猜你想问
这份研报的核心内容是什么？
这份研报的核心内容是探讨Act（astra）大模型对物理AI和具身智能的影响。报告指出大模型可直接输出末端位置，可能侵蚀物理AI边界，但具身智能仍需突破泛化性和鲁棒性限制。同时，报告分析了国内头部具身智能公司数据采集领域的需求爆发，数据量级预计从2025年底的几万至小几十万小时增至2026年底的100-200万小时，目标后年达千万小时。
机器人算法赛道的发展趋势如何？
机器人算法赛道的发展趋势显示，数据采集需求正与Act大模型平行爆发。国内头部具身智能公司的数据量级正快速增长，预计2026-2028年数据需求每年将翻倍以上。数据类型方面，无模型数据（污蔑、ego数据）因确定性高、成本低、采集简单，成为优先级，2026年起展现出良好泛化能力，占头部公司数据量大头。仿真数据领域壁垒极高，尤其含柔性物体物理求解器的内容，国内光轮智能表现较好。
研报重点分析了哪些方向？
研报重点分析了具身智能所需的数据类型优先级和仿真领域壁垒。报告强调无模型数据确定性高于仿真数据，因其成本低、场景分布好、采集简单，且2026年起展现出良好泛化能力。同时，仿真数据壁垒极高，特别是含柔性物体物理求解器的内容，国内光轮智能在此领域表现突出。此外，报告还关注了Act大模型对物理AI边界的影响，以及具身智能需突破泛化性和鲁棒性限制的问题。
目前机器人算法市场的现状是怎样的？
目前机器人算法市场的现状是数据采集需求爆发，国内头部具身智能公司的数据量级正快速增长。从2025年底的几万至小几十万小时，预计增至2026年底的100-200万小时，目标后年达千万小时。数据类型方面，无模型数据因确定性高、成本低、采集简单，成为优先级，2026年起展现出良好泛化能力，占头部公司数据量大头。仿真数据领域壁垒极高，国内光轮智能表现较好。
研报提到了哪些风险提示？
研报提示的风险主要是现阶段难确定具身智能所需的数据量级，但行业整体壁垒不高。2026-2028年国内头部公司数据需求预计每年将翻倍以上，这可能带来数据采购压力。此外，需关注大模型厂商入局对数据采购的强化影响，这可能改变现有数据格局。虽然Act大模型短期内难以落地，但若OpenAI布局具身智能，将成为重要分水岭，需持续关注其动向。