一、核心变量切换:泛化能力涌现取代硬件堆叠
本轮物理AI与以往最大的不同,在于核心驱动变量发生迁移。具身模型首次出现可测量的上下文学习能力,行业关注点从硬件性能升级转向泛化能力涌现。
GEN-1.5可将3至12秒的单次示范作为“物理提示”,在不更新模型参数的前提下执行新任务。随着预训练持续推进,模型适配新任务所需的专用数据和梯度更新显著减少,下一动作预测误差仍在持续下降。
- 机器人技能获取方式开始发生根本变化:由针对单一任务反复训练,转向基于示范快速学习。
- 大规模物理交互预训练成为推动这一变化的关键力量。
二、分层基础设施成型:世界模型、VLA与底层控制协同
机器人智能正由单点模型走向分层基础设施,行业逐步形成三层协同架构。
三层架构分工
- 高层:世界模型负责推演环境与行动结果,支撑任务规划、危险场景推演、长尾数据生成和智能体训练。
- 中层:VLA负责将视觉和语言转化为动作策略。
- 底层:控制模型保证接触、平衡和执行器控制的稳定性。
Genie4由离线视频生成进一步升级为实时、可交互的世界模拟,并结合Gemini推理能力,为上述环节提供新的环境基础。模型不再只是附加在硬件上的识别模块,而开始成为技能获取、环境推演和持续学习的共同基础。
三、产业评价转向有效产出,部署-数据-模型闭环形成
产业评价重点正由“能否完成一次任务”转向“能否持续、稳定地创造价值”。智元在创新日提出Worken“有效智能工时”概念,将活跃机器人数量、自主工作时长和产出效能纳入统一评价框架。
- 模型端:GO-3Preview登顶三项行业权威评测榜单,WITA-OMNI已向首批客户开放部署。
- 工程端:智元同步推进真实场景部署、触觉数据采集、后训练、部署后学习及灵渠OS开放。
- 场景端:机器人进入工业质检、物料搬运和公共服务等场景,部署既验证硬件可靠性和客户投资回报,也持续产生失败、恢复和人工接管数据。
上述环节有望形成“部署扩张—数据回流—模型改善—部署效率提升”的正反馈循环。
四、量产、人才与资本同步推进,进入连续验证窗口
物理AI正由技术验证进入连续产业验证窗口,量产、人才和资本三条线索同步推进。
- 量产端:Tesla Optimus已在弗里蒙特启动早期生产。
- 人才端:大模型核心人才向Physical AI迁移。
- 资本端:星忆智能完成种子轮及种子+轮连续融资,反映产业竞争正由整机和模型延伸至物理交互数据、世界仿真和训练基础设施。
从产业与交易结构看,本轮物理AI具备技术逻辑持续强化、产业容量逐步打开和事件催化接续的特征。
五、相关标的与风险提示
相关标的
- 本体:特斯拉、智元、上纬新材、宇树科技。
- 北美链:科森科技、斯菱智驱、岱美股份、世运电路、福赛科技、蓝思科技、浙江荣泰、三花智控、恒立液压、北特科技、拓普集团、科达利、万向钱潮等。
- 机器人大脑相关:摩尔线程、协创数据、道通科技、索辰科技、仙工智能、群核科技、智微智能、爱芯元智、五一视界等。
- 具身数据采集相关:领益智造、海天瑞声、利亚德、仙工智能、世纪恒通、宝通科技、奥比中光、绿的谐波、禾赛、速腾聚创、海康威视等。
风险提示
- 通用具身模型泛化能力进展不及预期的风险。
- 高质量物理交互数据供给及Scaling进展不及预期的风险。
- 世界模型、仿真合成数据及Sim2Real效果不及预期的风险。
- 机器人商业化、订单及规模量产节奏不及预期的风险。
- AI芯片、算力和端侧部署进展不及预期的风险。
- 行业竞争加剧、技术路线变化及相关公司估值波动的风险。
以上内容据国金证券刘高畅、郑元昊、孙恺祈2026年10月31日研报整理,仅供参考,不构成任何投资建议。