猜你想问
物理AI的核心任务是什么？
物理AI的核心任务分为三类：Navigation（2D位移，商业化初期）、Locomotion（3D位移，商业化早期）、Manipulation（操作，研发孵化期）。GPT-6 Astra显著提升物理任务完成成功率（22.48%），搭配具身模型派0.5后成功率升至48%，但仍缺乏真实物理世界感知能力。若LLM击穿具身模型，将引发行业格局变化：大脑公司洗牌、本体公司受益、传感器需求增加、训练数据需求放大。预计1-2年后具身智能进入GPT-3.0时刻，任务成功率达80-90%，带动算力、数据中心及芯片需求井喷。
物理AI行业发展趋势如何？
物理AI行业预计1-2年后进入GPT-3.0时刻，任务成功率达80-90%，带动算力、数据中心及芯片需求井喷。具身智能商业化初期以Navigation（2D位移）为主，早期以Locomotion（3D位移）为主，研发孵化期以Manipulation（操作）为主。数据采集标注模式分为自建、外包、组合三类，数据类型包括真机（高成本、高质量、难规模化）、真人（易规模化、人力密集）、仿真（低成本、资本密集、需解决仿真与真实差异），规模化难度与质量负相关。
本报告重点分析了哪些方向？
本报告重点分析了物理AI的核心任务与商业化路径，包括Navigation、Locomotion、Manipulation三类任务的现状与未来趋势。同时分析了数据采集标注模式（自建、外包、组合）及数据类型（真机、真人、仿真）的优劣势与规模化挑战。此外，报告还梳理了特斯拉机器人的进展，包括弗里蒙特与奥斯汀基地的产能目标、投资规模及组装效率要求。最后，报告提出了投资线索，包括本体公司宇树、产业链卡位公司立讯精密、奥比中光、豪威科技以及数据环节的头部外包厂商。
当前物理AI市场处于什么阶段？
当前物理AI市场处于商业化初期和早期阶段，以Navigation和Locomotion为主，Manipulation仍处于研发孵化期。GPT-6 Astra等技术显著提升了物理任务完成成功率，但仍缺乏真实物理世界感知能力。特斯拉机器人双基地中弗里蒙特进入早期爬坡，奥斯汀在建，2027年目标年产100万台，现周产仅800-1000台，未达商业化标准，预计2-3年后下游爆发。数据采集标注环节存在规模化难度与质量负相关的问题。
本报告提示哪些风险？
本报告提示的主要风险包括：1）LLM替代物理模型的风险，可能导致大脑公司洗牌；2）数据采集标注环节的规模化难度与质量负相关问题，真机数据成本高、难规模化；3）仿真数据与真实世界差异问题，需解决仿真环境的局限性；4）特斯拉机器人产能爬坡缓慢，未达商业化标准，下游爆发存在不确定性；5）数据环节头部外包厂商面临LLM技术替代的风险。