人形机器人如何估值？｜国君研深1°_新浪财经

　　炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！

今年上半年，人形机器人领域在全球的融资总额逾10亿美元，超过去年全年。伴随一级市场的火热，投资人关注的一个关键问题是，如何对这些充满潜力的企业进行合理估值？国君产业研究肖群稀团队，总结出人形机器人的四大估值基础。国君研深1°，精选部分章节如下，欢迎联系国君对口销售，获取报告原文。关联阅读：国君深度｜人形机器人· 合集

关键问题：如何对人形机器人企业进行估值？

一句话简答：人形机器人四大估值基础：硬件、模型、数据、人才。

硬件：一切的基础

人形机器人本体硬件是基础，中国具备供应链优势。硬件每迭代一次，机器人核心性能就会跃升一个台阶。一体化关节、灵巧手方案的升级，对精度、力控、操作都有决定性影响。需要完全自研的高性能稳定硬件，如果没有自己的硬件，就无法根据算法和数据进行硬件的快速优化和修改。跨硬件的算法目前还处于论文阶段。依赖于过去多年在新能源汽车和机械通用零部件行业的积累，中国人形机器人供应链的优势明显。

模型：执行模型与硬件密切结合

从物理空间的角度来划分，大模型可以分为非具身大模型（基础大模型）、具身智能大模型（机器人大模型），它们的区别是能否生成运动姿态。非具身大模型如GPT、Sora等，输入和输出的模态都是语言、图片和视频。具身智能大模型输入视觉、语言信号，输出三维物理世界的操作，其中，端到端的具身大模型对数据和算力要求高，如Tesla FSD、谷歌RT模型；以Figure AI为代表，大多数人形机器人公司都采取了分层端到端的具身大模型：基础大模型（LLM或VLM）、决策大模型、操作大模型。其中决策大模型以ChatGPT for Robotics、谷歌PaLM-E为代表，技术方向从LLM 向强化学习（RL）演进，基于RL的范式可以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，且必须通过数据采集来实现，技术方向从“MPC+WBC”向“RL+仿真”演进，MPC更适合具有精确模型和短期优化目标的场景，RL更适用于不确定性高、需要长期学习和自适应的环境。

数据：目前的瓶颈

能否获得足够数量，足够便宜且高质量的数据，是目前机器人发展的瓶颈，也是拉开机器人差距的重要手段。数据是AI下一个发展阶段的最大助推力，真实环境收集来的数据远远不够，需要仿真数据来弥补。主流的数据采集方法是：仿真生成数据、真实环境中采集。特斯拉Tesla Bot开发团队使用人类的真实运动方式来训练机器人，英伟达推出MimicGen和Robocasa模型，通过真人的遥操作数据捕获，再通过生成合成运动数据和模拟环境。数据采集完成之后，还有数据分发、清洗、打标签、校验、存储、管理等工作，数据能力强的公司会自己做数据pipeline，数据能力弱的会采购数据服务商的工具。人形机器人厂商短期目标是发掘应用场景，先把一个细分场景做好，积累出足够多的数据，训练小模型，再拓展新的领域，训练新的技能。当机器人的技能库足够丰富时，将最终走向通用化。

人才：核心驱动力

数据团队：涉及数据的采集、组织管理以及与模型的闭环开发，需要有强大组织能力的团队，核心团队需要具备组织大规模工程师的经验。算法团队：开源算法可以提供一些基础的功能和技术，算法团队可以在开源算法的基础上进行二次开发和创新，但是要实现高质量、高性能的人形机器人，需要专业的算法团队进行深入的研究和开发。硬件工程团队：人形机器人对硬件的集成能力要求很高，而工程能力需要不断的试错，积累经验来获得。

风险提示：落地难题浮出水面；低估技术难度；竞争激烈；投资过度引发泡沫。

>>以上内容节选自国泰君安证券已经发布的研究报告：机器人产业深度（七）：机器人的大脑——具身智能，具体分析内容（包括风险提示等）请详见完整版报告。