遍偏弱 [11] - 核心难点在于视觉层面如何实现对三维世界的泛化理解，BeingBeyond推出Being-H0.8后重点攻坚该方向 [11] - 具身模型需将反馈、行动、感知真正闭环走起来，通过与环境交互获得反馈并基于反馈提升模型性能，实现零样本或少样本泛化 [12] - 行业探索In-Context learning等工作，目标是在更多任务上具备泛化能力和更强适应能力 [12] 触觉在精细操作中的角色 - 触觉属高频处理传感模态，可应用于预训练阶段从视觉信号识别接触点位融入下一状态预测，以及真实机器人控制环节旁路介入实时修正动作输出 [14] - 面向高阶灵巧操作触觉不可或缺，但面向大量现实商用任务触觉不一定带来本质性能提升 [14] - 触觉可补足夹持力大小信息约束动作执行，并捕捉瓶盖拧开、PCB插拔、容器形变等物理状态变化帮助模型预判后续演化 [14] - 触觉对数据采集设备提出新要求，带力反馈的采集手套等硬件是行业正在探索但成本仍然较高的解决方案 [14] 数据路线与训练策略 - 100条真机数据仅能支撑单一任务，视频生成合成数据成为重要手段；卢宗青方向选择输入50万小时人类第一视角视频训练隐空间世界动作模型 [15] - GPT-6 Astra同时使用大量第一、第三人称视频叠加真机数据完成训练，与Being-H0.8预训练数据构成逻辑相近 [15] - 训练目标决定数据策略：训练GPT-6级别大模型需海量Ego视频与真机数据；训练侧重动作输出、追求3D物理泛化的System 1模型则盲目扩大数据规模并非最优解 [15] - 行业普遍认同"数据金字塔"思路，工人佩戴设备采集Ego数据容易实现规模扩张并提供样本多样性构成预训练底座，仿真与视频生成合成数据可在预训练阶段发挥价值 [16] - 真正难点是不同训练阶段的数据配比，大模型领域预训练、中期训练、后训练配比已有成熟实践，具身智能领域仍处探索阶段 [16] - 评测痛点在于更换场景、硬件后效果波动，仿真榜单成绩亮眼但仿真—现实鸿沟始终存在，真机榜单被认为意义不大，增加了确定最优数据配比方案的难度 [16] - 行业共识是预训练保证样本广度、下游依靠真机数据微调，以此搭建完整数据体系 [16] 高训练成本下的行业格局 - AMI Labs估值30亿欧元、World Labs被AMD以82亿美元收购、英伟达Cosmos单次训练成本堪比一部高端工业影片 [17] - System 2级别具身基础模型短期门槛极高，OpenAI、国内Seed等大模型公司已开始积累机器人数据训练类似Astra的模型 [17] - 具身创业公司核心突破口是打造具备泛化能力的高频控制System 1模块，并与System 2大模型探索结合，依靠RSI机制获得新场景泛化能力 [18] - 短时间之内更多看到的是垂类模型，部分模型规模甚至不到2B参数，聚焦单一工位完成高节拍、高成功率重复作业，只要ROI跑通即可落地 [18] - 具身公司需考虑在顺丰/京东等工厂采真机数据、训模型、部署后如何基于现有模型商业化并拓展至所有工厂场景，应用是接下来1-2年最大挑战 [18] - GPT-6 Astra对机器人的控制更像高水平开发者编写控制代码，耗时久、泛化能力有限，真实驱动机器人完成任务终究离不开System 1控制系统 [19] - 大模型走的是从"通用—专用—通用"路线，Coding能力提升后通过蒸馏可将能力放入一个模型，GPT-6、Opus-5.5已在很多领域有很强能力 [20] - 具身智能比大模型更难，难点在于涉及大量机械控制及与环境本身的相关部署，阻碍大规模推广应用，实现通用可能是未来5-10年的事情 [20] VLA与世界模型的有价值融合 - VLA和世界模型只是不同训练方法，一个基于Transformer、一个基于DiT backbone，最终不一定会融合，因为最后训练的技术路线只有一条 [21] - 更多融合可能是System 1和System 2的融合，真正训练出System 1模型再加上System 2，有可能实现RSI、Online强化学习，这是未来具身最需要融合的地方 [21] - 架构方面融合较难且在GPT-6背景下没有太大意义，核心是思想融合，如世界模型的视觉预测、视觉预测思维链可放入VLA模型，属于High Level的规划与控制融合 [22] - 真正有价值的融合重在能力互补而非两套模型简单拼接，既要补齐System 1高频控制、触觉物理交互等底层执行能力，也要正视高昂训练成本带来的行业现状，技术最终要回归真机落地 [24]