深度报告-20260715-国金证券-机器人行业研究_数采_物理AI最大短板_数据基建即将爆发_38页_6mb

机器人行业研究总结

核心内容

本报告聚焦于机器人行业中的数据采集（数采）环节，指出数据是人形机器人发展最核心的瓶颈，且随着物理 AI 的发展，数采行业即将进入爆发期。报告分析了数采技术路线、产业链发展以及未来趋势，强调了高质量、高精度、多模态数据的重要性。

主要观点

• 数据驱动是物理 AI 的关键阶段：人形机器人在硬件趋于成熟后，其“大脑”训练依赖于大量高质量的物理交互数据，而当前真实数据极度稀缺，合成数据和互联网视频成为补充。
• 数采需求爆发：预计到 2040 年，全球物理 AI 市场规模将达 3.26 万亿，其中数据采集将占据重要位置。2025 年真机数据采集订单占比达 31.25%，成为主要增长点。
• 数采技术路线多样：包括真实数据采集（如遥操作、动捕）、合成数据（如仿真、AI生成）、互联网视频（如第一人称视频）三类，其中真实数据精度高但成本高，互联网视频成本低但质量不稳定。
• 产业链受益：数采设备、数采服务、垂类应用三大环节将率先受益。其中，相机、IMU、触觉传感器、灵巧手等设备需求激增，数采公司凭借数据质量与成本优势占据核心地位，垂类应用公司则因场景壁垒具备稀缺性。

关键信息

一、数采的重要性

• 数据是物理 AI 的最大短板：当前人形机器人训练数据不足，单位成本高，与大语言模型的训练数据相比，仅为其万分之一。
• 数据基建爆发在即：2025 年起，全国多地密集建设数采中心，形成“北京领头、长三角密集、中西部跟进”的格局，部分工厂年采集量达数百万条。
• 觅蜂目标采集 100 亿小时数据：为满足未来 2030 年的具身智能需求，觅蜂将数据采集目标提升至 100 亿小时。

二、数采技术路线

1. 遥操作

• 分类：分为位姿类、视觉类、光惯类。
• 特点：位姿类精度高但成本高，视觉类依赖算法，光惯类融合光学与惯性技术，适用于复杂场景。
• 代表方案：Mobile ALOHA、AirExo、DexPilot、Open TeleDex 等。

2. 动作捕捉

• 光学动捕：精度高，但存在遮挡问题。
• 惯性动捕：成本低、数据连续，但末端精度不足。
• 无标记追踪：AI 驱动，无需穿戴设备，成本低但需后期处理。

3. 互联网人类视频

• 优势：成本低、规模大，但质量不一，需算法处理。
• 应用：用于预训练，配合仿真数据提升模型泛化能力。

4. 仿真数据

• 特点：成本最低，但需验证 Sim-to-Real 的可行性。
• 代表项目：MimicGen、DexMimicGen、RoboGSim、SpatialVerse、Marble、Cosmos 等。

三、数据集演进

• 规模：从万级到百万级，逐步向真实场景靠拢。
• 模态：从 2D 视觉发展为多模态数据，包含深度、力触觉、文本、音频等。
• 质量：强调数据标注、失败恢复、人机闭环校验等维度的提升。

四、产业链受益环节

1. 数采设备

• 主要设备：机器人本体、Ego-centric 相机、UMI 相机、IMU、触觉传感手套、夹爪等。
• 关键设备：相机（2D+3D）、IMU、触觉传感器，其中 2D 和 3D 相机为 EGO、UMI、本体采集的共同底座。

2. 数采服务

• 服务内容：包括真机数据采集、第一人称数据采集、仿真平台建设等。
• 代表公司：帕西尼、诺亦腾、灵巧智能、戴盟机器人、京东云、觅蜂科技等。

3. 垂类应用

• 特点：各行业专属数据库和场景，具备稀缺性。
• 代表场景：工业、家居、康养、商业服务、物流等。
• 代表公司：天奇银河、利亚德、优必选、智元等。

投资建议

• 数采设备：重点关注高 ASP、好格局的赛道，如相机、IMU、触觉传感器等。
• 数采公司：注重数据产出成本与质量，具备场景与数据标准化能力的公司更具优势。
• 垂类应用：关注在细分场景中具备数据闭环能力的公司，如工业、医疗、家居等。

风险提示

• 机器人发展不及预期：技术突破可能滞后，影响数据需求。
• 数采技术路线迭代：技术更新快，可能影响现有方案的竞争力。

总结

本报告系统分析了人形机器人行业在数据采集方面的现状与未来趋势，指出数据是物理 AI 最关键的瓶颈，且随着技术发展，数采行业将迎来爆发。不同技术路线各有优劣，需结合成本与精度选择。未来数采设备、服务及垂类应用环节将受益，投资需关注具备技术壁垒与场景优势的企业。