一、报告核心定位与核心问题
东吴证券发布的《机器人大模型行业深度报告》聚焦人形机器人智能化的核心瓶颈，围绕“为何需要高智能大模型”“当前技术进展如何”“未来发展方向是什么”三大问题，系统分析具身智能大模型的技术架构、数据支撑、产业格局与投资机会。报告指出，人形机器人产业化落地的关键在于突破传统工业机器人“控制刚、泛化弱”的局限，而具身智能大模型正是实现环境理解与适应能力的核心驱动力。目前行业整体处于L2初级阶段，迈向通用泛化智能仍需在建模方法、数据规模和训练范式等方面持续突破。
二、人形机器人为何需要高智能大模型？
（一）形态并非核心难点，通用智能是关键
人形机器人形态工程已趋成熟，如本田ASIMO、波士顿动力Atlas等产品具备出色运动能力，但依赖预设行为库，缺乏环境感知、任务理解和泛化执行能力，本质仍是“人形的机器”。本轮产业热潮的核心驱动力是对机器人“智能性”的期待。多模态大模型的发展使机器人首次具备“感知—理解—决策”的潜力，成为拥有“大脑”的起点。
（二）大模型开启智能进化，撬动 0-1 落地
大语言模型（LLM）验证了大规模文本训练的推理可行性，视觉语言模型（VLM）拓展了跨模态表征能力，动作模态的引入则赋予机器人操作执行能力。初级具身智能模型已在特定场景实现应用落地，并通过“数据收集—模型优化—产品升级—更多数据”的飞轮机制，推动从0到1再到规模化演进。
（三）当前智能水平有限，泛化能力待突破
依据《人形机器人智能化分级》标准，智能水平分为L1-L5五个等级，涵盖感知认知、决策学习、执行表现、协作交互四大维度。当前主流产品普遍处于L2阶段，仅能完成固定任务并进行微调，尚不具备自主应变与跨场景泛化能力，距离真正通用智能仍有较长发展路径，需在技术、数据体系与生态协同上持续积累。
三、具身智能大模型的技术进展：架构与数据双轮驱动
（一）架构端演进：从模块化到端到端，动作频率持续提升
具身智能大模型的架构发展沿多模态融合、动作频率提升、泛化能力增强三条主线推进，呈现代际迭代特征：
- 早期模块化架构：Google于2022年推出的SayCan模型通过LLM解析自然语言指令，结合可行性评估实现人机交互，但存在语义脱节、迁移成本高、缺乏重规划能力等问题；
- 端到端控制模型：同期发布的RT-1基于Transformer架构，联合编码图像与语言输出动作Token，在700余项任务中平均成功率高达97%，但受限于任务平台耦合性强、语义理解能力不足；
- 多模态具身模型：2023年PaLM-E融合语言、视觉与传感器状态信息，实现高层推理与复杂任务执行（如分类推积木），但模型庞大、训练成本高，底层控制仍依赖预设策略；
- 动作信息融入VLM：同年RT2将动作转化为语言Token纳入VLM训练，构建端到端VLA架构，显著提升泛化能力，但动作输出频率仅为1-5Hz，难以满足实际需求；
- 动作专家增强：2024年π0引入FlowMatch动作专家，动作频率提升至50Hz，稳定性与成功率大幅提高，适用于复杂环境处理，但仍低于100Hz的高动态场景要求；
- 快慢脑并行架构：2025年Helix采用“慢脑”（7B参数VLM负责高层分析）+“快脑”（80M参数Transformer负责实时执行）结构，动作频率突破200Hz，支持零样本多机协同，首次展现任意物品拾取能力。
此外，FiS-VLA通过双系统融合设计，重构VLM末端为执行模块，进一步提升协同效率与动作稳定性。
（二）数据端支撑：三类数据协同，动捕设备成关键
数据是具身智能大模型训练的核心基础，遵循预训练、后训练、推理三个阶段的Scaling法则，形成“互联网数据 + 仿真数据 + 真实数据”金字塔结构：
- 互联网数据位于基座，以海量未标注视频为主，获取成本低，适用于预训练，但场景泛化难、监督标注成本高；
- 仿真数据居中层，依托英伟达Isaac等平台生成，具备低成本、高效率、灵活切换场景优势，可提供完美标签，常用于模型冷启动，但面临Sim2Real Gap（仿真与现实对齐）及过拟合风险；
- 真实数据位于顶端，通过遥操作或动捕设备采集，质量最高，是提升实用性的关键，但采集效率低、成本高昂。
真机数据采集高度依赖动捕设备，主要分为光学动捕与惯性动捕两类：光学动捕精度达亚毫米级，适用于集中式训练场，代表企业包括凌云光、青瞳视觉；惯性动捕部署灵活、成本较低，适合中低精度场景，代表企业有诺亦腾、Xsens。行业普遍采用“仿真+真机”混合训练模式，数据比例差异显著——智元机器人实现100%真机驱动，北京人形机器人创新中心则采用7:3的仿真数据占比。
四、具身智能大模型的未来发展方向
（一）模态扩展：融入更多感知通道
当前主流模型以视觉、语言、动作三模态为主，未来将逐步引入触觉、温度等新模态，构建更完整的世界模型。触觉模态已成为重点方向，VTLA（视觉-触觉-语言-动作）相关技术已在戴盟、帕西尼等企业落地，有望显著提升模型泛化能力。
（二）推理机制：引入世界模型提升认知
未来架构将集成“世界模型”，实现“感知—建模—预测—决策”闭环认知。英伟达发布的Cosmos平台可通过扩散模型、自回归模型生成照片级真实合成数据，赋予机器人“想象力”，增强环境建模与复杂任务推理能力。
（三）数据构成：仿真与真实数据融合
纯真实数据采集效率低且缺乏负样本，纯仿真数据存在现实对齐难题，二者融合成为必然趋势。标准化、可扩展的机器人数据训练场加速建设，1亿条高质量行为轨迹被视为模型能力跃迁的关键门槛。优必选、特斯拉、华为等企业正积极布局“仿真-真机融合”训练体系。
五、核心企业与标的分析
（一）模型端核心企业
- 银河通用：专注具身多模态大模型，采用全仿真数据预训练（占比超99%）+少量真机微调模式，发布全球首个完全依赖合成数据预训练的VLA模型GraspVLA，训练数据达十亿帧“视觉-语言-动作”对，首款机器人Galbot（G1）具备泛化抓取能力；
- 星动纪元：源自清华大学交叉信息研究院，自研端到端模型ERA-42，采用双系统架构，为全球首个融合世界模型的全模态具身大模型，开源AIGC生成式模型VPP，利用互联网视频数据提升策略泛化性；
- 智元机器人：发布通用具身基座大模型GO-1，采用ViLLA架构融合VLM与混合专家系统，推出全球首个基于机器人动作序列驱动的具身世界模型EVAC及评测基准EWMBench，实现感知-规划-执行闭环。
（二）数据采集与训练场标的
- 数据采集领域：青瞳视觉（光学动捕系统集成Kinetiq AI解算器）、凌云光（光场重建与动捕系统国内市占率第一，服务头部机器人厂商）、奥比中光（3D视觉龙头，Gemini系列相机支持毫米级深度感知）；
- 数据训练场领域：天奇股份（与优必选、银河通用合作，建设工业级数据采集与实训中心，支持50台人形机器人并行训练）。
六、投资建议与风险提示
（一）投资建议
建议关注模型端的一级市场企业银河通用、星动纪元、智元机器人；数据采集领域重点关注青瞳视觉、凌云光（688400.SH）、奥比中光（688322.SH）；数据训练场领域建议关注天奇股份（002009.SZ）。
（二）风险提示
- 大模型技术进展不及预期，推理能力、泛化能力、动作输出频率等核心指标突破缓慢；
- 高质量数据获取受限，训练场建设进度、采集成本与效率难以满足模型训练需求；
- 人形机器人市场需求不及预期，商业化路径受阻，影响具身大模型产业价值空间。
