具身智能引爆机器人革命，中信证券：这才是未来核心驱动力

中信证券指出，具身模型是推动本轮机器人发展的核心动力。

　　中信证券的研报指出，机器人指数的表现明显优于市场整体宽基指数，但真正推动这波机器人热潮的核心力量是具身模型，目前其市场影响力尚未被充分体现。当前机器人所采用的具身模型正从分层架构向端到端模式演进，近年来在感知、规划控制以及任务完成率等方面取得了显著提升，但在实际工业和家庭应用场景中仍有待进一步优化。研报强调，模型能力仍是行业发展的核心要素，在未来竞争中，具备强大研发实力、掌握关键应用场景以及拥有优质数据资源的企业将更有可能占据优势。具身模型的竞争格局与此前大模型的发展有相似之处，建议重点关注三类企业：一是提供软硬件基础设施的公司；二是数据服务提供商及物理AI相关企业；三是专注于特定场景的机器人应用公司。

　　计算机｜具身模型：具身智能下半场竞争焦点

　　机器人指数表现明显优于市场宽基指数，但我们认为，具身模型才是本轮机器人发展浪潮的核心驱动力，其市场价值尚未被充分反映。当前，机器人所采用的具身模型正在从分层架构向端到端架构演进，近年来在感知、规划控制以及任务成功率等方面取得显著提升，但在实际工业和家庭应用场景中仍有待进一步优化。我们认为，模型能力仍是行业发展的核心要素，在未来的竞争中，具备强大研发能力、掌握关键场景以及拥有优质数据资源的企业将有望占据优势。我们认为，具身模型的竞争格局与此前大模型的发展有诸多相似之处，建议重点关注三类公司：1）软硬件基础设施提供商；2）数据服务供应商及物理AI企业；3）垂直领域机器人应用公司。

　　 ▍具身模型：具身智能的下半场。

　　自2024年9月23日基日以来，Wind人形机器人指数和CIS机器人指数的累计收益率显著超越沪深300指数，也明显优于中信制造产业指数。然而，从行业分布来看，这一市场表现主要得益于硬件类公司的推动，软件算法与模型的作用尚未充分体现。实际上，智能水平是本轮机器人发展浪潮的核心驱动力，AI为机器人提供了最关键的部分——“大脑”。这一“大脑”涵盖软硬件两个方面，其中硬件方面，高算力芯片使得大模型的运行成为可能；软件方面，大模型的突破让机器人能够完成更加复杂和多样化的任务。传统工业机器人与当前新一代机器人的关键区别，就在于其通用性或泛化能力。

　　 ▍具身模型关键要素：数据+算法。

　　数据方面，当前具身模型所使用的数据仍面临格式标准化不足、分布多样性不够以及数据量有限等问题。随着具身智能数据集的快速发展，数据在场景数量、任务类型、技能种类和轨迹数量等方面持续增长，推动了机器人性能的全面提升。例如，在算法保持不变的情况下，更丰富的数据使机器人在电线布线任务中的成功率显著提高，从RT-1的18%提升至RT-1-X的56%。在真实数据采集成本较高的限制下，合成数据成为一种有效补充手段，大模型在生成合成数据方面发挥了重要作用。根据GenSim论文显示，同样使用合成数据训练机器人，任务成功率从GPT3的10%提升至GPT4的43%。

　　算法方面，我们认为，端到端大模型是长期发展趋势，能够更好地整合各方面能力，避免模型信息损失，上限较高。例如VLM模型Flamingo、VLA模型RT-2、GO-1等都显著增强了泛化能力，任务成功率不断刷新业界最佳。但端到端模型需要大规模高质量数据，在目前数据尚未充分供应的情况下，端到端往往也只能在部分困难任务（如柔性物体操作）中保持成功率不降低到60%以下的业界最佳水平，仍需要成熟的分层模型架构甚至人工编写规则代码辅助模型完成任务。

　　 ▍产业格局：下半场开启，产学研密切联动。

　　从研究影响力的角度来看，研发的核心力量经历了从早期的学术界逐步转向近年来由大型科技公司主导，再到最近两年创业公司不断涌现的过程，呈现出一条从学术走向产业的清晰路径。我们认为，未来几年将是具身模型产业化发展的关键阶段，具身模型的竞争，与此前大模型的竞争在逻辑上具有相似之处。当前阶段，模型的智能水平依然是决定性因素，那些能够占据应用场景并掌握优质数据的厂商，有望进一步巩固其市场地位。

　　 ▍风险因素：

　　机器人技术的发展速度未达预期，其在实际应用中的拓展空间也较为有限，同时面临技术路径调整带来的不确定性。政策的执行力度可能不如预期，行业竞争将不断加剧，此外还存在一定的法律与监管风险。

　　我们认为，具身模型之间的竞争，将与之前大模型之间的竞争存在相似之处。

　　模型的发展离不开坚实的软硬件基础设施，如算力芯片、域控制器、操作系统以及音视频基础算法等。这些技术构成了人工智能发展的底层支撑，推动着各行各业的智能化进程。当前，随着算力需求的不断增长，相关硬件的性能提升和软件生态的完善显得尤为重要。只有在良好的基础设施保障下，模型才能更高效地运行与迭代，从而实现更广泛的应用价值。

　　数据作为当前核心竞争要素之一，依然面临采集成本高、数据量不足、多样性不够以及模拟与现实之间的差距（sim-to-real gap）等问题。而物理AI通过虚拟环境和合成数据等手段，能够生成高可靠性的数据，有望在智能驾驶、机器人等领域实现应用落地。在数据领域具备优势的厂商，以及在物理AI领域占据核心技术地位的企业，未来在具身智能领域中或将占据重要位置。建议关注数据供应商或物理AI供应商的相关动态。我认为，随着人工智能技术的不断演进，物理AI在解决数据瓶颈方面展现出巨大潜力。它不仅有助于降低实际场景中的数据获取难度，还能提升模型训练的效率和泛化能力。这一趋势或将推动更多企业加大对虚拟数据生成和仿真环境的投入，从而加速具身智能技术的商业化进程。

　　具备场景优势的公司更容易获得发展，这类企业能够获取特定场景下的高质量数据，进而推动模型性能的持续提升。例如，特斯拉的辅助驾驶功能正是依靠大量用户的实际使用数据不断进行迭代优化，实现了场景与模型的深度融合。这种模式有望帮助类似腾讯元宝、DeepSeek等企业建立起独特的竞争优势。建议重点关注那些与应用层紧密联动、具备场景积累的厂商。在我看来，随着人工智能技术的深入发展，拥有真实场景数据和用户反馈的企业将更具竞争力。单纯依赖算法或算力的竞争已逐渐趋于饱和，而如何在具体应用场景中实现技术落地，将成为决定企业成败的关键因素。因此，关注具备场景优势的公司，不仅是对当前趋势的回应，也是对未来发展方向的把握。