券商首席拆解人形机器人估值方法论 ！2026布局方向看这4点

发布时间：2025-12-31 21:46来源：证券市场周刊散户吧字号：大 中 小

人形机器人，作为集人工智能、精密机械、传感技术之大成的下一代智能终端，正站在技术落地和商业化探索的关键期。

　　

人形机器人是未来十年不可忽视的超级赛道已成为资本市场的共识。

本文来自散户吧WWW.SANHUBA.COM

　　

今年以来，人形机器人概念受到资本市场的热炒，相关公司的估值也随之水涨船高。站在2026年年初的起点，投资者该如何衡量当前人形机器人概念的估值？产业链中哪些公司仍存在布局机会呢？ 本文来自散户吧WWW.SANHUBA.COM

　　

国泰海通证券机械行业首席分析师肖群稀在新书《碳基觉醒》中，从硬件、模型、数据和人才等角度，系统性地解构了“人形机器人估值方法论”。公开资料显示，其自2022年起聚焦人形机器人赛道研究，并带领团队围绕具身智能、关节模组及部件(电机、执行器、编码器)、灵巧手、视觉/力觉/触觉传感器等核心领域发布多篇深度报告。

本文来自散户吧WWW.SANHUBA.COM

　　

我们经授权摘录本书《人形机器人估值方法论：硬件、模型、数据和人才》章节部分内容，以飨读者。 本文来自散户吧WWW.SANHUBA.COM

　　 　　 　　

以下为文章原文：

　　

人形机器人估值方法论： 本文来自散户吧WWW.SANHUBA.COM

　　

硬件、模型、数据和人才

本文来自散户吧WWW.SANHUBA.COM

　　

面对人形机器人一级市场的火热，我们总结出具身智能的四大核心估值逻辑：硬件、模型、数据和人才。以下从这四个方面展开分析，探讨其对人形机器人发展的关键影响。 本文来自散户吧WWW.SANHUBA.COM

　　

硬件：供应链优势与性能跃升的基础 本文来自散户吧WWW.SANHUBA.COM

　　

人形机器人本体硬件是技术落地的基础。中国在供应链方面的优势尤为突出，为硬件的快速迭代和性能提升提供了坚实支撑。每次硬件的迭代都会显著提升机器人的核心性能，例如一体化关节和灵巧手方案的升级，对精度、力控和操作能力具有决定性影响。

　　

完全自研的高性能、稳定硬件是实现快速优化和修改的关键。没有自主硬件，就无法根据算法和数据进行针对性调整。目前，跨硬件的算法仍处于理论研究阶段，尚未实现大规模应用。得益于过去多年在新能源汽车和机械通用零部件行业的积累，中国在人形机器人供应链方面的优势明显，为硬件的持续创新提供了强有力的支持。

　　

模型：执行与硬件的深度融合

　　

模型是人形机器人实现智能化的核心，与硬件的结合至关重要从物理空间的角度划分，大模型可以分为两类：非具身大模型(如ChatGPT、Sora等)和具身智能大模型(如机器人大模型)。两者的区别在于是否能够生成运动姿态。非具身大模型的输入和输出模态主要为语言、图片和视频，具身智能大模型则通过视觉和语言信号输入，输出三维物理世界的操作。 本文来自散户吧WWW.SANHUBA.COM

　　

具身智能大模型的技术方向主要分为两类： 本文来自散户吧WWW.SANHUBA.COM

　　

一是端到端的具身大模型，如特斯拉的FSD和谷歌的R模型，这类模型对数据和算力的要求极高。 本文来自散户吧WWW.SANHUBA.COM

　　

二是分层端到端的具身大模型，以Figure Al为代表，大多数人形机器人公司采用这一架构，包括基础大模型(LLM或VLM)、决策大模型和操作大模型。

本文来自散户吧WWW.SANHUBA.COM

　　

在基础大模型上，具身智能大模型与非具身智能大模型有一定的通用性，此处便不再赘述，而决策大模型以ChatGPT for Robotics和谷歌PaLM-E为代表，技术方向从大语言模型向强化学习演进。基于强化学习的范式使模型能够在不同环境和任务中学习和适应，实现更高级的决策能力。操作大模型根据决策大模型的输出执行具体动作，需要与机器人硬件深度集成，并通过数据采集实现。技术方向从传统的“模型预测控制+全身控制”向“强化学习+仿真”演进，其中模型预测控制更适合具有精确模型和短期优化目标的场景，而强化学习更适用于不确定性高、需要长期学习和自适应的环境。 本文来自散户吧WWW.SANHUBA.COM

　　

数据：发展的瓶颈与核心竞争力

　　

数据是当前机器人发展的瓶颈，也是拉开技术差距的重要手段。能否获得足够数量、足够便宜且高质量的数据，直接决定了机器人发展的速度和深度。数据是AI下一个发展阶段的最大助推力，但真实环境中的数据远远不足以满足需求，仿真数据成为重要的补充手段。

本文来自散户吧WWW.SANHUBA.COM

　　

主流的数据采集方法包括：仿真生成数据，通过模拟环境生成大量高质量数据；真实环境采集数据，在实际场景中收集数据。

　　

特斯拉的Tesla Bot开发团队通过人类的真实运动方式训练机器人，英伟达推出的 MimicGen和 Robocasa模型则通过真人的遥控操作捕获数据，再结合生成合成运动数据和模拟环境。数据采集完成后，还需要进行数据分发、清洗、打标签、校验、存储和管理等工作。数据能力较强的公司通常会自行构建数据流水线，数据能力较弱的公司则依赖数据服务商的工具。

　　

(小编：财神)