人形机器人脑模型发展纪要关键要点 一、涉及行业与公司 - 行业为全球自动化与人形机器人行业[1] - 核心涉及公司为Figure AI，其脑模型Helix 2.5为本次纪要焦点[1] - 其他提及公司包括Agibot（其World Action Model、GE-ACT 2.0）[4]、Physical Intelligence（其π0.7）[6]、Dyna Robotics（其Dyna 2.0）[4] - 投资评级涉及公司包括Keyence、Cognex、FANUC、Harmonic Drive、Inovance、Estun[16] 二、核心观点与论据 1 场景泛化已实现，任务泛化尚未实现 - Helix 2.5在30个未见过的家庭中执行客厅整理、叠毛巾、铺床三项家务，未使用这些家庭的训练数据[2] - 机器人整体成功率为56%[2] - 但Figure机器人是针对这三项任务专门训练的，30个家庭中物体及其摆放方式变化有限[2] - 该进展被解读为"场景泛化"，真正的零样本任务泛化仍有很长的路要走[2] 2 数据范式与预训练技术的重要创新 - Helix 2.5在Figure AI专有的第一人称人类任务视频数据集Index上进行预训练[3] - Index训练将整体零样本成功率从9%提升至56%，其他变量保持不变[3] - Index训练使Helix 2.5达到Helix 02性能所需的数据量减半[3] - Figure报告了缩放效应的早期证据，随着人-机器人预训练数据扩展，动作预测损失持续下降[3] - 截至8月，Index包含2300万段视频，每秒新增约35分钟的人类经验[3] - 每收集1000小时数据代表373项任务、1146个操作物体和116个环境[3] - Figure的数据引擎和数据采集投资持续复利增长[3] 3 数据-大脑一体化正成为关键护城河 - Helix 2.5的积极结果支持了近期报告《皇帝的新大脑与AlphaGo时刻》中的几个关键观点[4] - 机器人模型的进步极大扩展了训练数据的范围，第一人称人类视频在预训练中越来越可用，缩放定律（"越多越好"）的证据日益增多[4] - 真实机器人数据仍有价值，但遥操作可能因缺乏可扩展性而逐步被淘汰[4] - 大脑与数据的整合正在深化，继承固定权重的视觉-语言模型（如Helix 02所用）正被从头基于专有数据训练的模型所取代[4] - 行业其他近期进展印证了这些趋势，包括Agibot近期发布的World Action Model、GE-ACT 2.0，以及基于100万小时人类视频训练的Dyna 2.0[4] 4 下一步关注方向 - 关注机器人是否开始展现可迁移技能，即在一项任务上训练后无需额外训练即可完成类似任务[6] - 该方向上最显著的近期进展来自Physical Intelligence的π0.7，展示了组合式任务泛化，即由相关技能组合而成的未训练新技能的出现[6] - 56%的整体成功率远未达到商业部署就绪状态，"熟能生巧"在机器人领域尚未成真[6] - 密切关注后训练和部署中真正"数据飞轮"的证据，即自动性能提升[6] - 预训练通常将成功率提升至50-60%，从此点到99%的高效路径将是下一个重大考验[6] 5 行业整体判断 - Figure、Agibot、Physical Intelligence、Dyna等公司的发展传递出一致信息：泛化任务和超越少数应用的大规模部署尚未临近，但人形机器人技术尤其是脑模型正快速推进，每季度都有切实进展[7] - "最坏的时代就是最好的时代"[7] 三、其他重要但可能被忽略的内容 1 各公司脑模型详细对比 - Figure AI的Helix 2.5采用分层VLA架构（S2-S1-S0），从随机初始化权重开始，在Index专有数据集上预训练，数据包含100万小时视频，涵盖37.3万项独特任务、110万个独特物体，截至2026年8月Index包含2300万段第一人称视频，每天新增约5.75年人类经验，周活跃贡献者达4.4万[14] - AgiBot的GE-ACT 2.0采用模块化World Action Model，各模块分别训练，SVP在指令-视频对和操作记录上训练（含第一人称视频），IDM在动作标注的机器人轨迹上训练，KASO协同训练对齐SVP和IDM，SVP数据中机器人数据占71.8%、仿真占2.6%、开源占17.9%、第一人称/人类视频占7.7%，IDM数据中机器人数据占87.5%、仿真占3.1%、开源占6.2%，协同训练中机器人数据占93.4%、仿真占3.3%、开源占3.3%，SVP为3.9万小时、IDM为3.2万小时、协同训练为3万小时，协同训练数据从300小时扩展至3万小时显著提升性能[14] - Dyna Robotics的Dyna 2.0采用World Action Model，基于大规模人类操作视频预训练，主要使用第一人称日常活动记录，100万小时视频涵盖9.7万项独特任务、1万个独特物体，3D手部姿态轨迹提供伪动作监督，超过100万小时第一人称数据相当于170年人类经验（截至2026年8月），展示了WAM缩放定律，证据支持人-机器人迁移缩放定律[14] - Physical Intelligence的π0.7采用VLA加世界模型生成子目标图像，使用丰富提示预训练，包括任务描述、详细语言指令、生成的子目标图像和回合元数据，数据包括跨多样任务的演示、机器人本体和环境、自主策略推演、人类干预、开源机器人数据集、第一人称人类视频以及辅助网络规模数据，展示了强开箱即用性能、指令遵循、跨本体泛化和组合式任务泛化[14] 2 投资评级与估值 - Keyence评级为Outperform，目标价JPY 95,000，采用22倍EV/EBITDA对应1年远期EBITDA预估JPY 9132亿[21] - Cognex评级为Outperform，目标价USD 85.00，采用36.5倍EV/EBITDA对应1年远期EBITDA预估USD 3.726亿[22] - FANUC评级为Outperform，目标价JPY 7,200，采用23.0倍EV/EBITDA对应1年远期EBITDA预估JPY 2550亿[23] - Harmonic Drive评级为Outperform，目标价JPY 7,800，采用45.5倍EV/EBITDA对应1年远期EBITDA预估JPY 161.94亿[24] - Inovance评级为Outperform，目标价RMB 82，采用24.0倍EV/EBITDA对应1年远期EBITDA预估RMB 89.716亿[25] - Estun评级为Market-Perform，A股目标价RMB 31.6、H股目标价HKD 17.1，采用45.5倍EV/EBITDA对应1年远期EBITDA预估RMB 6.814亿[26] 3 风险因素 - Keyence风险包括全球宏观经济、制造业产能利用率波动、全球自动化需求延迟或弱于预期、日元升值[27] - Cognex风险包括全球自动化需求延迟或弱于预期、新兴客户计划进展延迟或慢于预期、Moritex整合及协同效应实现延迟或慢于预期[28] - FANUC风险包括全球自动化需求延迟或弱于预期、市场份额流失、日元升值[29] - Harmonic Drive风险包括全球机器人需求弱于预期、市场份额流失、日元升值，公司在谐波减速器全球份额超过50%[30] - Inovance风险包括中国自动化需求弱于预期、伺服电机和变频器以外细分市场份额增长弱于或慢于预期、电动车需求弱于预期[31] - Estun风险包括中国自动化需求弱于预期、运营和净利润率改善延迟或慢于预期、市场份额增长延迟或慢于预期，Cloos整合及协同效应实现是额外风险来源[32]