投资评级 - 报告对索辰科技（688507）给予"买入"评级，与上次评级一致 [3] 核心观点 - 索辰科技以五大核心技术引领物理AI发展，包括生成式建模仿真一体化、实时生成式物理AI计算引擎、智能实时真实物理环境感知、自动测控仿真验证模块、实时数据库+智能体协同，这些技术显著提升产品创新效率、降低实体试验成本、缩短开发周期并增强装备可靠性 [5] - 公司在具身智能领域推出虚拟训练平台，解决机器人训练成本高昂（每千次动作调试耗数十万元）和场景覆盖不足（仅1%）的问题，算法迭代速度较传统方式提升万倍量级 [5][12] - 在低空飞行器领域，公司低空三维物理地图搭载自研物理AI引擎，可秒级生成厘米级分辨率风场及电磁场数据，计算性能较传统数值模拟提升数万倍，综合效率提高99.8%，实现无源精准感知与定位 [5][20] - 在新能源领域，物理AI风电平台通过双引擎（AI驱动气动外形优化算法与气象-设备耦合预测模型）赋能风电系统，覆盖气动布局迭代、流场感知预报、全工况强度载荷解析及风场协同效能升级，智能工坊平台实现全流程设计优化，提升工程研发效率 [5][26][27] - 公司股权激励目标锚定物理AI产品收入，2025-2027年累计收入触发值分别为2000/4000/7000万元，目标值分别为3000/5000/8000万元，体现业务发展决心 [5][6] - 基于国产替代空间及公司竞争力，预计2025-2027年营业收入为5.15/6.93/9.11亿元，同比增长36.1%/34.4%/31.4%，归母净利润1.08/1.38/1.66亿元，对应PE 84.1/65.7/54.8倍 [7][8] 行业与公司技术分析 - 物理AI技术通过生成式建模、实时计算引擎和虚实数据闭环，突破传统仿真局限，赋能机器人、低空飞行及新能源等多维场景 [5][12][20] - 公司技术对比国际厂商如英伟达（Omniverse、Cosmos、Isaac），在特定领域（如低空物理环境感知、无源定位）具备差异化优势，且计算效率提升显著（如风场数据生成速率达秒级） [9][31][38][42] - 行业趋势显示物理AI与仿真融合加速，应用于工业、机器人及智慧城市（如英伟达智慧城市AI蓝图），公司技术布局与全球前沿方向一致 [31][34][38]

公司技术突破 - 优必选在全新一代工业人形机器人Walker S2上率先部署NVIDIA Isaac Sim及Jetson AGX Thor [1] - 该机器人是全球首款具备自主换电能力的人形机器人 [1] 行业技术应用 - 公司采用NVIDIA Isaac Sim仿真平台及Jetson AGX Thor高性能计算模块提升机器人智能化水平 [1]

机器人操作技术的演进 - 从1960年代核电站的机械臂到现代通用型机器人，技术经历了从"机械执行"到"认知决策"的范式转变 [4] - RT-1模型崛起标志通用型革命开端，同一机器人可执行多任务，如泡咖啡和修电脑 [5] - GraspNet-1Billion通过百万级物体姿态训练赋予机器"视觉直觉"，但数据依赖可能放大社会不平等 [5] 感官革命与技术突破 - 视触觉指尖技术达到0.1mm精度，灵敏度超越人手10倍，可识别织物纹理和草莓成熟度 [6] - MIT柔性皮肤检测0.1N压力变化，手术机器人可感知血管壁弹性避免损伤 [7] - RT-2语言驱动将"小心易碎品"转化为牛顿力控制，ULIP-2建立"概念-形状-触感"跨模态关联 [7] 前沿技术与产业应用 - Meta触觉手套每平方厘米40个触觉单元，可辨别面料舒适度开启个性化消费新纪元 [8] - Google RT-X计划跨品牌经验共享提升新任务学习速度300%，成功率提升50% [8] - 斯坦福柔性抓手模仿章鱼触手，可变刚度结构(0.5-50N/mm)兼顾鸡蛋抓取与瓶盖开启 [8] 技术融合与系统架构 - AnyGrasp系统实现92%准确率和200ms识别速度，通过点云特征提取建立物体"指纹库" [9] - PointNetGPD通过10万次抓取演示训练实现决策层从规则驱动到数据驱动的转变 [9] - 执行层可变刚度软体手结合形状记忆合金，使易碎品抓取成功率高达98% [9] 未来发展方向 - Google PaLM-E模型实现视觉问答89%准确率和多任务操作76%成功率 [10] - NVIDIA Isaac Sim模拟2000种材质使真实场景适应时间缩短60% [10] - 医疗咽拭子机器人达±0.1mm精度，制造柔性三指手iPhone装配良率99.8% [10] 前沿探索与挑战 - 神经形态触觉传感器响应速度快100倍，模拟皮肤表皮/真皮结构 [11] - 群体机器人协作仿生算法使100台AGV协同效率提升300% [11] - 技术需与脑机接口、量子计算融合，但需建立全球伦理框架防止滥用 [11]

人形机器人运动控制技术 - 人形机器人的运动控制是实现动态步态、精细操作和环境适应的核心技术，涉及硬件设备、软件工具和开发套件的综合应用 [1] - 运动控制包括对机器人关节的精确控制以及整体运动轨迹的规划，为机器人在实际应用中的广泛发展奠定基础 [2] - 基于模型的控制和数据驱动控制方法相辅相成，混合控制方式通过数学模型提供基础框架，数据驱动方法增强适应性和鲁棒性 [3] 人形机器人应用场景与挑战 - 人形机器人具备高度仿人外形、强大感知能力及智能决策能力，可应用于工业自动化、医疗康复、服务零售、危险救援、家庭服务、教育科研等领域 [1] - 随着资本和人才涌入、机器人控制及AI技术迭代，产业快速发展，但大规模商业化仍面临技术、经济和社会等多方面挑战 [1] 运动控制相关受益环节及标的 - 运控系统：固高科技(301510 SZ)、雷赛智能(002979 SZ) [1] - 软件及仿真工具：NVIDIA Isaac Sim、PyBullet、Gazebo [1] - 动作捕捉设备：Xsens、Vicon、凌云光(688400 SH)、诺亦腾 [1] 头部企业运控能力与产业链分工 - 特斯拉Optimus、宇树G1、波士顿动力Atlas等产品因硬件方案差异擅长不同领域，但均展现优秀运控能力 [4] - 运动控制软件算法通常由主机厂自研，硬件本体（控制器、执行器、传感器等）开发可能自研或采购第三方供应商 [4] - 机器人训练相关硬件（动捕设备、遥操设备、仿真工具）多由第三方供应商或开源平台提供 [4]