人形机器人行业市场前景及投资研究报告：运动控制从“做出来”到“卖出去”

｜

证

券

研

究

报

告

｜从“做出来”到“卖出去”—人形机器人运控专题2025

.3.121234目人形机器人小脑（运控）介绍小脑在垂直场景有望率先成熟，小模型性价比凸显录C

O

N

T

E

N

T

S谁有望抢占小脑发展的制高点？投资逻辑：聚焦二开本体厂商及动捕企业1人形机器人小脑（运控）介绍人形机器人小脑（运控）介绍1.1、人形机器人“小脑”概念

人形机器人“小脑”：目前产业界对人形“小脑”的定义并没有形成统一共识，一般认为“小脑”就是运动控制，即由软硬件构成，硬件包括控制器、驱动系统、编码器等，软件主要为部署在硬件上的控制和感知算法等。人形运控与传统运控最大的区别在于：后者是根据已编程好的轨迹去完成实时控制，而前者需要通过各种场景的实时判断来生成实时运动轨迹（即AI大模型训练学习后，实时生成运控轨迹的指令），进而实现控制。图表1:机器人“小脑”构成：雷赛智能招股书、中泰证券研究所整理4人形机器人小脑（运控）介绍1.1、人形机器人“小脑”概念

“小脑”的主要功能：与“大脑”主要负责环境感知和智能交互不同，“小脑”更多地关注于机器人的运动控制和平衡调节，通过接收来自传感器（如视觉传感器、力觉传感器、触觉传感器等）的信息，对这些信息进行处理和分析，进而指导机器人的运动。主要功能可以分为四类：运动执行、协调运作、反馈调节和动态平衡。图表2:人形机器人“小脑”主要功能：茶派科技公众号、中泰证券研究所绘制5人形机器人小脑（运控）介绍1.2、人形机器人“小脑”的控制技术

包括三类：①模型控制（MPC）。基于精确的运动学和动力学模型，实现对机器人动作的精准控制，适用于特定任务的自动化执行，即传统运控范畴。②强化学习。通过在复杂环境中的自主探索，学习最优控制策略，显著提升了上肢和下肢在复杂任务中的效率、精度和适应性。③模仿学习。通过模仿人类行为，减少对环境探索的依赖，利用人类行为数据训练智能体（动捕是关键，即数据获取），显著提升任务执行能力。图表3:“小脑”的控制技术介绍：《人形机器人技术与产业发展研究》、中泰证券研究所绘制6人形机器人小脑（运控）介绍1.3、人形机器人“小脑”案例

案例：目前业界基于强化学习和模仿学习已进行多种尝试，以美国AgilityRobotics的Digit机器人为例，其利用强化学习算法，通过在仿真环境中不断进行训练和优化，学习各种运动技能（行走、奔跑、转弯、上下台阶）。在实际应用场景中，Digit机器人与亚马逊合作，负责仓库物流，能够根据环境的变化和任务需求，自主规划路径，快速准确地完成物品的搬运和分拣。Digit在物流领域中的成功应用，不仅提高物流效率，还降低人力成本，为物流行业的发展带来了新的解决方案。图表4:人形机器人制造商“小脑”环节方案（部分）制造商产品名称控制技术控制系统方案基于零力矩点（ZMP）判据及预观控制算法，通过精确计算零力矩本田ASIMO机器人

模仿学习

点（ZMP），规划机器人的运动轨迹，确保在行走和运动过程中保持平衡和稳定通过ZMP判据及预观控制算法，实现对自身运动的精确控制，确保AIST-模仿学习在不同的工作场景下都能稳定、高效地完成任务AgilityRobotics利用强化学习算法，通过在仿真环境中不断进行训练和优化，学习各种运动技能Digit机器人

强化学习采用模仿学习算法，以人机关节轨迹相似为目标，通过非线性最优化求解的动作映射，规划出合理的运动方案北京理工大学-模仿学习：茶派科技公众号、中泰证券研究所整理7人形机器人小脑（运控）介绍1.4、人形机器人“小脑”面临的挑战

挑战：主要包括如何进一步提高AI模型在机器人控制中的实时性、鲁棒性和可解释性，以确保机器人在复杂环境中的稳定运行和安全可靠。此外，如何将控制与感知、决策和规划更紧密地结合，构建端到端的自主系统，亦是未来重要的研究方向。图表5:“小脑”面临的挑战面临的问题详细内容机器人需要对环境变化做出快速响应，但在复杂环境中快速行走、躲避障碍物或与人类进实时性问题

行实时交互时，大模型的计算和推理过程可能会产生较大的延迟。实时性问题的产生主要源于大模型的复杂性和计算量。现实世界中，环境容易变化，如光线、温度、地形、障碍物分布等，这些因素都会对机器鲁棒性难题可解释性缺失其他方面人的运动控制产生影响，进而导致运动规划和控制出现偏差。AI的告诉发展使得越来越多复杂算法和模型被应用于机器人的运控中，但它们往往是黑盒模型，难以理解其决策过程和输出结果的依据。“小脑”在与感知、决策和规划的结合方面存在不足，这些环节往往存在脱节的现象，导致机器人的整体性能受到影响，严重阻碍了构建端到端的自主系统。：茶派科技公众号、中泰证券研究所整理8小脑在垂直场景有望率先成熟，小模型性价比凸显小脑在垂直场景有望率先成熟，小模型性价比凸显2.1、人形机器人落地难度和市场规模：To

C

＞ToB

TO

B有望率先落地和放量，原因：✓

技术适配与需求刚性：B端客户，如工业、医疗、物流等需求明确且结构化，技术更易适配。例如，工厂中的搬运、质检等任务对机器人的运动控制、环境感知能力要求较高，但场景相对封闭，无需复杂的人机交互。ToC场景家庭环境复杂多变，需要高度灵活性与自然交互能力。✓

成本与价格敏感度：企业用户注重性价比，TOB产品量产万台后价格预计可降至20-30万元（以优必选机器人为例），而C端对性能要求高，目前ToC主流产品售价在9.9万元-65万元（以宇树科技机器人为例）。✓

政策与法规支持：政策明确支持工业场景开放与标准化；ToC场景下，隐私、安全等伦理问题尚未解决，制约C端场景落地。图表6：B端和C端机器人场景对比图表7：人形机器人未来规模预测To

B场景To

C场景作为家庭助手，帮助用户完成家务、陪伴老人和儿童等任务应用场景价格工业、医疗、物流量产万台后价格预计可降至20-

主流产品售价在9.9万元-65万30万元元2024年约2000台，预计在2030、2035年分别达到15万台、80-90万台预计2030、2035年分别达到2万台、120-130万台销售量双足行走/情感交互技术未闭环技术成熟度政策支持谐波减速器/传感器国产化率高深圳市推出“双一百”政策：开放100个应用场景与百亿基金持续发力推动人工机器人发展伦理法规待完善，暂无明确政策：思瀚产业研究院，中泰证券研究所绘制：搜狐网、中国信息通信研究院、中泰证券研究所整理10小脑在垂直场景有望率先成熟，小模型性价比凸显2.2、TO

B场景下，开发统一的底层大模型难度大

机器人下肢：运动关节相对固定，更容易形成一个统一的模型，可以设置“不摔倒、走得快”等作为奖励函数来强化学习。目前主流的下肢算法是英伟达的Issac

Gim底层算法+强化学习。

机器人上肢：属于精细运动范畴，尤其是灵巧手关节的控制，不同应用场景下运动轨迹的规划千差万别，开发统一的底层大模型面临两大难题：①开发难度大，训练成本高，高能耗以及在特定场景下的性能瓶颈等；②高质量的训练数据获取难。图表8：机器人上肢和下肢特征及对应算法IssacGim底层算法+强化学习算法难题特征

运动关节固定，有统一底层算法下肢人形机器人①开发难度大，训练成本高；②训练数据缺失特征精细运动，没有统一底层算法上肢：中泰证券研究所绘制11小脑在垂直场景有望率先成熟，小模型性价比凸显2.3、难度①：上肢的底层运控算法

人形运控产业未来将由一次开发(一开)商和二次开发(二开)商两部分构成。一开企业如特斯拉、

、宇树等做人形运控算法的一次开发（即平台型通用机器人企业），类似于iOS之于苹果，不同厂商硬件规格和方案不同，运控算法不兼容，因此运控产业是平台型企业的兵家必争之地；二开企业是应用厂商，类似于APP应用开发商，在一开企业软硬件基础上，开发针对特定应用场景的机器人（如针对教育、养老、消防、危化、矿山、电力、冶金等领域开发机器人）。图表9：人形运控产业一次开发商和二次开发商的关系教育养老消防危化矿山其他公司：科大讯飞、优必选等公司：麦迪科技、欧圣电气等人形运控产业企业：特斯拉、、宇树、figuer、1X、智元等，即平台型企业二次开发(二开)商一次开发(一开)商公司：青鸟消防等公司：博实股份等公司：运机集团、华荣股份等电力、智能家居等领域：中泰证券研究所绘制12小脑在垂直场景有望率先成熟，小模型性价比凸显2.3、难度①：上肢的底层运控算法

针对特定应用场景开发小模型有望渐成主流。随着Deepseek的出现，通过蒸馏技术缩小模型规模，进而将小模型植入人形端部成为可能，未来特定场景应用的小模型会越来越多。

小模型优势：小模型适用于特定场景，如工业制造、医疗护理、家庭服务等，能显著降低开发与部署成本。相较于通用大模型需要海量数据和算力支持，小模型可以通过迁移学习或微调快速适配特定任务，减少数据标注和训练周期。并且这种针对性的强化学习，使得垂直模型决策逻辑更贴近实际需求。图表10：小模型优势优势主要内容大模型的训练成本呈指数增长，从早期Transformer到如今谷歌Gemini

Ultra模型近2亿美元训练成本成本效益显著

。而一些小模型通过精心设计和优化，在保证性能的前提下，极大地降低了训练所需的计算资源和时间成本小模型所需的计算资源和存储空间较少，这使得AI技术能够更贴近用户，实现本地化的智能处理，减少对云端服务器的依赖，提高响应速度部署灵活性高与通用的大模型不同，小模型可以针对特定的专业领域或具体业务需求进行定制化训练，从而在特定任务上展现出卓越的性能。美国生物技术公司Path

AI利用小模型在图像处理方面的优势，对病理图像进行自动化分析，辅助医生进行疾病诊断，其专业性和准确性在实际应用中得到了有效验证专业性与针对性强能源消耗低

由于小模型的计算复杂度相对较低，对高性能硬件资源的需求较少，因此在运行过程中能耗大幅降低：贤集网、中泰证券研究所整理13小脑在垂直场景有望率先成熟，小模型性价比凸显2.3、难度①：上肢的底层运控算法

特定应用场景小模型一般是基于通用底层大模型进行的二次开发。为了给模型注入特定领域知识，就需要用该领域内的语料进行继续的预训练，进而通过SFT激发模型理解该领域内各种问题并逐渐具备回答的能力，最后通过RLHF可以让模型的回答对齐人们偏好，比如行文的风格。图表11：特定应用场景小模型开发的基本思路：机器学习社区、中泰证券研究所14小脑在垂直场景有望率先成熟，小模型性价比凸显2.3、难度①：上肢的底层运控算法

小模型应用案例：✓

工业质检场景：小模型可基于少量缺陷样本实现高精度识别，开发成本较通用模型显著降低。✓

医疗护理场景：养老机构中，小模型结合多模态传感器数据（语音、触觉、体温），实现老人跌倒检测与应急响应，误报率降低，响应时间缩短。✓

家庭服务场景：1X的NEOGamma家用机器人通过垂直模型实现衣物分类与清洁力度自适应调节，识别准确率提升，能耗降低。✓

农业与物流场景：农业采摘机器人通过小模型识别果实成熟度，结合地形感知调整抓取路径，采摘效率提升，同时损坏率降低。15小脑在垂直场景有望率先成熟，小模型性价比凸显2.4、难度②：数据采集

行业痛点：人形机器人训练数据严重短缺➢

数据需求激增：在特斯拉2024年第四季度财报电话会上，马斯克指出，人形机器人所承担的任务及用途，相较汽车自动驾驶而言复杂得多，大概有1000倍之多，所需的训练数据规模也会随之扩大至10倍左右。➢

数据现状难以支撑训练：目前可用于训练人形机器人的开源数据集，无论是在数量上还是规模上都极为匮乏，难以支撑高效训练。图表12:人形机器人与自动驾驶开源训练数据集大小对比自动驾驶数据集人形机器人数据集数据集描述数据集描述包括7500条轨迹Google整合的60个已有机器人数据集，包含1150个场景、2030个20s片段、1260万个3D标注框WaymoRoboSetOpenX-BDD100K包含10万段40s高清视频包含20万张高分辨率图像Embodiment

包含22个机器人的527个技能训练数据BoxyVehicleDetection宇树G1人形机器人拧瓶盖倒水、叠三色积木等5种操作G1包含1805个场景、4.6万张图像、约130万个3D标注框智元机器人开源数据集，涵盖80余种日常生活动作LyftL5nuScenesArgoverseAgiBotWorld包含1000个20秒场景，140万张相机图ALOHA2.0

ALOHA机器人的操作像，39万次激光扫描包含多个城市的驾驶场景数据4.4万张图像数据、约99万个3D标注框HumanPlus

结合了机器人仿真数据和人类运动数据：51CTO、中泰证券研究所整理16小脑在垂直场景有望率先成熟，小模型性价比凸显2.4、难度②：数据采集

数据与采集方式：➢

双轨并行：真实数据+数字孪生。人形机器人的数据

主要为真实人类运控数据采集及数字孪生两类，需要两者结合，即先在孪生环境中将真实数据进行倍增，跑通基础模型，再通过simtoreal的迁移学习，叠加真实人类运动数据采集矫正，从而完成一套动作学习。➢

真实数据采集为动捕及传感器信息输入。动捕系统通过捕捉目标对象关键点位位移信息，并将其转化为数字信号，进而生成三维空间中的运动数据。采集工具包含visionpro、动捕装置等，在精细程度、环境约束条件、成本上有所差异。➢

数字孪生：虚拟环境模拟，通过“sim-to-real”迁移学习提升模型泛化能力。图表13：穿动捕服进行数据捕捉图表14：RoboGen流程：VR圈中圈，中泰证券研究所整理：新智元公众号，中泰证券研究所整理17小脑在垂直场景有望率先成熟，小模型性价比凸显2.4、难度②：数据采集

真实数据采集依赖动捕设备：➢

动作捕捉按技术路线可以分为惯性式、光学式、光惯混合式与摇操作式（VR头显加手柄）。其中，惯性式和光学式是目前较为主流的两种技术路线，分别适用于不同的动捕场景。光惯混合式结合了惯性式和光学式两种方式。摇操作式因精度和维度较小，只适用于做简单的多模态感知训练，不适用于复杂应用。国内各大人形机器人本体厂均采用光学动捕与惯性动捕结合的方式进行数据采集。图表15:光学动捕和惯性动捕的差异点对比表特性原理光学动捕惯性动捕通过摄像头捕捉标记点或物体的位置和运

通过惯性传感器（如加速度计、陀螺仪）测量动运动精度高精度，尤其在静态环境下实时性较好，但可能受处理速度影响需要特定环境（如光线、空间、无反光干扰）精度较高，但可能随时间累积误差实时性非常好，延迟极低实时性环境要求对环境要求低，可在各种环境下使用设备复杂度成本设备复杂，需要多个摄像头和标记点成本较高，尤其是高精度系统便携性差，安装和校准复杂设备简单，只需佩戴传感器成本相对较低便携性便携性好，易于携带和安装机器人领域适用场景上肢等精细运动的捕捉全身运动的捕捉：Chen

Wang

etal,MimicPlay:Long-Horizon

mitation

Leaming

byWatching

HumanPlay,

2023、A1

寒武纪公众号、新智元公众号、中泰证券研究所整理18小脑在垂直场景有望率先成熟，小模型性价比凸显2.4、难度②：数据采集

全球动捕市场由海外厂商主导。根据MarketsandMarkets数据，2023年动作捕捉市场规模约32亿美元，其中Vicon占38%，OptiTrack占25%，MotionAnalysis占15%。图表16:竞争格局技术路线地区厂商名称优势全球视觉运动捕捉技术领域处于领导地位，拥有先进的红外摄像技术和计算机视觉算法，实时追踪记录三维运动数据英国Vicon具备高精度、低延迟和实时数据处理能力，广泛应用于电影、游戏、VR等领域的高端动作捕捉美国美国瑞士OptitrackMotionAnalysis光学动作捕捉系统具备高精度、高可靠性，在科研、影视制作等领域具有很强的竞争力提供高速精度动作捕捉相机以及先进的动作数据跟踪分析软件，专门为医疗和工业领域提供光学动作捕捉平台Qualisys光学动捕中国中国度量科技凌云光自主研发、制造和销售三维动作捕捉系统自主研发的FZMotion动捕系统精度高自主研发并生产的红外光学动作捕捉系统具有高精度、低延时、远距离、高鲁棒性等优势中国中国青瞳视觉瑞立视基于自主研发的红外光学相机硬件和动作捕捉算法，为多个领域提供沉浸式交互应用解决方案荷兰中国Xsens惯性动捕领军企业，动捕系统精度高，不易受外界环境干扰惯性动捕诺亦腾自主研发的惯性传感器+光学/惯性混合运动测量两大核心技术：各公司官网，中泰证券研究所整理19小脑在垂直场景有望率先成熟，小模型性价比凸显2.4、难度②：数据采集

国内市场：光学动捕国内品牌和国外品牌各占部分市场份额。

人形机器人应用领域：国内主要做光学动捕的企业包括：度量科技、青瞳视觉和凌云光等。图表17:国内动捕设备厂商在人形机器人领域的产品应用动捕设备厂商动捕产品合作人形机器人本体厂商宇树科技、优必选、小米动捕产品Fzmotion可实现0.01精度的稳定捕捉，拥有先进骨骼结算算法，在遮挡情况下能实现数据自动修复凌云光PN

Studio惯性动作捕捉套装低成本、环境适应性强，HybridTrack光学运动测量系统具有强鲁棒性和高精度诺亦腾度量科技青瞳视觉智元机器人、千寻智能Mars系列、Plotu系列、Orbit系列、VRT系列以及水下动作捕捉相机MC系列、R系列、K系列、D系列以及U系列捕捉相机：各公司官网，中泰证券研究所整理20小脑在垂直场景有望率先成熟，小模型性价比凸显2.4、难度②：数据采集

产业链价值分布：➢

光学动捕设备：高精度光学摄像头+光学标记点+辅助硬件+软件与算法。其中,高精度光学摄像头单价高，占绝大部分硬件成本；光学标记点单价低但用量大，需定期更换，属消耗品。➢

核心壁垒：软件算法+高精度传感器技术图表18:产业链价值分布表主要构成价值量占比技术特点代表厂商红外摄像头为主，需高帧率（如120-

Vicon（英国）、OptiTrack（美高精度光学摄像头30%-40%1000Hz）、高分辨率及低延迟国）、Qualisys（瑞典）分为被动反光球（低成本）或主动发光标记（高精度场景）光学标记点辅助硬件5%-10%5%-10%20%-30%包括校准设备、支架、同步控制器等，技术门槛较低，竞争激烈包括数据采集、实时跟踪、噪声滤波、骨骼绑定等功能模块，算法优化（如遮挡处理）为核心竞争力MotionAnalysis（光学）、Xsens（侧重惯性+光学融合）软件与算法：产业链调研、中泰证券研究所整理213

谁有望抢占小脑发展的制高点？谁有望抢占小脑发展的制高点？3.1、人形机器人运控重要环节的玩家

人形运控有五大玩家：➢

①本体企业（一开企业）：负责机器人基础硬件和软件架构设计（如特斯拉Optimus骨骼动力学模型）、核心控制器开发、传感器标定等。➢

②应用企业（二开企业）：基于本体企业软硬件平台，进行二次开发，应用企业需针对不同行业需求，优化控制算法，提升机器人在特定场景的性能与安全性。➢

③传统工控企业：负责执行层面，与传统机器人控制类似，但人形需要更高密度的驱动技术和力控融合技术等，如SCHUNK的EcoGrip60系列触觉夹持器，实现精准力控与柔顺操作。➢

④第三方“小脑”企业：提供SLAM+运动规划融合方案，通过运控算法给机器人企业进行通用性赋能。➢

⑤动捕企业：前文已有详细介绍，不再赘述。图表19：人形机器人运控五大玩家存在“数据-算法-硬件”的关联关系动捕数据第三方算法训练场景验证反馈本体硬件集成应用企业部署工控执行器适配：中泰证券研究所整理23谁有望抢占小脑发展的制高点？3.2、人形机器人运控①：本体企业（一开厂商）

本体企业（一开厂商）是运控产业链核心，软硬件结合构筑核心壁垒。前文提到，类似于iOS之于苹果，本体企业将硬件和底层算法集成，以硬件为例，高精度关节模组是关键，如宇树M107电机，关节动态响应精度显著提升（误差<0.1°）。图表20：本体企业通过软件结合构筑壁垒，位居运控产业链核心位置基础架构设计核心硬件开发技术壁垒如特斯拉已经打通了FSD和机器人的底层模块，实现复杂动作支撑与平衡，为机器人运动奠定基础。如宇树M107高精度电机，关节动态响应精度显著提升（误差<0.1°）。全身动力学实时解算能力，确保机器人在动态环境中快速响应与稳定运行。本体企业通过以高精度关节模组为代表的硬件与动力学解算技术，构建技术壁垒，不仅保护自身优势，还为产业链上下游合作提供稳定基础与标准。本体企业设计的架构需适应多场景，如工业、服务领域，满足不同负载与运动需求。：Unitree宇树科技、中泰证券研究所整理24谁有望抢占小脑发展的制高点？3.2、人形机器人运控②：应用企业（二开厂商）

应用企业基于一开厂商产品进行二次开发，以满足特定下游需求。应用企业（二开厂商）需要基于本体企业硬件平台，针对不同行业需求，优化控制算法，提升机器人在特定场景的性能与安全性。此外，应用企业亦可以与工控企业联合，针对特定场景定制末端执行器，如汽车厂焊接机器人的耐高温夹爪，满足特定工艺需求。图表21：应用企业基于一开厂商产品进行二次开发场景适配开发联合定制模式商业价值拓展基于本体企业硬件平台，开发行业专用控制协议，如医疗机器人手术臂适配ISO13482安全规范。与工控企业联合定制末端执行器，如汽车厂焊接机器人的耐高温夹爪，满足特定工艺需求。应用企业通过场景适配与定制，提升机器人在各应用领域的渗透率与市场份额。联合定制模式促进产业链协同，提升机器人在复杂工业场景的应用效率与可靠性。商业价值拓展不仅依赖技术适配，还需与上下游企业建立紧密合作关系，实现互利共赢。应用企业需针对不同行业需求，优化控制算法，提升机器人在特定场景的性能与安全性。：万国企业网、中泰证券研究所整理25谁有望抢占小脑发展的制高点？3.2、人形机器人运控③：工控企业（终端执行器企业）

工控企业需与本体或应用企业适配开发执行器。在终端执行器层面，人形机器人和传统工业机器人差异并不明显，只需配合本体或应用企业开发适用于特定应用场景的关节模组，如高密度的驱动技术和力控融合技术。图表22：工控企业在人形时代需要开发特定执行器技术攻坚突破模块化接口策略高密度驱动技术：如HarmonicDrive的谐波减速器，提升执行器功率密度与精度；通过模块化接口，如ISO/TS15066标准快拆头，实现跨本体平台兼容，拓展市场应用范围。力控融合技术：如SCHUNK的EcoGrip60系列触觉夹持器，实现精准力控与柔顺操作。模块化接口策略降低用户更换成本，提升工控企业在产业链中的竞争力与灵活性。：SCHUNK官网、中泰证券研究所整理26谁有望抢占小脑发展的制高点？3.2、人形机器人运控④：第三方“小脑”企业

第三方“小脑”企业类似于Android至于手机厂商，赋能机器人企业。iOS之于苹果属于闭源生态，在开源生态模式中，独立第三方企业可以通过开发“小脑”底层运控算法，赋能机器人企业。如桥介数物，其是国内领先的具身智能控制系统开发公司，致力于构建足式机器人的通用控制系统平台，公司已帮助多家人形机器人公司完成从0到1的强化学习运动控制demo开发，并在2024年8月的世界机器人大会上，27家中有11家人形机器人厂商采购了其运控解决方案。图表23：搭载桥介数物“小脑”方案的机器人

图表24：搭载桥介数物“小脑”方案的机器狗：桥介数物官网、中泰证券研究所：桥介数物官网、中泰证券研究所人形机器人运控⑤：动捕企业，前文已有详细介绍，不再赘述27谁有望抢占小脑发展的制高点？3.6、小结：小脑发展围绕本体厂商展开，应用落地是关键

在整个人形机器人运控产业链条中，本体厂商的软硬件进步驱动行业发展，动捕和工控企业的硬件进步助推本体厂商持续迭代。随着人形机器人量产时代来临，寻找应用场景成为关键（即生产出来的人形机器人卖不卖的出去），二次开发的厂商具备三大优势：①绑定某一细分领域客户；②对特定下游（如电力、消防、矿山、养老等）工况有独特理解；③有特定应用场景的数据，并基于本体企业产品进行训练，进而满足终端客户需求。因此我们认为，2025年基于应用场景进行二次开发的企业将成为最先放量，且最具弹性的方向。284

投资逻辑：聚焦二开本体厂商及动捕企业投资逻辑：聚焦二开本体厂商及动捕企业4.1、聚焦①：二开本体厂商

2025年，人形机器人关注度已逐渐从供给端转向需求端，在量产的大背景下，具备垂直应用场景的二开本体厂商无疑是最有可能放量的环节，预期差大，建议重点关注二开本体企业，包括：教育、养老、消防应急、危化、防爆、矿山、电力、冶金等行业。图表24：不同应用场景下的二开本体企业汇总2025/3/12EPS（元）2023A

2024A/E

2025EPE环节具体业务公司名称

公司代码最新评级未评级股价（元）2026E2023A

2024A/E

2025E2026E科大讯飞

002230.SZ51.8096.9515.6396.9541.3433.2818.8137.2132.4064.170.28(3.05)(0.88)(3.05)0.960.25-0.37-0.51190.32209.29144.03-104.49家庭养育陪伴，情感陪伴，stem教具教育科研领域优必选9880.HK-----未评级未评级未评级未评级未评级未评级未评级未评级未评级麦迪科技

603990.SH(0.66)0.001.391.711.010.170.001.510.28(1.86)1.781.721.220.67(0.78)1.470.34(1.04)2.252.001.420.870.102.15--57.82-47.62-养老陪护、康养陪护养老康养领域安防巡检领域优必选9880.HK-欧圣电气

301187.SZ海康威视

002415.SZ大华股份

002236.SZ亿嘉和

603666.SH申昊科技

300853.SZ景业智能

688290.SH45.8022.117.87-29.7119.5118.61222.95-24.7019.5314.9059.43-19.5416.8012.8045.77302.5033.121.52复杂场景简单业务逻辑处理2.31(0.05)(0.69)0.35电网能源领域业务处理特定领域巡检核电领域--203.4342.5848.44：中泰证券研究所，注：以上公司eps均来自wind一致预期30投资逻辑：聚焦二开本体厂商及动捕企业4.1、聚焦①：二开本体厂商图表24：不同应用场景下的二开本体企业汇总（接上图）2025/3/12EPS（元）2023A

2024A/E

2025EPE环节具体业务公司名称

公司代码最新评级买入股价（元）2026E2023A

2024A/E

2025E2026E华荣股份

60