（精选报告来源：报告研究所）

1. 机器人算法：融合机械+自控+ICT 的边界

本章解释机器人学科融合的问题。机械、轻工、家电、汽车背景的产业公司，认为传 感器已经相对成熟，好奇软件算法决定的智能化程度。TMT 背景的科技公司，往往对机 械零组件、工程化，较为陌生。机器人与能源的关系问题，也是未解之谜。

1.1 三个流派：机械，自控，ICT

存在三个机器人的流派：机械、自动控制、ICT，三者的思路、代表人物、代表产品、 里程碑著作。一言以蔽之，机械圈核心思路是结构与力学，自动控制圈核心思路是 系统与规划；ICT 圈核心发力点是智能与生态。

依照三大流派的思路，可以得到主流机器人倚重的知识和流派。例如丰田机器人、波 士顿动力 Atlas、UCLA Artmiss 主要依靠自动控制，不同程度的倚重机械与 ICT。而近期 的特斯拉 Optimus、Figure1、宇树科技、云深处科技，主要倚重 ICT 流派的思路，也融 入相对成熟的机械、自动控制思路。宇树科技、云深处都强调强化学习、多模态，前者还 额外强调本体感知控制。这都是近年 AI 的思路。

1.2 当前算法：机械与自控圈认为的“堵点”

“堵点”或在算法。机械流派、自动控制流派发展机器人过程中，自然会发现最需要 “大局观”的运动控制是“堵点”。而运动控制又是“路径规划”的基础。当前算法主要包括自上而下决策部分、自下而上传感部分。大模型与端到端 AI，实际 上会让“自上而下”部分做较大改变。1）以 Atlas、Artemiss 机器人为例：传感器模块将机器人状态量（广义坐标、力/力矩、接触状态等）向运动规划器和全身控制器传送， 运动规划器通过机器人自身选择的动态模型、稳定性判定和优化方法进行步态规划，落脚 点轨迹和关节轨迹也由此计算得出。2）若采用大模型甚至端到端 AI 改变上述流程，缺点 是消耗资源多了，“幻觉”即错误或也增加，换来的优点是“智能化”大幅增加。即上述 “自上而下决策”部分，可更多的体现“大模型”的特征：自动做决策，创造力增强。

如果详细的论述机器人主要算法，可总结为下表。值得说明的是：1）主要探讨大模型/端到端之前的成熟算法（其中三维、NLP 已经涉及大模型）；2）规划算法可以采用大模型/端到端明显优化，因此没有详细展开；3）运动控制算法差异化较大，此处采用典型代表，例如 Artemiss 和 Atlas 机器人。

既然主要算法已经分解出来，那么问题就转化成：上述 AI 算法，若应用在机器人， 哪些可以伴随 AI 产业的发展，明显提高智能化。尤其大模型、端到端算法的使用。

1.3 未来算法的划分：GPU 数学，大模型，端到端

机器人算法，在未来，哪些部分可以大模型化？哪些部分可以端到端？我们绘制机器人三大分支（感知和定位、控制和决策、规划）AI 算法的情况。这也是 未来机器人智能化程度提升的示意图。结论是，几乎所有分支都可以考虑大模型化，当前 部分领域已经可以“端到端”，尤其规划的部分。值得说明的是：1）高时效场景适合小模型，而高复杂度/高精度场景适合大模型 2）线性系统一般用小模型，复杂非线性系统可以用大模型。

2．机器人工程：融合智能车，铺路未来低空

第一章解释技术，本章解释产业数个关键问题。机器人产业与国内已经甚为发达的 AD/ADAS 产业，有约 2-3 年的时间差，可以历史借鉴 AD/ADAS 的发展过程。两个重要议题。一方面，投资者不必担心机器人蓬勃发展刺激过于旺盛的产能，因为 其借鉴了此前“AD/ADAS”领域的经验，并可以后续“技术外溢”到“低空经济”。另 一方面，朝向“人形机器人”发展过程中，被低估的是行业机器人、消费机器人，这类似 科技圈“攀登珠峰，沿途下蛋”的说法。而 2025 年可能就是这些逻辑得到证明的开始。

2.1 历史借鉴：智能车 ADAS/AD 领域，或出现“智能井喷”

发展机器人，有一个非常好的历史借鉴，即智能车的历史过程。业界普遍认为两者产 业成熟度相差大约 2-3 年。多域融合的代表：2017 年特斯拉 Model 3：特斯拉在 Model 3 上突破了功能域的 框架，实现了中央计算 + 区域控制器框架，将 IVI（信息娱乐系统）、ADAS/Autopilot （辅助驾驶系统）和车内外通信 3 部分整合为一体，成为汽车电子架构向中央计算式演变 的重要里程碑。后续 2023 年广汽星灵架构、2023 年比亚迪璇玑架构、2023 年零跑 LEAP 3.0 架构都是重要证据。传感器前融合的代表：2019 年毫米波雷达突破。1）2019 年 5 月底，森思泰克 77GHz 车载毫米波雷达随着一汽红旗 HS5 的上市，成为国内较早 “上路” 的 ADAS 毫 米波雷达传感器。2）类似的，2019 年，行易道 3 月实现了支持 AEB 功能的 77GHz 中 程雷达装车上路。6 月该雷达具备了测高功能、自校准功能并面向数据融合开发，10 月又 全新发布了 77GHz 近程毫米波雷达 ASRR100 和 77GHz 中程毫米波雷达 AMRR112。后续，5R1V（5 毫米波雷达 1 摄像头）、5R5V（5 毫米波雷达 5 摄像头）、4D 成像毫 米波雷达（理想 L7 2 片级联 4D 成像雷达 STA77-6 ）的量产，都是传感器前融合的重 要证据。

行泊一体化的代表：TI TDA4, Nvidia Xavier/Orin，2022 年后大规模量产。1）小 鹏 P7 搭载英 Nvidia Xavier 芯片，实现了高速场景下的上下匝道、低速场景下的自动泊 车及代客泊车等功能。2） Nvidia Orin 于 2022 年开始量产并应用于行泊一体化方案， 实现高阶智能驾驶功能，如城市 NOA、自动泊车等。3）根据高工智能汽车研究院监测数 据，2022 年中国市场乘用车前装标配搭载行泊一体域控制器交付上险为 77.98 万辆，同 比增长 99.63%，搭载率目前为 3.91%，当时处于市场爆发前期。行泊一体化的其他案例 包括 TI TDA4 方案、地平线 J5 与比亚迪部分车型合作等。大模型端到端的代表：2023 年热议，2024 年多家宣称“端到端”量产。1） 2020-2022 年，特斯拉 AI Day 重点描述了 BEV、占用网络 Occupancy Network，这是 大模型和端到端的基础。2） CVPR2023 最佳论文之一有关端到端，即《Planningoriented Autonomous Driving》（以路径规划为导向的自动驾驶）。上海人工智能实验 室、武汉大学及商汤科技联合论文提出了感知决策一体化的端到端自动驾驶大模型 UniAD。3）2024 年多家领军公司宣布应用“端到端”量产。小鹏汽车在 2024 年 5 月 称发布了国内较早量产上车的端到端大模型，成为行业较早量产端到端大模型的车企。华 为在 2024 年的智能汽车解决方案发布会上发布 ADS 3.0 系统，采用端到端架构 GOPDP，将 GOD 及 PDP 网络升级为端到端神经网络。理想汽车智能驾驶副总裁郎咸朋表 示，对智驾核心的思路是 “端到端 + 大模型”，也就是 “系统 1 + 系统 2” 的理念， 并且认为这种方式更接近人类驾驶。

大约在 2024 年中期，出现 ADAS/AD 智能化程度井喷，即用户感觉智能化程度逐 月快速进步。尤其体现在国内理想、小鹏、华为、小米等，和国外的特斯拉。1）从供应 角度，理想大约在 8 月开始（理想 E2E+VLM 的模型 V2.1.2）出现模型性能的 Scaling Law，特斯拉在 2024Q2 开始出现监督式完全自动驾驶（FSD）累计行驶英里数的井喷并 在 Q3 发布 V12.5 版本。2）从需求角度，根据“烹小鱼咨询-新能源汽车用户画像及满意 度研究“，较多爆品是由于 AD/ADAS 能力，例如小米 SU7、小鹏 Mono03、小鹏 P7i、 小鹏 P7+、智己 L6。技术供应和需求，共同促成了 2024 中期开始智能化的逐月进步。

预计机器人会出现类似 ADAS/AD “智能井喷”的时候，可能在 2025-2026 年实现。这一方面，来自两个产业约 2-3 年的时间差；另一方面，来自 2023 年“端到端”AI 算法 对传统 AI 算法的渗透改造。

2.2 “技术外溢“：智能车，机器人，低空经济

机器人产业如果蓬勃发展，是否会刺激过于旺盛的产能？未必需要担心，因为其借鉴 了此前“AD/ADAS”领域的经验，并可以后续“技术外溢”到“低空经济”。即当前的 投入，或许在后续较长时间都会有回报。

CAPEX 季度趋势或验证智能车对机器人的“技术外溢”。可以看到，同 比增速的高点出现在 2021 年内，而总额的高点出现在 2022 年内。而机器人指数(H30590.CSI)、二级行业自动化设备（属于机械行业）的 CAPEX 自 2023 年末开始加速（2023 年中是低点）。智能车 CAPEX、机器人 CAPEX 的此消彼长， 或辅助论述“技术外溢”，即智能车硬件投入的高峰期，可能平移到了机器人相关。除了定量分析，下面具体环节的定性分析，可以帮助投资者理解“智能车-机器人-低 空经济”的技术外溢。首先，AD/ADAS 对机器人的技术外溢：以芯片/电机/控制系统/能源系统为例。1) 芯片技术，复用环境感知、路径规划等，例如小鹏人形机器人。例如，小鹏的人形 机器人 iron 采用自研图灵 AI 芯片，算力 3000T，从而可以更好地融合智能驾驶领域技术， 结合端到端大模型和强化学习算法。2) 电机技术，复用驱动，例如宇树机器人。智能汽车的驱动电机技术在功率密度、效 率、可靠性等方面不断进步，这些电机技术可以为机器人的关节驱动提供借鉴。例如，宇 树科技的机器人关节采用高性能电机，实现了灵活的运动控制，类似技术可应用于智能汽 车的电动尾门、电动座椅调节等部位。3）控制系统技术，复用动作控制、任务调度和能量管理，例如广汽人形机器人 gomate。广汽集团的具身智能人形机器人 gomate 融入了广汽自研纯视觉自动驾驶算法， 具备自主导航等功能。4）能源技术，复用电池技术和能量管理系统，例如宁德时代的凝聚态电池。宁德时 代的凝聚态电池技术，不仅可应用于汽车，未来也可能为机器人提供更高能量密度的电源。

其次，AD+机器人，对低空经济的技术外溢：以视觉算法/传感器/电机/能源系统为 例。1) 视觉算法技术，复用到无人机的 AI 识别算法。例如，复亚智能的无人机 AI 识别算 法，通过深入分析低空巡查的特殊需求，专为无人机视角设计，可用于检测各种类型的物 体，如人物、车辆、建筑物等。2) 传感器，复用环境感知和飞行姿态控制，例如小鹏汇天飞行汽车。小鹏汇天飞行汽 车在安全系统和飞行控制等方面应用了多种传感器，如激光雷达、摄像头等，用于环境感 知和飞行姿态控制。3) 电机技术：复用到电动垂直起降飞行器（eVTOL）等，例如 250kw 及以下航空电 机及驱动系统规模化量产技术。该可借鉴智能汽车和机器人电机的生产制造和控制技术。4) 能源系统技术：复用能源系统技术，例如宁德时代的凝聚态电池技术（航空级）。宁德时代的凝聚态电池技术，正在按照航空级的标准和测试进行研发，目标是满足航空级 别的安全和质量要求。

如果本环节分析得当，投资者未必需要担心机器人的崛起，会刺激过于旺盛的产能。因为“智能车-机器人-低空经济”是递进关系，当前机器人的投入可以后续“技术外溢” 到“低空经济”。

2.3 被严重低估：行业机器人，消费机器人

例如特斯拉的人形机器人、Figure 1 的机器人，与量产普及存在差距。类似的，还有 GPT5 的进度问题。因此部分投资者会认为，当前仍然在导入期。“攀登珠峰，沿途下蛋”1 2的策略，或许用于机器人领域，也颇为恰当。朝向“人形 机器人”发展过程中，被低估的是行业机器人、消费机器人。而这个历史，在 AD/ADAS 过程中、AGI 相关算力发展过程中，都是充分证明的。

1）AD/ADAS 领域的“攀登珠峰，沿途下蛋”：2010-2015 年，如果遥望 L4-L5 自 动驾驶，是非常遥远的。但朝向这个宏大目标，既有 L2（传感器前融合、智能座舱升级、 地图高精化）、L2.5（行泊一体化、高快 NOA、城市 NOA），又有准 L3（大模型、端 到端）。现在再看 L4 的代表 Robotaxi、车路协同，已并不遥远。因为制造、科技、用户 心智，都已经大幅度成熟。2）AGI 对应 AI 算力的“攀登珠峰，沿途下蛋”。CPU 诞生伊始，是无法满足 AGI 对应的算力需求的。但历经终端计算（CPU）、云端计算（GPU、NPU、TPU 等）、边 缘与端侧等（例如 DSA、ASIC 服务），产业与投资者都不认为 AGI 的堵点在算力。讨论 能源瓶颈、GPT 算法反而更多。3）预计这个过程会在机器人领域重现。投资者未必需要额外关注人形机器人（尤其 特斯拉的人形机器人），工业机器人、协作机器人、扫地机器人、机器狗等已经是“沿途 下蛋”。预计 2025 年开始行业机器人（例如能源、特殊、化工）、消费机器人（例如 AI 玩具、陪伴、教育、可穿戴），也会是“沿途下蛋”。

3. 自上而下：融合人口疑问与新产能

3.1 历史问题：人口红利，工程师红利

人口红利。一般认为中国在 20 世纪 90 年代至 21 世纪初进入人口红利期。1990 年 到 2010 年期间，中国 15—59 岁劳动年龄人口以年均 1.8% 的速度增长3，而非劳动年龄 人口的增长则基本停滞，同期年均增长率为 -0.2%。当前的工程师红利。中国的工程师红利大致从 20 世纪 90 年代开始显现，1999 年大 学扩招后进一步加速。工程师储备，我们可以用本科生、硕士生毕业人数的比例做近似。尽管教育质量、系别有差距，但误差不会显著。两者的比例关系为 2-3 倍、1-2 倍，恰与 双方第二产业工业增加值的规模比例接近。也有投资者担心，美国私立学校培养的人才未 统计进去。STEM 毕业生数量也是约每年百万人，这些信息可以加强计算的可靠性。

3.2 产能设想：软件大模型+硬件机器人

大家普遍关心人口红利、工程师红利，有两个隐含问题：1） 是否还有足够的未来的就业人口，支持人口红利、工程师红利；2） 如果没有，如何支持未来的增长与创新。我们稍微创新的用“科技赋能后用工人数“（即机器人、大模型修正后就业人口）来 解释。用当前的工业机器人（含协作机器人）、服务机器人，计算它们等效员工数量。等效员工数量，加上原有累计用工人数（规模以上工业企业），得到“科技赋能后用工人数 “，这才是实际上有效的生产要素。即投资者未必需要纠结人口红利、工程师红利，未来人力生产要素红利，很多依靠科 技手段来体现，例如软件大模型、硬件机器人。

工业机器人（含协作机器人）等效人力系数为 4.0。系数的参考依据是：1）一个经验 丰富的汽车焊接工人每小时可能焊接 20 - 30 个焊点，而一台工业焊接机器人每小时可以 焊接超过 60 - 80 个焊点，从焊接速度上看，这台机器人在焊接这个任务上大约相当于 2 - 4 个工人的工作量；2）在电子元件组装任务中，一个工人每分钟可能组装 3 - 5 个元件， 而一台高速电子组装机器人每分钟可以组装 20 - 30 个元件，相当于 4 - 10 个工人的组装 效率；3）工业机器人可以 24 小时不间断工作，而普通工人一天工作 8 小时左右。如果 单纯按照工作时间来算，假设一个工人一年工作 2000 小时（除去节假日等），机器人一 年工作 8760 小时（365 天 * 24 小时），那么这台机器人在工作时长方面相当于 4.38 个 工人 服务机器人等效人力系数为 0.7。系数的参考依据是：1）清洁任务：以酒店清洁为例， 一名清洁工人清洁一个标准客房可能需要 30 - 45 分钟，而一台清洁服务机器人完成同样 的清洁任务（包括地面清扫、吸尘等基本清洁）可能需要 60 - 90 分钟。但服务机器人可以不间断工作，在一天 8 小时的工作时间内，假设清洁工人一天清洁 10 - 12 个房间，清 洁机器人可能可以清洁 5 - 7 个房间，大约相当于 0.5 - 0.7 个人力。2）送餐任务：在餐 厅送餐场景中，一名服务员在餐厅高峰期每小时可能送餐 10 - 15 桌，而一台送餐服务机 器人每小时可以送餐 8 - 12 桌，大约相当于 0.5 - 0.8 个人力。不过，这还需要考虑机器 人不能像服务员一样与顾客进行复杂的沟通和提供个性化服务等因素。这样得到一个结论：3) 计算“科技赋能后用工人数“，生产要素增速充沛，最近五个月同比增速高达 3.4%/3.8%/3.8%/4.2%/ 4.7%。这个增速或有效支撑了年化 GDP 的增速。无论人口红 利还是工程师红利大家如何预期，有效生产要素或许还是充沛的。尤其考虑软件大模型、 硬件机器人的赋能。4) 未必需要讨论是否有替代关系，会用机器人和大模型的人力很有价值。既然人口红 利、工程师红利是当前我们重要生产要素，而软件大模型、硬件机器人的升级，是重要技 术趋势，两者的交织会很有价值。

4．参与者与催化剂：预计 2025 年高频

4.1 五大参与者一张图

下载完整报告，请扫描下方图片二维码入知识星球社群查阅下载

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）