具身智能模型持续进步_行业商业化突破有望加速_19页_1mb

具身智能模型持续进步，行业商业化突破有望加速

核心内容

具身智能模型是机器人实现认知、协作和学习能力的核心，其发展将推动机器人在工业制造、社会服务、家庭生活等场景的商业化应用。具身智能区别于传统AI的关键在于其具备“环境自主进化”的智能闭环，即通过真实行为数据训练模型，实现模型与本体的协同进化。

当前，具身智能模型主要分为三种技术路线：分层大模型、端到端大模型（VLA）和世界模型。虽然行业内尚未形成统一的技术共识，但追求高泛化性已成为各厂商的共识。高泛化能力将提升机器人在不同场景和任务中的适应性，成为商业化进程的关键。

主要观点

• 具身智能模型持续迭代：随着技术发展，具身智能模型在泛化能力、响应速度、任务执行等方面不断优化，为机器人商业化奠定基础。
• 泛化能力是商业化关键：具备跨场景、跨任务、跨本体泛化能力的模型，更容易在市场中占据优势。
• 数据瓶颈仍是挑战：高质量真实数据稀缺，行业正通过仿真数据、互联网数据等降低数据获取成本。
• 技术路线融合趋势明显：分层、端到端、世界模型等路线逐步融合，以提升模型的通用性和适应性。
• 垂类场景率先商业化：汽车制造、物流仓储等任务明确、数据丰富的场景有望率先实现规模化应用。

关键信息

技术路线

• 分层大模型：如CLIPort、自变量机器人Wall-OSS-0.5，通过LLM、VLM进行任务推理，结合动作策略模块实现控制。
• 端到端大模型（VLA）：如智元机器人Genie Operator-1、Figure AI Helix 02、谷歌RT-2、特斯拉Optimus，将视觉、语言、动作统一建模，实现直接映射。
• 世界模型：如宇树科技UnifoLM-WMA-0、北京人形创新中心WoW世界模型、银河通用GraspVLA，通过模拟器、渲染器、规划器实现环境预判和自主规划。

数据类型

• 真实数据：质量高，但采集成本高、数据量少。
• 仿真/合成数据：数据量大、多样性高，适合训练模型，但存在Sim2Real Gap。
• 互联网多模态数据：包含视频、图像和文本，为模型提供通用知识，适合预训练。

数据采集方案

• 遥操作数据采集：包括位姿类、视觉类、光惯类，适用于不同复杂度任务。
• 开放环境采集：如DexUMI、DexCap，通过人类操作直接转化为机器人行为。
• 动作捕捉：通过动捕设备获取人体动作，用于机器人示教，但成本较高。

商业化趋势

• 垂类场景优先落地：如物流仓储、汽车制造等，具备行业数据和Know-how的厂商具备先发优势。
• 模型泛化能力带来竞争壁垒：具备更强泛化能力的厂商可能通过合作实现降维打击。
• 行业投资机会显现：相关标的包括杭叉集团（买入）、优必选、埃斯顿、杰克科技、上纬新材等。

投资建议

• 重点关注：杭叉集团（买入），因其在物流仓储领域布局积极，已发布LogiMind具身大模型。
• 潜力标的：优必选、埃斯顿、杰克科技、上纬新材，具备技术路线多样性和垂类场景布局优势。
• 技术领先者：特斯拉、谷歌、Figure AI等在端到端VLA模型和世界模型上具有深厚积累，可能带来行业引领效应。

风险提示

• 模型发展与数据积累慢于预期：可能影响商业化进程。
• 场景需求落地不明确：若实际需求不足，商业化可能受阻。
• 厂商生产不及预期：产能扩张缓慢可能影响行业增长。
• 国家政策变化：可能影响数据安全、AI伦理等。
• 行业融资不及预期：宏观经济波动或资本风险偏好变化可能影响研发进展。

行业评级

• 看好（维持）：预期未来12个月内行业相对市场基准指数收益率5%以上。

相关报告

• 特斯拉机器人生产有望加速，关注零部件（2026-07-14）
• 企业生产管理水平：——机器人产业跟踪

投资标的列表

• 上纬新材 (688585，未评级)
• 优必选 (09880，未评级)
• 埃斯顿 (002747，未评级)
• 杰克科技 (603337，未评级)
• 杭叉集团 (603298，买入)

总结

具身智能模型正逐步突破技术瓶颈，其泛化能力的提升将成为机器人商业化应用的关键。当前行业探索多种技术路线，如分层、端到端和世界模型，并呈现出一定的融合趋势。尽管真机数据稀缺，但仿真数据和互联网数据的使用正在成为降低成本、提升模型能力的重要手段。在垂类场景中，如物流仓储、汽车制造，具身智能模型有望率先实现规模化应用，带来投资机会。然而，行业仍面临数据积累、场景需求、政策变化等多重风险，需谨慎评估。