这份研报的核心内容是大模型与强化学习的协同进化,以及具身AI的发展阶段和数据收敛趋势。大模型结合强化学习首次实现感知、推理、规划的自主闭环,推动机器人从动作智能向任务智能升级。具身模型发展阶段分为四个阶段:1000小时大规模预训练、1000-1万小时真机展示、1万-10万小时达到国内主流水平、10万-几十万小时实现量产交付。报告还强调了高质量数据是关键要素,并分析了行业数据收敛趋势和高质量数据基建需求。
物理AI赛道的发展趋势是大模型与强化学习的协同进化,以及具身AI的逐步成熟。大模型结合强化学习推动机器人智能化升级,具身AI发展阶段清晰,从大规模预训练到量产交付有明确的时间线。行业数据收敛趋势是以ego数据为主,辅以仿真数据,结合动态混合数据进行预训练,通过遥操系统采集真机数据。高质量数据基建需求突出,尤其是触觉数据存储/传输成本极高。
研报重点分析了具身AI产业链、行业数据收敛趋势和高质量数据基建需求。具身AI产业链分为上游(链①和链②)、上游(数据服务)和垂类应用。行业数据收敛趋势强调以ego数据为主,辅以仿真数据,结合动态混合数据进行预训练。高质量数据基建需求突出,尤其是触觉数据存储/传输成本极高。
当前市场现状是物理AI赛道正在快速发展,大模型与强化学习的结合推动机器人智能化升级,具身AI发展阶段清晰,从大规模预训练到量产交付有明确的时间线。行业数据收敛趋势明确,以ego数据为主,辅以仿真数据,结合动态混合数据进行预训练。高质量数据基建需求突出,尤其是触觉数据存储/传输成本极高。产业链上下游企业众多,垂类应用场景丰富。
研报的风险提示主要集中在高质量数据基建方面。触觉数据存储/传输成本极高,1000小时触觉数据占用20-30TB,是视觉数据的10倍,这给数据基建带来了巨大挑战。此外,行业数据收敛趋势依赖于ego数据和仿真数据的质量,如果数据质量不高,可能会影响模型的训练效果。因此,高质量数据基建是物理AI赛道发展的关键瓶颈。