1、大模型的問題：我們對大模型的相關(guān)概念進行了釋義和邏輯解讀，認為LLM-VLM-VLA是具身智能發(fā)展的進階路徑，需要實現(xiàn)大模型從語義理解到物理世界理解的“具身”化、適應(yīng)不同環(huán)境和任務(wù)的通用泛化，在實現(xiàn)的過程中，面臨商業(yè)化落地的精度取 舍和數(shù)據(jù)缺乏的瓶頸；

2、梳理了部分布局者的大模型及本體進展，對比本體廠、大廠和d角獸公司的大模型技術(shù)路徑及進展，包括銀河通用、智 元、Figure AI、優(yōu)必選和Physical Intelligence PI；

3、投資機會：我們認為，數(shù)采工具+垂域場景或可落地先行，可關(guān)注有垂直場景和豐富行 業(yè)數(shù)據(jù)的公司。

一、模型的問題：大模型的概念、需求及瓶頸

1、概念的解讀：梳理了大模型的相關(guān)概念并進行釋義和邏輯解讀；

2、具身的需求：對大模型來說，完成疊衣服任務(wù)的難度遠超于贏得國際象棋，具身智能機器人的應(yīng)用需要跨越虛擬來到現(xiàn)實；

3、泛化的需求：泛化大模型VS. 垂域模型；

4、核心的問題：是否是數(shù)據(jù)缺乏？

二、布局者的問題：本體廠/大廠/d角獸，具身智能模型進展如何？

梳理了部分布局者的大模型及本體進展，對比本體廠、大廠和d角獸公司的大模型技術(shù)路徑及進展，包括銀河通用、智元、Figure AI、優(yōu)必 選和Physical Intelligence PI等。

 三、投資機會：數(shù)采工具+垂域場景或可落地先行

1、開發(fā)數(shù)采工具：部分廠商通過開發(fā)便捷易用、性價比較高的數(shù)采工具，解決目前具身大模型構(gòu)建的數(shù)據(jù)缺乏、真機采集數(shù)據(jù)成本高的問題

2、拓展垂直場景：基于各公司對垂直行業(yè)的深度理解、豐富場景和海量數(shù)據(jù)，實現(xiàn)具身智能在垂直場景的率先落地

相關(guān)標的：我們認為人形機器人目前處于技術(shù)突破、商業(yè)化落地初期，后續(xù)有望迎來量產(chǎn)空間，維持人形機器人行業(yè)“推薦”評J。

建議關(guān)注： 1）具身智能本體公司優(yōu)必選、極智嘉等；2）具身智能落地相關(guān)場景：杭叉集團、安徽合力、勁旅環(huán)境、杰克科技等；3）數(shù)采設(shè)備供應(yīng)商漢 威科技、南山智尚等。

好的具身智能產(chǎn)品可以被狹義定義為【數(shù)據(jù)驅(qū)動】型，需要解決的核心問題包括：

1）泛化需求VS精度需求：我們認為精度要求不高的垂直場景可能Z先實現(xiàn)商業(yè)化：數(shù)據(jù)驅(qū)動的核心優(yōu)勢是泛化、劣勢是精度，因此可以尋 找對泛化能力要求迫切，但對于精度要求不過高的任務(wù)進行產(chǎn)品化；

2）自動駕駛VS具身智能，具身大模型泛化面臨數(shù)據(jù)缺乏、獲取數(shù)據(jù)成本高的問題。如果數(shù)據(jù)完全來自于遙操作，那么就會面臨速成但不泛 化的問題，特斯拉FSD的一個護城河就是其上百萬臺車和上億小時的實時駕駛數(shù)據(jù)。如果沒有數(shù)據(jù)來源，或者數(shù)據(jù)采集成本很高，那么產(chǎn)品 未來的商業(yè)化面臨較難的落地瓶頸。

目前，各公司獲得數(shù)據(jù)的方式包括：1）工廠等實訓場景收集數(shù)據(jù)集；2）真機操作數(shù)據(jù)；3）視頻數(shù)據(jù)；4）互聯(lián)網(wǎng)規(guī)模數(shù)據(jù)等，并 有不同數(shù)據(jù)集和預(yù)訓練、后訓練的數(shù)據(jù)組合。

附件：Sim+to+Real,具身大模型的問題、現(xiàn)狀與投資機會:本體廠,大廠和獨角獸公司的大模型技術(shù)路徑及進展