2025年机器人行业系列报告之三：具身智能和人形机器人行业投资机会分析

证券研究报告行业动态报告发布日期：2025年2月25日本报告由中信建投证券股份有限公司在中华人民共和国（仅为本报告目的，不包括香港、澳门、台湾）提供。在遵守适用的法律法规情况下，本报告亦可能由中信建投（国际）证券有限公司在香港提供。请务必阅读正文之后的免责条款和声明。分析师：吕娟lyujuan@csc.com.cn021-68821610SAC执证编号：S1440519080001SFC中央编号：BOU764分析师：许光坦xuguangtan@csc.com.cn021-68821610SAC编号：S1440523060002分析师：李长鸿lichanghong@csc.com.cn010-81158042SAC 执证编号：S1440523070001分析师：常义乐changyile@csc.com.cn010-56135180SAC 编号:S1440524120001分析师：陈宣霖chenxuanlin@csc.com.cnSAC 编号:S1440524070007分析师：籍星博jixingbo@csc.com.cnSAC 编号:S1440524070001分析师：赵宇达zhaoyuda@csc.com.cn010-56135183SAC 编号:S1440524080003研究助理：吴雨瑄wuyuxuan@csc.com.cn具身智能和人形机器人行业投资机会分析——2025年机器人行业系列报告之三内容摘要3 高效AI大模型不断涌现，性能快速迭代，推动具身智能大发展：所有设备公司均应该思考如何用AI赋能，提升产品的智能化水平、工作效率和客户满意度，这将关系到设备行业的发展空间以及竞争格局重构。 人形机器人是具身智能最重要的载体：人形机器人作为一种具身智能，可以更好地与人类互动，或者在人类生活的环境中为人类服务。随着智能化程度提升，未来可能每个家庭甚至每个人平均拥有一台人形机器人，预计市场空间将超过汽车、智能手机，至少是数万亿市场规模。 模型迭代与供应链降本加速人形机器人商业化落地： 百家争鸣态势正在形成，特斯拉不再是产业链唯一的风向标。随着大模型的发展、优化迭代，训练成本越来越低，训练效率越来越高，从视觉、语言到动作的执行越来越流畅。那些掌握了更高效大模型的企业，有可能后来居上。 供应链迅速降本，预计会有更多的整机企业涌现：供应链日趋成熟，会吸引更多的科研机构参与研究创新，吸引新兴创业者加入，吸引大企业以后来者姿态切入，推动人形机器人整机价格迅速下降。提纲04风险因素03产业链相关标的梳理02人形机器人是具身智能最重要的载体01AI快速迭代推动具身智能大发展1.4 设备企业纷纷开启AI赋能9 安徽合力：控股股东安徽叉车集团有限责任公司与华为技术有限公司在安徽合肥举行深化合作协议签约仪式。根据协议，双方将在数字化转型、智能物流、人工智能、人才培养等新质生产力创新领域开展深化合作。 亿嘉和：在机器人尤其是电力巡检机器人领域深耕多年，在人工智能领域储备的核心技术包括视觉技术、自主导航技术、环境感知技术、AI算法技术、机器人控制技术等，公司持续关注华为与华为云机器人平台相关技术的发展，积极探索双方的合作机会和方式，以共同推动机器人人工智能技术的应用和发展。 中坚科技：2024 年11月公司出席 H（深圳）全球具身智能产业创新中心企业合作备忘录签约仪式，并签署企业合作备忘录。子公司上海高氪研发的“割草机器人”具有无边界布署、免干预、高智能化等特点，采用GOATBOT GFLS 高精度融合定位系统，能实现自主建图、规划切割、自主转场、AI 智能避障、自主回归、精准对接充电等功能，割草效率高、无需用户干预，也可通过 APP 远程监控、遥控指挥。 案例不一一列举，我们认为所有设备公司均应该思考如何用AI赋能，提升产品的智能化水平、工作效率和客户满意度，这将关系到设备行业的发展空间以及竞争格局重构。2.2 人形机器人模型快速迭代，学习效率不断提升12 以2月20日Figure推出的自研VLA模型Helix为例。官方视频展示了两个人形机器人在接受人类语言指令后协同工作，拾取并整理此前未接触过的物件的场景。Helix模型实现了对于人形机器人的全上半身控制、多机器人协作、抓取任何物品、单一神经网络、商业化落地就绪等多项行业第一。其首创的“系统1、系统2”架构的VLA模型，在速度和泛化能力、可扩展性、架构简单、关注点分离等方面相比此前方案具有明显优势。我们认为，Helix在较少的训练数据下，展现出极强的泛化能力，训练效率显著提升，有助于人形机器人的通用化发展，利好板块的发展前景。图表：Figure Helix模型掌握新技能的效率将大幅提升数据来源：Figure官网、中信建投2.2 人形机器人模型快速迭代，学习效率不断提升 Helix首创“系统1、系统2”架构的VLA模型，相比传统方法具有显著优势：以往方法存在一个根本性的权衡问题，VLM骨干网络通用性强，但速度较慢；而机器人视觉运动策略速度快，但通用性不足。而Helix通过两个相辅相成的双系统解决了这一权衡问题，这两个系统经过端到端训练以实现交互：其中系统2（S2）是在7-9Hz频率下运行的经互联网预训练的VLM，用于场景理解和语言理解，并能够在不同物体和环境中实现广泛的泛化；系统1（S1）是可以快速反应的视觉运动策略，能以200Hz的频率将S2产生的潜在语义表示转化为精确的连续机器人动作。这种解耦架构使每个系统都能在最佳时间尺度上运行，S2可以在高层次目标上“慢思考”，而S1可以“快速思考”以实时执行和调整动作。图表：Figure Helix模型双系统工作原理数据来源：Figure官网、中信建投2.2 人形机器人模型快速迭代，学习效率不断提升14 Helix展现出强大的泛化能力，模型训练效率极高。（1）两个机器人完成零样本协作，彰显Helix强大的泛化能力。在Figure展示的视频中，两个Figure人形机器人成功完成了对全新的杂货物品的整理，这些物品并未在训练中出现，这展现出了Helix对于不同形状、大小和材料的强大泛化能力。并且两个机器人使用相同的Helix模型权重（系统2为70亿参数，系统1为8000万参数），无需针对特定机器人进行训练或明确分配角色。（2）Helix模型训练仅用极少的资源实现优异的泛化效果。Figure表示，总共使用约500小时的高质量监督数据对Helix进行训练，这仅占以前收集的VLA数据集规模的一小部分（不到5%），并且无需依赖多机器人实体收集或多个训练阶段，明显降低机器人训练数据量，模型训练效率极高。图表：Figure Helix模型展示两个人形机器人协作数据来源：Figure官网、中信建投2.2 人形机器人模型快速迭代，学习效率不断提升15 2月22日1X发布NEO GAMMA人形机器人，在前一代NEO BETA的基础上实现了全面升级：比如AI方面：全身控制器的改进使得NEO GAMMA能够完成蹲下捡起物品、坐在椅子上保持平衡等难度较高动作，而且1X自主训练的新型视觉操作模型能够在未见过的新环境进行预测，实现抓取物体等动作。图表: NEO GAMMA能够坐在椅子上并保持平衡图表: NEO GAMMA自主