猜你想问
这份研报主要讲了什么核心内容？
这份研报深入探讨了具身智能数采的核心逻辑，指出数采设备、模型scaling和数采需求三者环环相扣，互相促进。报告重点分析了Ego数据、仿真合成数据和触觉数据在数采技术路线中的现状与挑战，特别提到Ego数据在2026年预训练规模下对模型的显著正向影响，以及仿真合成数据在物理层面仿真的核心短板。此外，还分析了触觉数据的重要性及其在数采方案中的未来变化方向。
具身智能数采的关键是什么？
具身智能数采的关键在于模型scaling所需的数据类型。报告指出，数采设备、模型scaling和数采需求三者相互促进，理解这一逻辑的核心在于模型scaling所需的数据类型。例如，Ego数据在几十万小时预训练规模下对模型有显著正向影响，而仿真合成数据和触觉数据则面临各自的挑战，如物理层面仿真失真和信号不统一等问题。这些因素共同决定了数采技术的路线选择和发展方向。
数采行业空间测算受哪些因素影响？
数采行业空间测算主要受外包数据通缩风险和数据复卖逻辑的影响。报告指出，rawdata和粗标数据壁垒低，人工成本驱动价格快速通缩，直接影响行业空间。同时，首采数据可复卖给其他客户，部分数据复卖倍数达10倍，显著影响设备供应商市场空间测算。这些因素共同决定了数采行业的市场规模和发展潜力。
特斯拉Robotaxi的市场运营现状如何？
特斯拉Robotaxi在奥斯汀市场的运营进展显著，2026年9月3日后运营提速，车队注册量与Waymo基本持平（约1200辆），行驶里程已超Waymo。此外，特斯拉还在多城市扩张，达拉斯地理围栏大幅扩张，Cybercab即将对公众开放；迈阿密也将进一步开放。这些进展表明特斯拉在Robotaxi领域的持续投入和市场扩张策略。
研报提示的主要风险是什么？
研报提示的主要风险包括外包数据通缩风险和仿真合成数据的应用限制。报告指出，rawdata和粗标数据壁垒低，人工成本驱动价格快速通缩，直接影响行业空间。此外，仿真合成数据在物理层面仿真的核心短板，以及触觉数据在数采方案中的信号不统一和弱模态易错配等问题，都制约了数采技术的规模化应用。这些风险需要行业关注和应对。