1、大模型的問題：我們對大模型的相關概念進行了釋義和邏輯解讀，認為LLM-VLM-VLA是具身智能發展的進階路徑，需要實現大模型從語義理解到物理世界理解的“具身”化、適應不同環境和任務的通用泛化，在實現的過程中，面臨商業化落地的精度取 舍和數據缺乏的瓶頸；

2、梳理了部分布局者的大模型及本體進展，對比本體廠、大廠和d角獸公司的大模型技術路徑及進展，包括銀河通用、智 元、Figure AI、優必選和Physical Intelligence PI；

3、投資機會：我們認為，數采工具+垂域場景或可落地先行，可關注有垂直場景和豐富行 業數據的公司。

一、模型的問題：大模型的概念、需求及瓶頸

1、概念的解讀：梳理了大模型的相關概念并進行釋義和邏輯解讀；

2、具身的需求：對大模型來說，完成疊衣服任務的難度遠超于贏得國際象棋，具身智能機器人的應用需要跨越虛擬來到現實；

3、泛化的需求：泛化大模型VS. 垂域模型；

4、核心的問題：是否是數據缺乏？

二、布局者的問題：本體廠/大廠/d角獸，具身智能模型進展如何？

梳理了部分布局者的大模型及本體進展，對比本體廠、大廠和d角獸公司的大模型技術路徑及進展，包括銀河通用、智元、Figure AI、優必 選和Physical Intelligence PI等。

 三、投資機會：數采工具+垂域場景或可落地先行

1、開發數采工具：部分廠商通過開發便捷易用、性價比較高的數采工具，解決目前具身大模型構建的數據缺乏、真機采集數據成本高的問題

2、拓展垂直場景：基于各公司對垂直行業的深度理解、豐富場景和海量數據，實現具身智能在垂直場景的率先落地

相關標的：我們認為人形機器人目前處于技術突破、商業化落地初期，后續有望迎來量產空間，維持人形機器人行業“推薦”評J。

建議關注： 1）具身智能本體公司優必選、極智嘉等；2）具身智能落地相關場景：杭叉集團、安徽合力、勁旅環境、杰克科技等；3）數采設備供應商漢 威科技、南山智尚等。

好的具身智能產品可以被狹義定義為【數據驅動】型，需要解決的核心問題包括：

1）泛化需求VS精度需求：我們認為精度要求不高的垂直場景可能Z先實現商業化：數據驅動的核心優勢是泛化、劣勢是精度，因此可以尋 找對泛化能力要求迫切，但對于精度要求不過高的任務進行產品化；

2）自動駕駛VS具身智能，具身大模型泛化面臨數據缺乏、獲取數據成本高的問題。如果數據完全來自于遙操作，那么就會面臨速成但不泛 化的問題，特斯拉FSD的一個護城河就是其上百萬臺車和上億小時的實時駕駛數據。如果沒有數據來源，或者數據采集成本很高，那么產品 未來的商業化面臨較難的落地瓶頸。

目前，各公司獲得數據的方式包括：1）工廠等實訓場景收集數據集；2）真機操作數據；3）視頻數據；4）互聯網規模數據等，并 有不同數據集和預訓練、后訓練的數據組合。

附件：Sim+to+Real,具身大模型的問題、現狀與投資機會:本體廠,大廠和獨角獸公司的大模型技術路徑及進展