猜你想问
这份研报主要讲了什么内容？
这份研报主要介绍了上纬新材在物理AI领域的最新进展。通过人机协作的UMI（通用模型接口）示范，展示了模型Astra如何同步预测动作并识别薄弱环节，指导数据采集和模型迭代，显著提升任务完成度和数据采集效率。报告还详细阐述了公司在数据与算力储备方面的规划，包括计划2027年达到百万小时数据量、现有数千卡算力储备以及核心团队经验。此外，研报还探讨了产品落地与交付思路，如推出面向家务操作的轮式H系列机器人，并计划在2026年底推出机器人大脑初始版本。
物理AI行业的发展趋势如何？
物理AI行业正朝着人机协作、硬件数据模型同步迭代的方向发展。通过通用模型接口（UMI）等技术，模型能够实时预测和优化机器人动作，大幅提升任务执行效率。行业未来将重点扩大数据量和场景覆盖范围，通过算法与采集人员的协作，利用规则和AI辅助进行数据清洗和指导采集。同时，算力储备和集群训练能力将成为关键竞争要素，推动行业向更高效率、更智能化方向发展。
研报重点分析了哪些方向？
研报重点分析了上纬新材的技术路径与效率提升策略，包括人机协作的UMI示范、模型Astra的同步预测与规划能力、自研VLA的动作执行与本体适配等。此外，报告还深入探讨了公司的数据与算力储备情况，如百万小时数据的规划、数千卡算力储备、国产卡应用以及万卡集群训练经验。最后，研报详细分析了产品落地与交付思路，包括轮式H系列机器人的推出计划、长流程家务执行能力提升、衣物处理功能优先打通等。
当前物理AI市场的现状如何？
当前物理AI市场正经历快速发展阶段，技术路径不断优化，人机协作模式成为主流趋势。企业纷纷加大数据采集和算力投入，以提升模型训练效果和任务执行效率。产品落地方面，家务操作机器人成为热点领域，多家企业推出面向特定场景的机器人产品。同时，行业也在探索用户参与数据补充的“机器人养成计划”，以加速模型迭代和泛化能力提升。整体来看，物理AI市场潜力巨大，但技术成熟度和商业化落地仍面临挑战。
研报提示了哪些风险？
研报提示的主要风险包括技术迭代风险，如模型泛化能力不足、任务执行失败率高等问题可能影响产品落地效果。数据采集和隐私保护方面，百万小时数据的获取需要大量时间和成本投入，同时用户自愿参与的数据采集可能存在隐私泄露风险。算力方面，大规模集群训练需要持续投入，且国产卡性能可能存在不确定性。此外，市场竞争激烈，技术领先优势可能被快速追赶，产品商业化落地也存在一定的不确定性。