猜你想问
这份研报主要讲了什么内容？
这份研报深入探讨了物理AI领域的数据采集现状与未来趋势。核心观点包括：自2026年Q3起，物理AI数据需求将从具身模型公司扩展至通用大模型公司，需求量级预计达千万至上亿小时；数据采集模式将从真机遥操作转向“无本体采集”（第一人称数据），单小时成本大幅下降，设备成本也有望降低；技术路线正从VLA转向世界模型和端到端技术，真机数据角色转变为少量对齐工具；工业与物流场景成为首选落地场景，家庭场景则处于社会化众包采集阶段；模型性能提升需要指数级增长的泛化数据，数据规模效应是核心壁垒。研报还重点分析了德马科技在物理AI数据采集领域的布局与战略，包括其Omni-Ego方案、垂类模型计划以及在分拣搬运场景的应用目标。
物理AI数据采集行业发展趋势如何？
物理AI数据采集行业正经历显著的技术与模式变革。从技术路线上看，行业正从传统的VLA技术转向更先进的世界模型和端到端技术，这有助于提升模型的泛化能力和通用性。数据采集模式上，正从成本高昂的真机遥操作转向低成本、高效率的“无本体采集”，即第一人称数据采集方式，这将极大降低数据获取成本并提高数据质量。场景应用方面，工业与物流因其简单、重复性高且付费能力强，成为首选落地场景，而家庭场景的多变性目前仍依赖社会化众包采集。未来，随着传感器技术的成熟，力觉、触觉等信息的采集将逐步增加，使数据维度更完整。此外，模型性能的提升遵循指数级数据需求规律，数据规模效应成为核心竞争力。
研报重点分析了哪些方向？
本研报重点分析了物理AI数据采集的多个关键方向。首先，聚焦于数据采集模式的转变，对比了真机遥操作与“无本体采集”的成本、效率及适用场景差异。其次，深入探讨了技术路线的演进，特别是世界模型和端到端技术在提升模型泛化能力方面的作用，以及真机数据在新技术路线下的角色变化。再次，对工业、物流、家庭等不同场景的数据采集方案进行了对比分析，指出了各场景的特点与挑战。此外，还重点剖析了模型性能提升与数据规模的关系，强调了数据规模效应的核心壁垒作用。最后，对德马科技在物理AI数据采集领域的布局、发展战略及竞争优势进行了详细解读，包括其Omni-Ego方案、垂类模型计划等。
当前物理AI数据采集市场现状如何？
当前物理AI数据采集市场呈现出多元化竞争格局。从参与者来看，主要分为模型公司、第三方数据公司和拥有场景资源的服务公司三类。技术层面，行业正从VLA技术向世界模型和端到端技术快速演进，通用大语言模型开始部署到机器人上，标志着行业正从信息AI向物理AI转型。数据采集模式上，已从早期的真机遥操作转向以“无本体采集”为主，单小时采集成本显著下降，设备成本也有望大幅降低。场景应用上，工业与物流场景因简单、重复性高且付费能力强，成为首选落地场景，而家庭场景的多变性复杂，目前仍处于社会化众包采集阶段。竞争核心在于对模型的充分认知、快速部署和规模化扩展能力，以及丰富的场景资源。
投资物理AI数据采集赛道需注意哪些风险？
投资物理AI数据采集赛道需关注多重风险。首先，数据采集业务的核心壁垒在于对模型的充分认知、快速部署和规模化扩展能力，以及丰富的场景资源，新进入者可能面临较高的技术门槛和资源壁垒。其次，模型性能提升遵循指数级数据需求规律，从60分到80分相对容易，但从80分提升到90分、95分所需数据量呈指数级增长，数据规模效应是核心壁垒，大规模数据采集可能带来高昂成本。再次，场景资源的管理依赖于在行业内的长期积累和资源整合能力，缺乏场景资源的企业可能难以获得持续的数据供给。此外，技术路线快速演进可能使现有投资面临技术迭代风险，需要持续关注技术突破方向。最后，海外模型即使经过大量虚拟仿真训练，仍需长期的数据规模增长才能达到高泛化能力，国际化拓展可能面临数据获取与本地化适配的挑战。