人形机器人行业聚焦具身智能分析浪潮 - 副本.doc

具身智能是指一种基于物理身体进行感知和行动的智能系统，其通过智能体与环境的交互获取信息、理解问题、做出决策并实现行动，从而产生智能行为和适应性。具身智能包括大脑、小脑和本体三个重要组成。大脑负责顶层决策规划；小脑负责运动控制；本体负责动作执行。三个部分发展进程不一，但均处于快速发展之中。

01

具身智能行业加速发展，大模型等新技术推动总体规模不断扩张

（一）总体规模持续增长

随着中国科技的飞速发展、数字化转型的加速，以及人工智能技术的不断突破和创新，具身智能的市场规模呈现出显著的增长态势。据36氪研究院测算，具身智能的市场规模已从2018年的2923亿元增长至2023年的7487亿元，年复合增长率达到20.7%。这一显著增长不仅反映了技术进步和市场需求的双重驱动，还预示着未来具身智能行业的巨大潜力。

从技术层面看，人工智能算法的不断成熟和大模型技术的突破为具身智能的发展提供了强大的技术支撑，使得具身智能可以在更多领域实现深度应用，从而提高生产效率、优化用户体验，进一步推动市场规模的扩大；从市场需求层面看，随着社会对智能化解决方案的需求日益增长，具身智能作为一种创新的技术形态，正逐渐渗透到工业、医疗、物流、交通等多个领域。这种广泛的应用场景将为具身智能带来持续的增长动力。预计未来五年，具身智能的市场规模将持续增长，有望在2026年突破万亿规模。

图表1：中国具身智能行业市场规模预测（单位：亿元）

资料来源：网络公开资料搜集

（二）大模型赋能加速

大模型技术，尤其是大语言模型（LLM）、视觉基础模型（VFM）以及多模态大模型（MLM）的突破性进展，通过增强逻辑推理、视觉感知、多模态信息融合以及跨模态理解，为具身智能的发展提供了强大的数据处理能力和环境适应性，使其在复杂场景中的任务执行和决策能力得到显著提升，显著推动了具身智能的发展。

近年来，以ChatGPT为代表的大语言模型（largelanguagemodel，LLM）技术取得了突破性的进展，能够执行自动问答、机器翻译、聊天对话等任务，同时通过先进的思维链（chain-of-thought，CoT）等提示技术，大语言模型的逻辑推理能力获得了大幅提升，从而有望解决复杂具身智能场景中的任务分解和推理问题。

视觉基础模型（visualfoundationmodel，VFM）通过自监督的学习目标可以获得强大的视觉编码器，能够解决如图像分类、语义分割、场景理解等视觉感知任务，在具身智能任务中，强大的视觉编码器能够对视觉传感器获得的周围环境信息进行分析和理解，从而帮助智能体进行决策；在此基础上，视觉－语言模型（visual-languagemodel，VLM）通过引入预训练视觉编码器和视觉－语言模态融合模块，使得大语言模型能够获取视觉输入，同时根据语言提示进行视觉问答，在具身智能中，引入VLM能够使智能体根据任务语言指令和环境的视觉观测进行推理和决策，从而提升智能体对环境的感知和理解能力。

多模态大模型（multimodallargemodel，MLM）通过引入视频、音频、肢体语言、面部表情和生理信号等更多模态，可以分析更丰富的传感器输入并进行信息融合，同时结合具身智能体中特有的机器人状态、关节动作等模态信息，帮助解决更复杂的具身智能任务。从文本到图像再到现实世界，大模型的数据模态逐渐丰富，数据规模的数量级迅速增长，大模型的应用场景和价值量也成比例扩张，具身智能有望在未来成为大模型终极应用场景。

图表2：大模型的发展进程

资料来源：网络公开资料搜集

因此，随着大模型能力的不断提升，以及具身智能中示教数据、仿真平台、任务集合的不断完善，大模型和具身智能的结合成为人工智能的下一个浪潮，成为人工智能迈向实体机器人的重要突破口。

02

具身智能行业更新迭代速度快，部分新兴企业呈现后来居上趋势，行业融资动作频繁

（一）老牌企业研发机器人商业化进程缓慢

从商业化进度来看，部分老牌机器人研发企业交付进度整体较不明朗，商业化进程缓慢，部分企业已终止机器人研发。本田ASIMO机器人由于其本身技术复杂、开发成本昂贵，本田于2018年停产其产品。软银Pepper机器人由于成本过高，价格和能力不匹配导致其在市场销售情况不容乐观，缺乏具体应用场景导致消费者接受度不高。2024年4月，波士顿动力（BostonDynamics）正式宣告其研发的液压驱动双足人形机器人Atlas退役，由于液压路径维护成本高，转而研发全电动双足人形机器人Atlas。

图表3：老牌机器人企业研发情况

资料来源：网络公开资料搜集

（二）部分新兴企业机器人产品已实现量产

部分新兴企业机器人产品已经量产，行业更新迭代速度较快。随着人工智能技术的进步，2023年机器人行业新品层出不穷。海内外多家厂商如特斯拉、Figure.ai以及宇树