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]