具身智能模型呈现持续迭代，有望加速机器人商业化应用进展。具身智能区别于传统AI，需要具备认知、协作和学习三个功能，实现环境中自主进化的智能闭环。以具身大模型为代表的“大脑”技术是机器人规模化进入工业生产、社会服务、家庭生活等应用场景的认知能力基础。但目前市场投资者普遍担心由于数据瓶颈问题，具身大模型的进展可能不及预期，导致机器人行业商业化进程缓慢。我们看到当前产业链中部分厂商已在仿真数据、互联网数据应用上取得一些积极进展，并不断提升大脑模型的泛化能力，我们认为在工业制造、商用服务等领域，机器人行业商业化应用进展有望加速，带来投资机会。
　　具身智能模型技术路线虽有差异，但追求高泛化性逐渐成为共识。具身智能要构建一个通用大脑，目前主要的技术路线包括：分层大模型、端到端大模型和世界模型三种，而行业内尚未形成统一、成熟的技术共识及竞争格局。但整体而言，我们看到了各具身智能模型技术路线之间虽有差别，但呈现一定的融合趋势，追求泛化能力成为具身智能模型的一点共识。我们认为从工业到商业、家用等应用场景，机器人的泛化能力要求越来越高，这种能力将成为具身智能模型商业化的关键，具备高泛化模型的整机厂商更容易在市场竞争中取胜。
　　降低高质量数据的成本逐渐成为行业探索的共识方向。为实现更优的泛化能力，大量高质量的训练数据将成为模型竞争的关键。当前的行业中已有部分厂商围绕仿真数据、互联网数据开展大量的研究，例如银河通用坚持仿真合成数据为核心，千寻智能注重互联网数据的使用，自变量机器人HOST框架支持从单条人类视频中获取技能。我们认为当前阶段，真机数据的积累有望构成整机厂商竞争的壁垒，真机数据更丰富的厂商在具身智能模型上具备一定的先发优势。仿真数据、互联网数据技术路线对于一些初创的机器人公司具备更强的探索价值。
　　投资建议与投资标的
　　展望未来，我们认为在汽车制造、物流仓储等垂类应用场景里，由于工作任务相对明确、对机器人泛化能力要求相对不高，因此有望率先实现规模化应用，垂类场景下具备丰富的行业数据，以及行业Know-how的具身智能厂商具备先发优势，有望率先大规模商业化。但我们认为这并不构成完全的竞争壁垒，区别于传统机器人和具身智能的关键之一是智能的自主决策，因此未来不排除模型泛化能力更强的整机厂商通过与垂类行业合作，进行降维打击。向前看，我们认为在垂类场景积极布局的具身智能厂商以及模型泛化能力更强的整机厂商，有望取得更大的竞争优势。相关标的：上纬新材(688585，未评级)、优必选(09880，未评级)、埃斯顿(002747，未评级)、杰克科技(603337，未评级)、杭叉集团(603298，买入)。
　　风险提示
　　模型发展和数据积累慢于预期风险、场景需求落地不明确风险、厂商生产不及预期风险、国家政策变化风险、行业融资不及预期风险