编者按

人形机器人，作为集人工智能、精密机械、传感技术之大成的下一代智能终端，正站在技术落地和商业化探索的关键期。

人形机器人是未来十年不可忽视的超级赛道已成为资本市场的共识。

今年以来，人形机器人概念受到资本市场的热炒，相关公司的估值也随之水涨船高。站在 2026 年年初的起点，投资者该如何衡量当前人形机器人概念的估值？产业链中哪些公司仍存在布局机会呢？

国泰海通证券机械行业首席分析师肖群稀在新书《碳基觉醒》中，从硬件、模型、数据和人才等角度，系统性地解构了 " 人形机器人估值方法论 "。公开资料显示，其自 2022 年起聚焦人形机器人赛道研究，并带领团队围绕具身智能、关节模组及部件（电机、执行器、编码器）、灵巧手、视觉 / 力觉 / 触觉传感器等核心领域发布多篇深度报告。

我们经授权摘录本书《人形机器人估值方法论：硬件、模型、数据和人才》章节部分内容，以飨读者。

以下为文章原文：

人形机器人估值方法论：

硬件、模型、数据和人才

面对人形机器人一级市场的火热，我们总结出具身智能的四大核心估值逻辑：硬件、模型、数据和人才。以下从这四个方面展开分析，探讨其对人形机器人发展的关键影响。

硬件：供应链优势与性能跃升的基础

人形机器人本体硬件是技术落地的基础。中国在供应链方面的优势尤为突出，为硬件的快速迭代和性能提升提供了坚实支撑。每次硬件的迭代都会显著提升机器人的核心性能，例如一体化关节和灵巧手方案的升级，对精度、力控和操作能力具有决定性影响。

完全自研的高性能、稳定硬件是实现快速优化和修改的关键。没有自主硬件，就无法根据算法和数据进行针对性调整。目前，跨硬件的算法仍处于理论研究阶段，尚未实现大规模应用。得益于过去多年在新能源汽车和机械通用零部件行业的积累，中国在人形机器人供应链方面的优势明显，为硬件的持续创新提供了强有力的支持。

模型：执行与硬件的深度融合

模型是人形机器人实现智能化的核心，与硬件的结合至关重要从物理空间的角度划分，大模型可以分为两类：非具身大模型（如 ChatGPT、Sora 等）和具身智能大模型（如机器人大模型）。两者的区别在于是否能够生成运动姿态。非具身大模型的输入和输出模态主要为语言、图片和视频，具身智能大模型则通过视觉和语言信号输入，输出三维物理世界的操作。

具身智能大模型的技术方向主要分为两类：

一是端到端的具身大模型，如特斯拉的 FSD 和谷歌的 R 模型，这类模型对数据和算力的要求极高。

二是分层端到端的具身大模型，以 Figure Al 为代表，大多数人形机器人公司采用这一架构，包括基础大模型（LLM 或 VLM）、决策大模型和操作大模型。

在基础大模型上，具身智能大模型与非具身智能大模型有一定的通用性，此处便不再赘述，而决策大模型以 ChatGPT for Robotics 和谷歌 PaLM-E 为代表，技术方向从大语言模型向强化学习演进。基于强化学习的范式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，并通过数据采集实现。技术方向从传统的 " 模型预测控制 + 全身控制 " 向 " 强化学习 + 仿真 " 演进，其中模型预测控制更适合具有精确模型和短期优化目标的场景，而强化学习更适用于不确定性高、需要长期学习和自适应的环境。

数据：发展的瓶颈与核心竞争力

数据是当前机器人发展的瓶颈，也是拉开技术差距的重要手段。能否获得足够数量、足够便宜且高质量的数据，直接决定了机器人发展的速度和深度。数据是 AI 下一个发展阶段的最大助推力，但真实环境中的数据远远不足以满足需求，仿真数据成为重要的补充手段。

主流的数据采集方法包括：仿真生成数据，通过模拟环境生成大量高质量数据；真实环境采集数据，在实际场景中收集数据。

特斯拉的 Tesla Bot 开发团队通过人类的真实运动方式训练机器人，英伟达推出的 MimicGen 和 Robocasa 模型则通过真人的遥控操作捕获数据，再结合生成合成运动数据和模拟环境。数据采集完成后，还需要进行数据分发、清洗、打标签、校验、存储和管理等工作。数据能力较强的公司通常会自行构建数据流水线，数据能力较弱的公司则依赖数据服务商的工具。

人形机器人厂商的短期目标是发掘具体应用场景，深耕一个细分领域，积累足够多的数据，训练小模型，再逐步拓展到新的领域，训练新的技能。当机器人的技能库足够丰富时，最终将走向通用化。

人才：技术突破的核心驱动力

人才是人形机器人发展的核心驱动力，涉及数据、算法和硬件工程等多个领域。以下是关键团队的职责与要求：

1. 数据团队：负责数据的采集、组织管理以及模型的闭环开发。团队需要具备强大的组织能力，核心团队需要有管理大规模工程师的经验。

2. 算法团队：开源算法可以提供基础功能和技术支持，但高质量、高性能的人形机器人需要专业的算法团队进行深入研究和开发。技术方向包括强化学习、仿真优化等，需要不断探索新的算法架构。

3. 硬件工程团队：人形机器人对硬件的集成能力要求极高，该能力需要通过不断地试错和经验积累来提升。硬件团队需要具备快速迭代和优化的能力，以支持算法和数据的持续改进。

人形机器人领域的竞争已从单一技术的比拼转向多维度的综合较量。硬件、模型、数据和人才是决定企业竞争力的核心要素。未来，随着技术的不断进步和应用场景的拓展，人形机器人有望在更多领域实现规模化落地，为行业和社会带来深远的影响。通过持续的技术创新、数据积累和人才引进，人形机器人将逐步迈向通用化，开启智能化的新时代。

（嘉宾观点仅代表个人，不代表周刊立场。）