重申关注中国物理AI稀缺资产，机器人虚拟训练平台发布在即！

物理AI近期的催化是什么，为什么它会涨？为什么在众多标的中首推所成，认为其具有独特性和稀缺性？近期的催化来自于英伟达黄仁勋在访华期间明确表示AI下一波浪潮是理解物理世界，这重新唤起了市场对物理AI的关注。所成（索辰科技）作为唯一一家在聚生智能模型端具有卡位优势、场景应用、自有产品和收入的稀缺资产，在此背景下表现出强劲行情。所成科技是国内唯一一家拥有自主物理求解引擎和平台级产品的公司，早在今年三月就发布了天工开物平台，并在多个领域如军工、低空经济、风电及汽车行业获得了商机转化和订单。此外，所成科技计划于月底的世界人工智能大会上发布机器人虚拟训练仿真平台，进一步巩固其在物理AI领域的领先地位和独特卡位。所陈公司目前在机器人相关领域的场景建设情况如何？所陈公司利用其在国产CE行业积累的优质客户资源，已经在军工、风电、能源石化等多个传统成熟行业实现先行先试的场景应用。例如，在军工领域实时生成风动厂进行仿真制造，在风电领域部署端侧传感器以实时分析气象数据并动态调整风电机组状态来提升发电功率，在低空领域通过售卖实时流体力学数据帮助无人机提高配送效率和节省电量。所陈公司的产品开发进度怎样？除了已发布的物理AI平台之外，所陈公司将在7月28日的世界人工智能大会上进一步发布机器人虚拟训练平台，该平台对标英伟达的PhysX和Google的Magical等顶级物理引擎搭建的仿真平台，是全球唯三针对机器人训练开发和生态建设的底层物理引擎仿真平台。所陈公司的商业模式及收入情况如何？全球范围内，此类底层物理仿真平台初期通常采用开源模式积累用户和生态，所陈公司虽也遵循此路径，但因其已有成熟的场景和客户基础，能够在现阶段明确预计在2025年和2026年实现3000万和5000万的ABI收入，这在软件层和模型 层已达到相当高的收入规模，并且有望在未来通过销售高质量的数据资产和API工具链获取利润。对于当前A股大跌的原因以及所陈公司股权激励目标设定的看法？此波A股大跌分为两部分：一是随着机器人概念热度退潮带来的股价压力；二是市场对所陈公司7月4日发布的股权激励中较低收入增长目标的担忧。但实际上，股权激励旨在绑定核心研发团队，而非反映公司实际收入增长潜力。尽管今年增速可能较明年稍慢，但预计今明两年依然能保持25%至30%的增速，保守估计今年4.5亿，明年6亿收入。所陈公司的估值处于何种水平？所陈公司自上市以来，估值中枢一直维持在20倍PS左右，甚至有达到30至40倍PS的高位。近期的下跌已使其估值处于历史绝对底部位置，从多个视角看，当前是较好的布局时机。从短期视角来看，该公司的目标市值是多少？目前，从短期角度看，基于历史中枢的20倍PS计算，对应今年25年的收入，目标市值大约是90亿。当前价格与这一目标市值相比，仍有30%左右的空间，因此我们维持做强推评级。中期阶段，影响公司估值的关键节点是什么？中期阶段的关键节点是7月28号，即两周后，他们计划发布的机器人虚拟仿真平台产品是否能超过市场预期。如果该产品发布大超预期，可能会进一步推动市值增长，因为物理AI部分如果达到预期，到2027年可能带来超过10亿的收入增量，额外增加将近50亿的市值。长期来看，公司有哪些潜在的增长机会？长期来看，公司的下游市场主要以军工为主，但国内汽车行业和机器人仿真市场（如四足、六足及人形机器人）极具潜力，市场规模可能超过汽车行业的30亿 市场。目前，这些市场主要由海外巨头如西门子、ABB等占据主导地位，但标准化工业软件的毛利率高达95%以上，意味着即使在30亿加30亿的汽车与机器人仿真市场中，毛利就有80到90亿的区间。若公司在汽车机器人市场取得约30%的市场份额，远期净利率能达到7到10亿，按照30倍PE计算，将有望达到200亿至300亿的远期目标市值。对于当前所持的价值观和市场地位，有何具体看法？短期而言，回到历史估值中枢，20倍PS对应90亿市值的目标，仍有30%左右的空间；中期关注7月28号产品发布会的表现，若超预期将带来额外50亿市值增量；长期来看，国内汽车CE市场和机器人CE市场可能为公司贡献7到10亿远期利润，支撑起超过200亿甚至300亿的市值规模。物理AI是什么？为何所城在该领域稀缺且具有独特优势？物理AI是一种能理解和生成语言、视觉和行动信息的模型，目前仍处于预研阶段。所城之所以稀缺且拥有独特优势，是因为它拥有特定场景、产品以及收入来源。此外，公司对物理AI领域的理解和应用，使其在市场中占据有利地位。空间智能和物理AI在AI技术中如何结合，形成世界模型？世界模型等于物理AI加空间智能。最初阶段，空间智能是一个先实现的环节，而物理AI则需要建立在空间智能之上。大语言模型之所以能规模化发展，是因为在互联网浪潮中积累了大量的一维语言和各类信息数据，使得基于former架构的模型能够通过训练达到可用状态。然而，目前并不存在真正意义上的3D空间智能大模型，因为缺乏足够的3D数据集来让模型理解空间几何关系。物理AI具体是指什么？物理AI是指在空间智能模型中，机器人或汽车等实体与其他物体交互过程中，涉及的力学反馈、结构力学、流体动力学等底层物理定律所约束的力学反馈。例如，在3D空间智能场景中，机器人与环境交互时所受到的摩擦力、支撑力等物理定律约束。 业界如何通过仿真形式生成合成数据以实现空间智能和物理AI的发展？业界通常采用两步走策略。第一步是在真实场景中对机器人作业环境进行详细视频拍摄和3D建模，将2D图像映射为3D空间，并对不同物体进行几何重建。第二步是对真实场景中的物体属性（如摩擦系数、大小、颜色、视角等）进行调整和排列组合，生成更多的仿真数据。这种“从现实到仿真，再从仿真到现实”的模式，目前已成为业界主流训练方式，其中大部分训练数据（如银河通用的99%）来源于合成数据。物理AI如何在机器人抓取物体时体现？在机器人抓取物体如水杯的过程中，物理AI体现在机器人与环境接触时必须遵循牛顿力学等物理规律，如手臂关节电机的力反馈信息、手指压力传感器信息、身体IMU惯性传感器六维信息等都是物理AI的具体表现。这些信息记录了机器人在执行抓取任务时受到的物理约束和影响。在进行仿真计算时，通常需要经历哪些步骤？在仿真计算过程中，首先基于传统的CAE仿真计算方式进行前处理，包括网格化剖分、微分设定以及对不同构型的材质、边界条件、载荷约束等进行定义。接着通过力学结构求解器求解结构力学问题，得出结果后使用渲染引擎将受力图等可视化展示。英伟达与谷歌等公司合作的项目以及即将发布的相关平台具体在做什么？这些项目的核心目标是解决当前AI训练中数据不足的问题，通过构建基于真实物理约束的3D或4D仿真引擎来生成高质量的仿真合成数据，从而实现数据增广，降低对真实世界数据采集的成本和需求。物理仿真技术在生成数据方面的优势是什么？物理仿真的优势在于，相较于从真实世界中采集数据所付出的高昂租金（如场地租金、人力成本），在仿真环境中生成数据的成本主要取决于GPU算力，而GPU 租金随着摩尔定律的增长效应会越来越便宜。因此，仿真技术能以更低的成本提供大量高质量的数据，是构建机器智能系统不可或缺的途径。为何在智能驾驶和通用型人形机器人领域存在基于模型强化学习的技术分歧？在智能驾驶中，早期的端到端无模型强化学习在一定程度上能够实现有效且快速的决策。然而，在追求更高效率和全局最优解时，基于模型的强化学习能够提供更高效的路径规划和决策能力。对于通用型人形机器人而言，是否采用基于模型的强化学习将直接影响其能否具备高效、分拣型的智能行为，决定其从可用到不可用的区别。基于模型的强化学习和无模型的强化学习有何区别？基于模型的强化学习类似于慢思考（系统二），需要对任务进行预判和规划，具备全局思维和目标导向行为，能解决复杂且长期的问题；而无模型的强化学习类似于快思考（系统一），主要处理快速反应和无延迟的关联性学习，适用于智能驾驶等领域中的紧急制动、路线选择等即时决策场景。T电技术路线分歧的主要原因是什么？T电技术路线分歧主要是由于基于模型的强化学习在具身智能中的应用，具体涉及到3D空间智能和4D物理交互的底层物理定律模型。目前，这个模型在全球范围内的进展和掌握程度有所不同。目前全球主流的机器人仿真平台有哪些？目前全球主要有两个主流机器人仿真平台，一个是早年被老黄收购的底层物理调解器WARP，另一个是Google谷歌内部的名为Magical的求解器。其中，老黄基于WARP开发了Asim平台，并在今年CES展会上迭代到了4.4.5版本。新发布的牛顿（Newton）平台有何特点？牛顿平台是老黄联合GoogleDeepMind和迪士尼共同发布的虚拟训练平台，它基于Google的Magical物理求解器，旨在弥补WARP求解器代码和语言较为古老的 缺陷。预计未来两个求解器可能会融合成为全球最主流的架构。该卡位独家体验指的是什么？卡位独家体验是指这家中国公司不仅拥有底层仿真求解器引擎，还推出了上层的机器人训练平台，具有独家的市场定位。这种卡位优势在于能够先发制人，通过免费模式吸引用户、积累数据资产，并构建生态体系，从而在产业初期建立壁垒。早期商业模式应该如何理解？早期商业模式将重点放在做生态和免费服务上，通过聚集用户，让用户在平台上积累数据资产，进而出售封装好的数据资产或采用类似SaaS化的订阅制模式盈利。先发优势在此行业中至关重要，能服务好早期机器人公司将有助于形成正向循环。为何认为物理AI的重要性及其技术分析价值？物理AI对具身智能至关重要，因为机器人需要与物理学进行交互以理解3D空间构造、几何理解以及其他物体间的交互过程。物理模型的掌握能够有效解决目前数据短缺问题，通过合成数据规模化生成来推动技术进步。