软件与服务行业人形机器人深度报告：大模型驱动算法升级，重塑生产力的未来_28页_3mb

人形机器人深度报告总结

核心内容

本报告分析了人形机器人产业的发展趋势，指出大模型技术的突破正在推动机器人向具身智能方向发展。具身智能是指机器人具备高度拟人化的思维方式和行为模式，可以替代人类在各种劳动场景中作业，从而大幅解放生产力并重构生产范式。

报告指出，人形机器人市场空间广阔，预计在2035年将达到1540亿美元，年均复合增长率高达94%。当前，人形机器人尚未实现真正的具身智能，主要依赖传统算法进行任务执行，而大模型的出现有望解决这一问题，通过高泛化性和思维链能力提升机器人在复杂环境中的适应能力。

主要观点

1. 大模型驱动算法升级：大模型技术大幅提升了机器人在感知、决策和控制方面的性能，推动机器人向具身智能发展。VLA（图像-文本-动作）大模型将三个模块融合，实现端到端方案，提高泛化能力与思维链能力。

2. 具身智能对生产力的影响：具身智能机器人可广泛应用于服务、制造、特种等场景，解决劳动力短缺和成本上升问题。其能力接近人类，可在大部分劳动作业中替代人类。

3. 跨界巨头占据核心生态位：特斯拉、小米、优必选等科技公司凭借强大的AI能力，占据了人形机器人产业的核心位置，而传统工业机器人厂商在AI算法和算力方面处于劣势。

4. 技术供给节奏加快：大模型的出现改变了机器人算法开发模式，从传统算法到LLM、VLM、VLA逐步推进，推动人形机器人实现智能化和自主化。

5. 商业模式从制造走向运营：随着人形机器人实现投资回报期和客户回报期的突破，其产业价值将从制造端转向运营端，数据和算力成为核心要素。

关键信息

• 技术瓶颈：传统算法在长尾场景和复杂任务中表现不佳，强化学习和拖拽示教方案效率低下，难以满足未来需求。
• 核心价值环节：AI算法是人形机器人产业的核心价值环节，决定了其能力范围和应用场景。
• 市场空间：预计2035年全球人形机器人市场空间可达1540亿美元，与智能汽车市场空间相当。
• 成本与需求关系：爆款场景落地将带动产能扩张和成本下降，形成飞轮效应，推动人形机器人进入成本敏感型场景。
• 投资主线：建议关注人形机器人零部件、智能驾驶相关技术、大模型算法与算力芯片三个方向。

投资关注主线

1. 人形机器人零部件：包含减速器、滚珠丝杠、无框力矩电机等高价值零部件，随着爆款场景落地，相关产业将迅速放量。

2. 智能驾驶相关技术：如IMU、激光雷达、视觉摄像头、智能驾驶芯片等，这些技术在人形机器人中也有广泛应用。

3. 大模型算法与算力芯片：大模型是具身智能的核心支撑，算力芯片则是算法落地的关键基础设施，建议关注相关标的。

风险提示

• 人形机器人技术发展不及预期，可能影响其智能化水平和产业进程。
• 产品需求不及预期，可能导致产业发展受阻。

政策支持

• 中国已出台多项政策支持人形机器人产业发展，如《“十四五”机器人产业发展规划》、《“机器人+”应用行动实施方案》等。
• 北京、山东、上海、深圳等地相继发布人形机器人发展指导意见，推动产业链形成与技术突破。

技术发展路线

• 短期方案：大语言模型（LLM）用于服务型机器人，提高人机交互能力；劳动型机器人仍依赖传统算法。
• 中期方案：图像-语言大模型（VLM）用于提升决策能力，但需进一步发展。
• 远期方案：图像-语言-动作多模态大模型（VLA）实现端到端系统，具备高泛化性和思维链能力。

产业链与核心能力

• 硬件：人形机器人继承大量工业机器人零部件，但核心生态位由跨界巨头占据。
• 软件与AI：AI能力是人形机器人产业的核心壁垒，决定其能力范围和应用场景。
• 算力平台：如特斯拉的Dojo超算平台，提供高性能算力支持，加速大模型训练与推理。

图表目录摘要

• 图1：涌现效应推动AI供给能力大幅提升
• 图2：一图看懂具身智能的影响
• 图3：我国劳动力短缺已成必然之势
• 图4：我国制造业人口平均工资连年增长
• 图5：波士顿动力机械狗用于矿洞勘察
• 图6：宇树科技机器狗用于消防侦擦
• 图7：工业机器人与具身智能机器人特点比较
• 图8：制造业机器人的四个发展阶段
• 图9：规模生产与柔性制造曲线
• 图10：机器人实现从第二产业向第三产业渗透
• 图11：人形机器人市场空间与智能手机、电动汽车比较
• 图12：AI训练难以覆盖长尾场景
• 图13：决策规划算法是机器人算法的核心成分
• 图14：强化学习算法多次试错后可以得到最佳策略
• 图15：机器人可以复现拖动轨迹
• 图16：第一人称与第三人称交互方式
• 图17：第一人称与第三人称智能的区别
• 图18：传统机器人系统由大量算法组合而成
• 图19：早期特斯拉自动驾驶功能难以应对小概率场景
• 图20：PaLM-E机器人可以把任务拆解成多个步骤完成
• 图21：大模型通过预训练+调参提高泛化性
• 图22：参数量扩大涌现出思维链能力
• 图23：大模型数据与处理任务的跃升
• 图24：一图看懂机器人应用场景分类和技术供给节奏
• 图25：人形机器人可分为服务型和劳动型两类
• 图26：交互能力：大模型+语音算法
• 图27：动作控制：机器视觉+决策控制算法
• 图28：ChatGPTforRobotics可以根据自然语言生成控制代码
• 图29：多模态大模型具备图像逻辑思维能力
• 图30：谷歌PaLM-E大模型具备较高泛化性和逻辑推理能力
• 图31：VLA模型需要将机器人动作作为模态编入大模型
• 图32：RT-2可以将复杂任务拆成简单多步骤完成
• 图33：RT-2具备较强的视觉符号理解、推理、人类识别能力
• 图34：RT-2模型建立在PaLM-E和RT-1基础上
• 图35：VLA是端到端的系统，具备最高的运行效率
• 图36：2022年的Optimus机器人
• 图37：最近的Optimus已进入特斯拉工厂
• 图38：特斯拉Optimus零部件一览
• 图39：工业机器人厂商市占率（2023年一季度）
• 图40：支撑特斯拉入局人形机器人的五大因素
• 图41：人形机器人会从爆款场景发散到成本敏感型场景
• 图42：特斯拉人形机器人系统移植了FSD智驾系统
• 图43：特斯拉HW3.0智驾芯片
• 图44：算力是支撑模型训练与推理的核心要素
• 图45：Dojo超算平台
• 图46：Dojo超算平台为特斯拉带来了什么
• 图47：到2024年10月Dojo超算平台算力有望达到100EFlops
• 图48：英伟达NVlink架构
• 图49：特斯拉Dojo超算中心结构
• 图50：马斯克认为特斯拉的长期价值增长来源于AI和机器人

表格目录摘要

• 表1：我国出台了一系列人形机器人发展刺激政策
• 表2：国产人形机器人梳理（包括身高、体重、行走速度、自由度、零部件等信息）

结论

人形机器人产业正处于快速发展阶段，大模型技术的突破将推动其从传统算法向具身智能转变。AI能力是产业链的核心壁垒，而算力和数据则是实现具身智能的关键支撑。随着爆款场景的落地，人形机器人将从高端市场逐步向成本敏感型市场扩展，形成良性循环。未来投资应重点关注零部件、智能驾驶技术、大模型算法与算力芯片等方向。