Sim+to+Real,具身大模型的问题、现状与投资机会:本体厂,大厂和独角兽公司的大模型技术路径及进展

1、大模型的问题：我们对大模型的相关概念进行了释义和逻辑解读，认为LLM-VLM-VLA是具身智能发展的进阶路径，需要实现大模型从语义理解到物理世界理解的“具身”化、适应不同环境和任务的通用泛化，在实现的过程中，面临商业化落地的精度取 舍和数据缺乏的瓶颈；

2、梳理了部分布局者的大模型及本体进展，对比本体厂、大厂和d角兽公司的大模型技术路径及进展，包括银河通用、智 元、Figure AI、优必选和Physical Intelligence PI；

3、投资机会：我们认为，数采工具+垂域场景或可落地先行，可关注有垂直场景和丰富行 业数据的公司。

一、模型的问题：大模型的概念、需求及瓶颈

1、概念的解读：梳理了大模型的相关概念并进行释义和逻辑解读；

2、具身的需求：对大模型来说，完成叠衣服任务的难度远超于赢得国际象棋，具身智能机器人的应用需要跨越虚拟来到现实；

3、泛化的需求：泛化大模型VS. 垂域模型；

4、核心的问题：是否是数据缺乏？

二、布局者的问题：本体厂/大厂/d角兽，具身智能模型进展如何？

梳理了部分布局者的大模型及本体进展，对比本体厂、大厂和d角兽公司的大模型技术路径及进展，包括银河通用、智元、Figure AI、优必 选和Physical Intelligence PI等。

 三、投资机会：数采工具+垂域场景或可落地先行

1、开发数采工具：部分厂商通过开发便捷易用、性价比较高的数采工具，解决目前具身大模型构建的数据缺乏、真机采集数据成本高的问题

2、拓展垂直场景：基于各公司对垂直行业的深度理解、丰富场景和海量数据，实现具身智能在垂直场景的率先落地

相关标的：我们认为人形机器人目前处于技术突破、商业化落地初期，后续有望迎来量产空间，维持人形机器人行业“推荐”评J。

建议关注： 1）具身智能本体公司优必选、极智嘉等；2）具身智能落地相关场景：杭叉集团、安徽合力、劲旅环境、杰克科技等；3）数采设备供应商汉 威科技、南山智尚等。

好的具身智能产品可以被狭义定义为【数据驱动】型，需要解决的核心问题包括：

1）泛化需求VS精度需求：我们认为精度要求不高的垂直场景可能Z先实现商业化：数据驱动的核心优势是泛化、劣势是精度，因此可以寻 找对泛化能力要求迫切，但对于精度要求不过高的任务进行产品化；

2）自动驾驶VS具身智能，具身大模型泛化面临数据缺乏、获取数据成本高的问题。如果数据完全来自于遥操作，那么就会面临速成但不泛 化的问题，特斯拉FSD的一个护城河就是其上百万台车和上亿小时的实时驾驶数据。如果没有数据来源，或者数据采集成本很高，那么产品 未来的商业化面临较难的落地瓶颈。

目前，各公司获得数据的方式包括：1）工厂等实训场景收集数据集；2）真机操作数据；3）视频数据；4）互联网规模数据等，并 有不同数据集和预训练、后训练的数据组合。

附件：Sim+to+Real,具身大模型的问题、现状与投资机会:本体厂,大厂和独角兽公司的大模型技术路径及进展