2025年深度行業分析研究報告內容目錄1.垂直領域具身智能機器人，為什么是現在看好？

....................................................

51.1“大腦”成熟度逐步提升，打造具身智能落地基礎..............................................

51.2

垂直領域缺數據、推理慢、控制難等問題有望解決，加速產業化落地

.............................

71.2.1

從場景獲取真機數據，加速實現“數據飛輪”

...............................................

71.2.2

需要的模型更“小”，解決推理太慢痛點...................................................

101.2.3

不追求人形形態，控制算法更成熟

........................................................

122.哪些場景潛力大？.............................................................................

162.1

潛在場景尋找思路

........................................................................

162.1.1

工業/服務機器人滲透率的逆向思考，工業機器人滲透率越低未來前景越大

.....................

162.1.2

哪里“缺工”看哪里，三種機器人覆蓋三種類型工作

........................................

182.2

服裝：主要針對縫紉環節，解決招工難、人工成本高等下游核心痛點

............................

202.3

康養：機器人最終進入家庭最優的過渡場景

..................................................

252.4

物流：國內外企業積極探索應用，解決拆零揀選等環節工作量大痛點

............................

31圖表目錄圖表

1：機器人“大腦”技術架構..................................................................

5圖表

2：機器人主要大模型........................................................................

5圖表

3：谷歌

SayCan

模型基于

LLM+VFM

來理解用戶指令推理分解任務步驟...............................

6圖表

4：

清華大學

Vila

算法采用

GPT-4V

等

VLM

在復雜環境中主動進行任務規劃..........................

6圖表

5：谷歌

RT-H

模型能夠將高層次任務映射為低層次運動，減少訓練需要的數據.......................

7圖表

6：

目前預訓練大模型研究發展迅速，顯著提高了機器人感知、決策、控制能力......................

7圖表

7：“數據飛輪”是機器人產業具有巨大成長性的底層邏輯........................................

8圖表

8：傅利葉開源機器人數據集

Fourier

ActionNet

首批上線超

3

萬條真機訓練數據....................

8圖表

9：解決數據瓶頸的常用方法..................................................................

9圖表

10：智元數據采集工廠.......................................................................

9圖表

11：垂直場景部署讓訓練數據結構從“正三角”轉為“倒三角”..................................

10圖表

12：模型訓練的性能隨著計算量、參數量、數據量的增加而提升..................................

10圖表

13：

目前機器人大模型普遍推理時間較長，實時性還有較大改善空間..............................

10圖表

14：Figure

通過加入一個更小模型的方式來解決推理速度太慢的問題

.............................

11圖表

15：垂直大模型更適合特定場景應用..........................................................

11圖表

17：人形機器人僅下肢就有

14

個自由度，控制難度大幅增加.....................................

132圖表

18：雙足行走的過程較為復雜................................................................

14圖表

19：雙輪類人機器人可以簡化為兩輪倒立擺運動學模型..........................................

14圖表

20：EVE

搭載的世界模型已經可以根據動作指令生成控制軌跡完成移動

............................

15圖表

21：如果是僅有上肢的機器人在運動控制上可以沿用工業機器人的策略............................

15圖表

22：華中數控開發的具身智能工作站..........................................................

16圖表

23：拓斯達雙機械臂聯動控制................................................................

16圖表

24：

中國工業機器人密度趕超日本，制造業自動化水平較高......................................

16圖表

25：

汽車等標準化程度較高的制造業領域已經實現了工業機器人的大規模應用......................

17圖表

26：工業機器人目前在較多細分行業的覆蓋場景和應用深度有限..................................

17圖表

27：服務業中僅物流倉儲、酒店機器人應用比例較高............................................

18圖表

28：

汽車行業由于標準化工業機器人滲透率最高................................................

18圖表

29：在垂直大模型加持下即使是工業機器人也可以面向更加柔性的場景............................

18圖表

30：4Q2022“最缺工”職業排行..............................................................

18圖表

31：在“缺工”背景下機器人滲透率有望快速提升..............................................

19圖表

32：縫中環節是服裝廠實現全面自動化的瓶頸..................................................

20圖表

33：

目前服裝廠可以實現縫前、縫后的高自動化，縫中主要依靠人工..............................

20圖表

34：模板機自動化程度更高，但上下料還是需要人工操作........................................

21圖表

35：布料屬于接觸豐富型柔性物體，機器人的應用具有一定難度..................................

21圖表

36：

帕西尼靈巧手傳感器可實現不同布料材質識別..............................................

22圖表

37：

1X

展示了世界模型生成布料折疊長時程任務能力

...........................................

22圖表

38：FLIP

框架提升了長時程視頻規劃合成成功率與質量

.........................................

23圖表

39：FLIP

框架在布料折疊任務中可以生成長期規劃方案

.........................................

23圖表

40：基于人類演示數據完成布料折疊訓練......................................................

24圖表

41：該方法已經可以對未見過的布料完成單折、雙向內折、三角折等操作..........................

24圖表

42：

杰克股份牽頭縫制機械項目研發與驗證....................................................

25圖表

43：在多個高校加持下有望進一步加速服裝機器人產業化落地節奏................................

25圖表

44：

1X

機器人推出的

NEO目標就是打造直接面向終端消費者的家用機器人

.........................

26圖表

45：康養場景預計先用輪式機器人進行過渡后續迭代為雙足機器人................................

26圖表

46：RIBA-II

型康養機器人結構

..............................................................

27圖表

47：Moxi

僅完成運輸工作就顯著減輕了醫院員工負擔

...........................................

27圖表

48：

以

Torobo

機器人為測試平臺的深度學習架構...............................................

28圖表

49：傅利葉三維上肢康復機器人..............................................................

28圖表

50：華為、優必選、創耀科技、麥迪科技等參與具身智能康養協同發展機制........................

29圖表

51：億嘉和

RK100

型機器人主要面向康養、家居等場景..........................................

29圖表

52：

1X

發布

Redwood

模型升級

...............................................................

30圖表

53：Redwood

跨平臺架構

....................................................................

30圖表

54：Redwood

升級強化了在家庭類場景中的實際任務完成能力

....................................

31圖表

55：

兩部門發文展示了較多智能養老服務機器人結對公關與場景應用試點項目......................

31圖表

56：物流行業整體已經有了較高的自動化程度..................................................

32圖表

57：蘭劍智能壁虎料箱機器人系統優化貨到人揀選..............................................

32圖表

58：德馬科技智能播種機器人縮減二次分揀人工作業............................................

32圖表

59：揀選尤其是拆零揀選是人力耗費最大的環節................................................

32圖表

60：貨到人揀選降低了揀選人員走動的工作量..................................................

33圖表

61：

美國倉儲、物流和制造行業有大量材料搬運崗位空缺........................................

33圖表

62：德馬科技與鹿鳴機器人合作推動在智能工廠和物流場景測試和應用機器人......................

34圖表

63：全球物流巨頭

GXO

積極探索機器人應用....................................................

34圖表

64：Digit

機器人的運動學結構

..............................................................

35圖表

65：基于

Digit

機器人行走的強化學習框架結構................................................

35圖表

66：Digit

機器人已經實現了商業化應用，目標產能

10000臺/年

.................................

36圖表

67：Reflex

輪式機器人可完成分揀、搬運、打包等物流行業常見工作內容

.........................

36圖表

68：Figure

在物流行業部署機器人后模型性能持續提升

.........................................

37圖表

69：Helix

性能提升主要來自于系統

1

的優化

..................................................

37圖表

70：訓練數據量的增加顯著提升了物流行業處理性能............................................

38圖表

71：新架構特征的添加也提升了模型性能......................................................

38模型介紹BERT預訓練語言模型DeepSeek高效的開源大語言模型ChatGPT應用最廣的語言處理大模型LLaMA預訓練和指令微調的語言模型Vicuna使用監督數據微調得到的模型Phi-2具有推理能力的小語言模型ResNet基于卷積神經網絡的視覺模型ViT基于Transformer

的視覺模型MAE自監督的圖像預訓練CLIP圖像語義特征學習SAM視覺分割大模型1.垂直領域具身智能機器人，為什么是現在看好？1.1

“大腦”成熟度逐步提升，打造具身智能落地基礎機器人“大腦”主要功能包括實時交互、多模態感知、自主可靠決策、涌現和泛化等。需

要規模數據集、云邊端一體計算架構、多模態感知與環境建模等多方面技術能提供支撐和

實現融合創新，以端到端具身大模型為核心的機器人“大腦”才能取得突破和發展。圖表1：機器人“大腦”技術架構來源：《中國人形機器人創新發展報告

2025》，國金證券研究所目前的大模型已經在視覺和語言處理方面取得重大突破，

在機器人領域具有巨大應用潛力：機器人“大腦”最基礎的模型為

LLM（大語言模型）

+VFM（視覺基礎模型），其中LLM主

要是主要是通過深度學習技術訓練的大規模神經網絡，

主要用于理解和生成自然語言，

VFM一般以卷積神經網絡（如

ResNet

等）或者

Vision

Transformer(ViT)等為基礎模型，通

過自監督學習的方式提取圖像的特征表示，隨后將特征提取器用于下游任務。來源：《中國人形機器人創新發展報告

2025》，國金證券研究所谷歌

SayCan

模型就是典型的

LLM+VFM

架構，解決了

LLM

缺乏真實世界經驗，不適用于機

器人在特定環境中執行任務的問題。

通過預訓練技能的價值函數對齊（Grounds）大語言

模型或者通過價值函數的訓練使大語言模型對用戶指令進行推理分解獲得任務步驟，使其

提出既可行又在情境上合適的自然語言行動。圖表2：機器人主要大模型來源：《Look

Before

You

Leap:Unveiling

the

Power

of

GPT-4V

in

Robotic

Vision-Language

Planning》，國金證券研究所VLA（視覺語言動作模型）在

VLM

的基礎上進一步增加了運動控制，解決了機器人的運動

軌跡決策問題，能夠減少將高層次任務映射到動作所需要的訓練數據。例如谷歌的RT-H

模型利用

VLM

來預測語言動作，再將這些語言動作與運動動作進行條件匹配，為機器人預

測動作。這種動作層次結構使得模型能夠在許多語義不同的描述之間共享結構，與直接將

任務映射到動作相比，

這在各種多任務數據集上能實現更好的數據共享。這種層次結構還

使人類能夠選擇提供語言修正，

以防止任務失敗，然后使用這些新的語言動作來預測更好

的動作。

一旦人類完成干預，RT-H

會像之前一樣預測語言動作。來源：《Do

As

I

Can,Not

As

I

Say:

Grounding

Language

in

Robotic

Affordances》，國金證券研究所多模態模型指一個模型能夠接受輸入不同“模態”，例如圖像、文本或音頻信號。VLM（視

覺語言模型）同時融合了

LLM

和

VFM，是一種同時接受圖像和文本的多模態模型，同時接收圖像和語言作為輸入，并根據語言指令和圖像信息產生輸出，

完成圖像問答任務，

實現更準確的任務規劃和決策。

例如清華大學交叉信息院高陽研究組提出

ViLa

算法，通過利

用

GPT-4V

這類

VLM，使機器人能夠在復雜環境中主動進行任務規劃。圖表4：清

華大學

Vila

算法采用

GPT-4V

等

VLM

在復雜環境中主動進行任務規劃圖表3：谷歌

SayCan

模型基于

LLM+VFM

來理解用戶指令推理分解任務步驟來源：《機器人大模型發展與挑戰》，國金證券研究所1.2

垂直領域缺數據、推理慢、控制難等問題有望解決，加速產業化落地1.2.1

從場景獲取真機數據，加速實現“數據飛輪”機器人產業具有巨大成長潛力的底層邏輯是“數據飛輪”，通過更多的機器人部署能帶來

更多數據以供訓練，

最終優化出更成熟的模型強化機器人性能進一步推動放量，形成自我

加速的正向循環。來源：《RT-H:Action

Hierarchies

Using

Language》，國金證券研究所目前預訓練大模型研究發展迅速，顯著提高了機器人感知、決策、控制能力。圖表6：

目前預訓練大模型研究發展迅速，顯著提高了機器人感知、決策、控制能力圖表5：谷歌

RT-H

模型

能夠將高層次任務映射為低層次運動，

減少訓練需要的數據來源：

《Data

Pyramid

and

Data

Flywheel

for

Robotic

Foundation

Models》，

國金證券研究所相比于通過互聯網大量的文本和圖像數據進行訓練大語言模型，

能夠用于機器人模型訓練的特定數據很少，

尤其是

3D

數據，雖然多模態視覺和語言模型可以分析

2D圖像，但缺乏

3D

空間關系、3D

規劃、3D

特征等。目前出現了較多由機器人企業、科研機構整合的機器

人數據集，但數據的量級依舊偏少。來源：傅利葉官網，國金證券研究所目前有一些方法來解決數據瓶頸，

但仿真數據的保真度和規模有限，依舊是真機數據訓練

效果最好。圖表8：傅利葉開源機器人數據集

Fourier

ActionNet

首批上線超

3

萬條真機訓練數據圖表7：

“數據飛輪”是機器人產業具有巨大成長性的底層邏輯來源：

《機器人大模型發展與挑戰》，

國金證券研究所為了獲得更多真機數據，目前有機器人企業通過數據采集工廠進行數據收集。智元基于數

據采集工廠中的家居、餐飲、工業、商超和辦公五大核心場景推出了

AgiBot

World

數據

集。來源：智元機器人官網，國金證券研究所我們認為要扭轉真機數據不足的問題，

更多的還是在某一細分垂直場景實現機器人應用突

破，讓訓練數據結構從“正三角”轉為“倒三角”，加速實現“數據飛輪”。圖表9：解

決數據瓶頸的常用方法圖表10：智

元數據采集工廠模型基本結構參數大小預訓練任務推理速度硬件RoboCatGato僅解碼器的Transformer1.18

B操作任務10~20

Hz-僅解碼器的Transformer1.2

B通用智能體20

Hz16×16

TPUv3PaLM-E-562B僅解碼器的Transformer562

B語言子任務+控制

策略5~6

Hz多TPU

云服務器2×4090,3×TitanViNTEfficient+僅解碼器的Transformer31

M視覺導航4

HzXp,4×P100,8×1080Ti,8×V100,8×A100來源：

《Data

Pyramid

and

Data

Flywheel

for

Robotic

Foundation

Models》，

國金證券研究所1.2.2

需要的模型更“小

”，解決推理太慢痛點模型的大小與性能之間存在一定的正相關關系，更大規模的模型通常能習得更豐富的模式

和更復雜的表示，從而在許多任務上實現更好的性能表現。

描述性能與模型關系的Scaling

Law

理論由

OpenAI

在

2020

年提出。Scaling

Law

是指模型的性能與計算量、模

型參數量和數據大小三者之間存在的關系。具體地，

當不受其他因素制約時，

模型的性能

與這三者呈現冪律關系。這意味著，增加計算量、模型參數量或數據量，都可能會提升模

型的性能，但是提升的效果會隨著這些因素的增加而遞減。來源：《Scaling

Laws

for

Neural

Language

Models》，國金證券研究所Scaling

Law

的理論是針對訓練階段而言的，而不是推理階段。從推理階段看，目前機器

人大模型普遍推理時間較長，實時性還有較大改善空間。圖表13：

目前機器人大模型普遍推理時間較長，實時性還有較大改善空間圖表11：垂直場景部署讓

訓練數據結構從“正三角”轉為“倒三角”圖表12：

模型訓練的性能隨著計算量、參數量、數據量的增加而提升本報告來源于三個皮匠報告站（）,由用戶Id:349461下載,文檔Id:713838,下載日期:2025-06-22模型基本結構參數大小預訓練任務推理速度硬件VPT卷積+

ResNet0.5

BMinecraft

中的具

身智能體20

Hz720V100

GPURT-1EfficientNet+TokenLearner+僅解碼器的Transformer35

M真實世界機器人任務3

Hz-RT-2PaLI-X55

B真實世界機器人任務1~3

Hz多TPU

云服務器RT-2-XViT+語言模型

UL255

B真實世界機器人1~3

Hz多TPU

云服務器LIVCLIP-獎勵學習15

Hz8個英偉達V100GPUsSMART僅解碼器的Transformer11

M雙向動力學預測和

控制1

Hz8個英偉達V100GPUsCOMPASS3D-Reset編碼器20

M對比損失30

Hz8個英偉達V100GPUsPACT僅解碼器的Transformer12

M動作預測50

Hz8個英偉達V100GPUs對比維度通用大模型垂直領域大模型實現技術大規模預訓練針對特定領域訓練進行微調場景通用場景專門場景需求滿足用戶多元化、非專業性的日常需求。以提供通用的知識和功能為核心，追求全面性和普適性滿足某一行業內用戶的特定需求。以深入理解和執行特定領域任務為核心，追求專業性和準確性來源：《機器人大模型發展與挑戰》，

國金證券研究所Figure通過加入一個更小模型的方式來解決推理速度太慢的問題。

Figure推出的

HelixVLA

模型通過部署兩個模型解決了VLM

模型基礎架構通用性強但響應速度較慢的問題，

通

過再加入一個視覺運動策略速度快但通用性差的模型進行互補，

這種解耦架構可以讓系統

在最佳時間尺度上運行，

系統

2

可以“慢思考”高層次目標，而系統

1

可以“快思考”以

實時執行和調整動作。來源：

Figure官網，

國金證券研究所在具體的垂直場景中，模型并不是越大越好，更大的模型算力需求更大、推理時間更長、

能耗/維護成本更高，選擇基于垂直場景專業知識和數據進行優化訓練的垂直大模型更加

適合。圖表14：F

igure

通過加入一

個更小模型的方式來解決推理速度太慢的問題圖表15：垂直

大模型更適合特定場景應用對比維度通用大模型垂直領域大模型商業化開放平臺或SaaS產品企業內部定制化開發的應用或針對特定行業的解決方案模型規模模型參數量通常巨大可能有較大規模的參數，但專業數據更重要性能優勢具有廣度優勢在專用領域提供更專業、準確的答案和服務資源投入訓練成本高，需要龐大的計算資源和高質量且多元的數據集，在訓練成本同樣不低，但相比于訓練同等效果的通用大模型，在成本維護和更新上也需要持續投入資源消耗上更為可控特點具有強大的遷移學習能力、靈活適應新任務的能力以及在各類普通場景下的實用性具有深厚的領域專業知識，對特定領域復雜問題具有深入理解和高精度決策支持的能力舉例ChatGPT、Gemini、通義千問等/來源：《制造業大模型的構建與實踐》，國金證券研究所1.2.3

不追求人形形態，

控制算法更成熟機器人的應用落地除了大模型的“大腦”外，還有負責運動控制的“小腦”。“小腦”主要

是依照具體的運動軌跡要求，根據負載情況，

通過驅動器、驅動執行電機完成相應運動軌

跡要求的系統。通常包括運動控制器、

伺服驅動器、執行器、運動反饋單元等。圖表16：機器人“小腦”

包括運動控制器、驅動、執行器、運動反饋單元等來源：固高科技招股說明書，國金證券研究所人形機器人的運動控制難度較高，根據《基于動作捕捉技術對仿人機器人運動學分析與仿

真》信息，人形機器人下肢可簡化為

14自由度系統，其中，髖關節為

3

個自由度，分別

為橫滾、俯仰和偏轉，通過

1

個虎克副和

1

個旋轉副來連接；

同樣的傳動方式也作用于踝

關節的

3

個自由度，每個膝關節

1

個前向自由度，通過

1

個旋轉副連接。來源：

《基于動作捕捉技術對仿人機器人運動學分析與仿真》，

國金證券研究所雙足行走的過程較為復雜，步態優化控制和魯棒穩定性等研究上仍存在有待解決的問題，

尤其是在具體場景中進行應用要求更高。圖表17：人形機器人僅下肢就有

14

個自由度，控制難度大幅增加來源：《動態雙足機器人的控制與優化研究進展》，國金證券研究所所以盡管雙足行走理論上由于其他行走方式，考慮到垂直場景以功能實現為優先，下肢可

以采用輪式的方案進行過渡，整體的控制難度更低。圖表19：

雙輪類人機器人可以簡化為兩輪倒立擺運動學模型來源：《Composite

Whole-Body

Control

of

Two-Wheeled

Robots》，

《深度強化學習理論及其在機器人運動控制中的應用實踐》，國金證券研究所1X

發布的輪式機器人

EVE

搭載的世界模型已經可以根據動作指令生成控制軌跡完成移動。圖表18：雙足行走的過程較為復雜來源：

1X官網，國金證券研究所部分垂直場景不需要機器人進行移動，

在這種固定位置的情況下機器人更像是搭載了大模

型的工業機器人，

在硬件、運動控制策略等方面成熟度較高，

一旦模型成熟就可以快速實

現產業化落地。來源：

《工業機器人技術基礎》,《仿人機器人輕型高剛性手臂設計及運動學分析》,國金證券研究所目前例如華中數控、拓斯達等原先擁有“小腦”+工業機器人技術儲備的企業均推出了僅

有上肢的機器人產品，搭配上合適的垂直大模型有較好的產業化應用前景。圖表21：

如果是僅有上肢的機器人在運動控制上可以沿用工業機器人的策略圖表20：EVE

搭載的世界模型已經可以根據動作指令生成控制軌跡完成移動來源：

華中數控微信公眾號，

國金證券研究所來源：

拓斯達官網，國金證券研究所2.哪些場景潛力大？2.1

潛在場景尋找思路2.1.1

工業/服務機器人滲透率的逆向思考，工業機器人滲透率越低未來前景越大中國制造業自動化水平近年快速提升，尤其是得益于新能源汽車市場的快速增長，到

2022年工業機器人密度已經反超日本走向全球領先。圖表24：

中

國工業機器人密度趕超日本，制造業自動化水平較高來源：

Ifind，國金證券研究所汽車等標準化程度較高的制造業領域已經實現了工業機器人的大規模應用。2014201520162017201820192020202120222023500450400350300250200150100500

中國工業機器人密度

日本工業機器人密度圖表22：

華

中數控開發的具身智能工作站圖表23：

拓斯達雙機械臂聯動控制臺/萬人來源：《我國機器人產業最新變化發展縱覽》，國金證券研究所目前工業機器人基本上能覆蓋全部常見制造業工序如搬運、上下料、裝配、檢測等，

但在較多細分行業的覆蓋場景和應用深度有限，我們認為主要是因為工序較為柔性，難以實現

較好的低成本規模化應用。根據艾瑞咨詢研究院的統計，

塑料化工、食品加工、家電等行

業有較多工序工業機器人應用成熟度較低圖表26：

工

業機器人目前在較多細分行業的覆蓋場景和應用深度有限來源：

艾瑞咨詢研究院，

國金證券研究所尤其在服務行業的工作內容更加柔性，機器人的應用比例更低，

服務業中僅物流倉儲、酒

店機器人應用比例相對高，其他行業滲透率均較低。圖表25：

汽

車等標準化程度較高的制造業領域已經實現了工業機器人的大規模應用來源：艾媒咨詢，國金證券研究所來源：

艾媒咨詢，

國金證券研究所目前比較成熟的工業/服務機器人應用主要是解決較為簡單的重復性勞動來降低人工成本，

最常見工業機器人的上下料、裝配和服務機器人的酒店送餐、掃地等場景，在工作流程不

夠標準化的行業很難推廣。而在垂直大模型的加持下我們預計該情況會發生較大改變，設

備柔性化程度大幅提升、人機協作能力強化、使用門檻降低，未來會有大量“爆款”場景

落地。圖表29：在

垂直

大模型加持下即使是工業機器人也可以面向更加柔性的場景排名職業名稱1營銷員2汽車生產線操作工3快遞員4餐廳服務員5商品營業員來源：《工業機器人完全應用手冊》,《VoxPoser:

Composable

3D

Value

Maps

for

Robotic

Manipulation

with

Language

Models》，國金證券研究所2.1.2

哪里“缺工”看哪里，三種機器人覆蓋三種類型工作人力資源社會保障網站發布過

2022

年四季度全國招聘大于求職“最缺工”的

100

個職業

排行，其中除汽車行業屬于增長較快有一定人員短缺外，其他“缺工”主要集中在餐廳、

家政、物流、養老、服裝等行業。圖表27：

服務業中僅物流倉儲、酒店機器人應用比例較高圖表28：

汽

車行業由于標準化工業機器人滲透率最高圖表30：4Q2022“最缺工”職業排行100%90%80%70%60%50%40%30%20%10%0%100%90%80%70%60%50%40%30%20%10%0%u

已應用占比

籌備中占比

未計劃占比

已應用占比

籌備中占比

未計劃占比排名職業名稱6家政服務員7保潔員8保安員9包裝工10車工11其他12焊工13機械制造工程技術人員14養老護理員15客戶服務管理員16縫紉工17質檢員18裝配鉗工19市場營銷從業人員20客房服務員來源：人力資源社會保障部網站，國金證券研究所我們認為可以總結出幾種典型的機器人應用場景，在下游“缺工”情況下滲透率有望快速

提升：1）具身智能工作站：主要解決無法直接高效應用工業機器人的柔性化制造業場景，以垂

直大模型+工業機器人為基礎，快速推廣應用，例如解決服裝行業始終為勞動密集型行業

的情況。2）輪式機器人：具備一定擬人化能夠提供情緒價值，解決家政、養老護理相關工作“缺

工”問題，成長潛力較大。3）人形機器人：擬人化程度最高，直接對接消費者完成服務。圖表31：

在

“缺工”背景下機器人滲透率有望快速提升來源：

華中數控微信公眾號，1X官網，特斯拉官網，

國金證券研究所2.2

服裝：主要針對縫紉環節，解決招工難、人工成本高等下游核心痛點目前服裝廠的成衣制造工序可大致歸類為縫前、縫中、縫后環節，

縫前主要通過使用鋪布

機、裁床完成開片，均可采用大型的自動化設備完成；縫中主要通過使用工業縫紉機進行

縫紉加工，需要大量人工參與，也導致服裝產業為勞動密集型產業，

目前即使是使用模板

機之類的自動化設備，上下料也需要較多人工參與；

縫后主要是整燙、分揀、打包等，

目前較多企業開發了智能吊掛線等，實現了較高的自動化水平。圖表32：

縫

中環節是服裝廠實現全面自動化的瓶頸來源：杰克股份官網，國金證券研究所其中的主要痛點在于縫紉的柔性化程度太高，在衣服款式/尺寸、布料種類/厚度等變量影

響下基本只能通過人工手動完成。來源：

杰克股份官網，國金證券研究所即使是將工業縫紉機升級為模板機，

上下料的環節還是涉及較多人工操作。圖表33：

目前服裝廠可以實現縫前、縫后的高自動化，

縫中主要依靠人工來源：《面向線狀柔性物體的機器人操作研究進展與展望》，《Learning

Foresightful

Dense

Visual

Affordance

for

DeformableObject

Manipulation》，

國金證券研究所目前整體來看，針對布料處理在大模型、傳感器上均有一定的成熟度，

而且相關的技術正

在快速迭代，產業化落地指日可待：1）傳感器陣列實現針對布料“觸覺”：帕西尼發布的

PX-6AX

GEN2

觸覺傳感單元采用多點面陣式傳感器觸電，

可通過多維觸覺感

知信息實現布料識別，在服裝行業有較好應用前景。來源：杰克股份官網，國金證券研究所從具體的機器人功能來看，主要需要的是實現布料的移動、折疊、平鋪等操作，

而布料屬于可變形物體，物理交互復雜對大模型、傳感器要求較高，同時物理特性很難精準建模。圖表35：

布料屬于接觸豐富型柔性物體，機器人的應用具有一定難度圖表34：

模板機自動化程度更高，但上下料還是需要人工操作來源：帕西尼官網，國金證券研究所2）可以通過世界模型生成布料折疊長時程任務模擬：1X世界模型具備生成布料折疊長時程任務能力，布料作為可變形物體，模擬的難度比剛

體復雜得多，

其物理特性很難精準建模。圖表37：1X

展示了世界模型生成布料折疊長時程任務能力圖表36：

帕

西尼靈巧手傳感器可實現不同布料材質識別來源：

1X官網，國金證券研究所NUS

邵林團隊提出的

FLIP

框架將圖像流（像素級動態軌跡）作為通用動作單元，結合動力學模型預測短期視頻結果，

并通過視覺語言價值評估規劃質量，在多樣基準測試中，

提升了長時程視頻規劃合成成功率與質量，具備潛在應用前景。圖表38：FL

IP

框架提升了長時程視頻規劃合成成功率與質量來源：

《FLIP:FLOW-CENTRIC

GENERATIVE

PLANNING

AS

GENERAL-PURPOSE

MANIPULATION

WORLD

MODEL》，

國金證券研究所3）

已經可通過人類演示數據訓練實現未見過的布料折疊操作：同濟大學智能機器人與計算感知實驗室提出了SSFold，一種結合圖結構感知與人類演示

學習的通用布料折疊方法，能夠實現對布料整體形態的推理與操作決策，

同時引入了基于手部追蹤的人類演示數據，有效提升了模型在現實中的適應性和泛化能力。來源：

《FLIP:FLOW-CENTRIC

GENERATIVE

PLANNING

AS

GENERAL-PURPOSE

MANIPULATION

WORLD

MODEL》，

國金證券研究所目前

FLIP

可以有效模擬各種復雜的機器人操作任務，展示了良好的交互性、零樣本遷移

和可擴展能力，在包含了布料折疊的多個任務場景中可通過圖像流生成長期規劃方案，實

現零樣本遷移，結果優于

LVDM、

IRASim

等方法。圖表39：FL

IP

框架在布料折疊任務中可以生成長期規劃方案來源：

《SSFold:Learning

to

Fold

Arbitrary

Crumpled

Cloth

Using

Graph

Dynamics

from

Human

Demonstration》，

國金證券研究所目前縫制機械領軍企業杰克股份已經開始布局縫制機器人，

“自主縫制作業機器人系統研

制與應用驗證”項目由杰克科技牽頭，聯合浙江大學、東南大學、華南理工大學、安徽工

程大學、江南大學

5

所高校，

以及珞石（山東）

智能科技有限公司、北京軟體機器人科技

股份有限公司等企業共同參與，計劃用

3

年時間破解縫制產業智能化轉型瓶頸。來源：《SSFold:Learning

to

Fold

Arbitrary

Crumpled

Cloth

Using

Graph

Dynamics

from

Human

Demonstration》，國金證券研究所該方法已經可以對未見過的布料完成單折、雙向內折、三角折等操作。圖表41：

該方法已經可以對未見過的布料完成單折、雙向內折、三角折等操作圖表40：

基

于人類演示數據完成布料折疊訓練課題名稱子課題名稱課題牽頭單位多品種柔性織物形態實時檢測1.多品種柔性織物材質參數檢測與數據庫構建2.多品種層疊性織物3D

測量與空間位姿估計3.柔性織物褶皺形態的視覺表征與處理4.

高速動態環境下柔性織物狀態與異常檢測華南理工大學多品種柔性織物裁片逐層抓取與精準上下料1.裁片精準抓取與分層2.裁片自適應抓取3.裁片對齊與堆疊上下料江南大學面向柔性面料與復雜工藝的多維空間機器人實時協同縫制1.柔性面料協同縫紉過程建模與工藝參數優化生成2.融合工藝規則的多機器人?

縫制機械自主協同與軌跡規劃方法3.多機縫

紉機器人高精度協同柔順控制技術研究東南大學面向工藝自主優化的縫制質量動態檢測與智能評價1.面向縫制質量檢測與評價的縫制知識圖譜構建2.數字孿生驅動的數據集成交互與質量檢測3.多域知識融合的縫制工藝優化與質量評價浙江大學多自主縫制關鍵技術與裝備系統集成及應用示范1.多源縫制管控平臺系統2.智能縫紉系統3.復雜多維場景縫制應用與驗證杰克科技股份有限公司來源：

浙江在線，國金證券研究所2.3

康養：機器人最終進入家庭最優的過渡場景我們認為人形機器人應用的“終極場景”之一是直接面向家用場景，

成為類似汽車的耐用

消費品，發揮陪伴、管家、保潔等多重功能。來源：椒江發布微信公眾號，國金證券研究所杰克股份作為縫制機械企業切入服裝機器人領域，在數據、場景上有先發優勢，在產品完

成實驗室的零到一訓練后有望快速推向終端客戶實現更多設備部署，

此次項目多個高校加

持，有望進一步加速服裝機器人產業化落地節奏。圖表43：在多個高校加持下有望進一

步加速服裝機器人產業化落地節奏圖表42：

杰克股份牽頭縫制機械項目研發與驗證來源：

IT

之家，

國金證券研究所早在

2009

年，日本就有企業推出了可以抱起癱瘓病人的

RIBA-II

型機器人，上肢采用了

14

自由度的雙臂結構，建立了基于姿勢、力、速度、加速度、舒適度和患者體征的安全

評估數學模型，通過傳感器確保安全接觸。來源：

1X官網，國金證券研究所在走向

“終極場景”

目標的過程中，我們認為康養機器人是非常好的過渡場景，

這些領域

往往面臨“招工難”的痛點，硬件上看機器人下肢也可以先采用輪式方案進行過渡，主要

開發上肢的操控以及人機交互功能，更容易實現產業化落地。圖表44：1X

機器人推出的

NEO

目標就是打造直接面向終端消費者的家用機器人圖表45：康養

場景預計先用輪式機器人進行過渡后續迭代為雙足機器人來源：

Diligent官網，國金證券研究所可以看到較早開發的護理機器人產品已經針對物品傳遞、病患移動等場景動作有了一定成

熟度，隨著后續相關的研究工作持續推進，機器人應用的成熟度進一步提升。例如早稻田

大學團隊在

2024

年提出了提出了一種基于深度學習的架構，用于能動態調整關節剛度的

類人機器人。主要基于深度神經網絡架構，

運用視覺和軀體感覺注意力機制，

生成涉及不同交互力序列策略的雙臂移位動作，基于阻抗控制的直接示教，使機器人在對非目標區域來源：《Research

Progress

and

Prospect

on

Nursing

Robot》，國金證券研究所Diligent推出的Moxi機器人充分展示了垂直機器人在具體場景應用的巨大潛力，

Moxi在醫院場景中為藥房工作人員節省了超過

15

萬次行程，通過無縫、安全地運輸藥品提升

了運營效率減輕員工負擔。圖表47：Mo

xi

僅完成運輸工作就顯著減輕了醫院員工負擔圖表46：R

IBA-

II

型康養機器人結構來源：《Dual-armMotionGenerationforRepositioningCarebasedonDeepPredictiveLearning

withSomatosensoryAttention

Mechanism》

，

國金證券研究所目前越來越多的機器人廠商開始布局康養機器人賽道：1）傅利葉子品牌傅利葉康復專注康復機器人的研發和產業化，涵蓋了上、下肢康復機器

人、運動與平衡訓練系統等多款產品，通過不同類型的機器人協同工作提供全方位的康復

方案，覆蓋從運動功能康復到認知功能訓練的多方面需求。來源：傅利葉教育官網，國金證券研究所2）25

年

5月

21日以“智能科技·重塑康養未來”為主題的具身智能康養機器人協同發

展大會在上海徐匯召開，華為、優必選、創耀科技、麥迪科技等科研機構和企業的負責人

出席了會議，具身智能康養協同發展機制正式啟動，有望加速康養機器人技術研發、應用

推廣與生態共建。施加適度作用力，同時避免過度施壓。圖表48：以

Torobo

機器人為測試平臺的深度學習架構圖表49：傅利葉

三維上肢康復機器人來源：

上海徐匯微信公眾號，國金證券研究所3）億嘉和面向康養、家居場景推出

RK100

型機器人，

具備了更強的與人交互能力。通過力感知與力反饋交互技術，其能精準感知老人握手力度，

實時自適應調整攙扶動作；

依托

仿生觸感皮膚，可分辨衣物材質，自動匹配定制化清潔方案；借助多模態情感識別技術，

能捕捉用戶情緒變化。來源：億嘉和機器人微信公眾號，國金證券研究所已經發布的產品性能也在快速迭代，1X

機器人最新發布了

Redwood

更新，Redwood

是能夠

執行端到端移動操作任務的

VLA

模型，能夠完成為用戶取物品、開門以及在家中環境導航。圖表50：

華為、優必選、創耀科技、麥迪科技等參與

具身智能康養協同發展機制圖表51：億嘉和

RK100

型機器人主要面向康養、家居等場景來源：

1X官網，

國金證券研究所Redwood

為

1.6

億參數規模，但能夠泛化到訓練數據中未出現過的物體處理，強化了家庭

場景的應用。全身控制與多接觸操作能力也讓機器人能完成更接近實際家庭場景中的操作

任務，將移動和操作結合起來，同時

Redwood

可同時規劃導航和操作行為，讓機器人具備

更強的實際完成家務的能力。來源：

1X官網，

國金證券研究所為了能夠驅動

EVE

和

NEO

平臺（1X

推出的兩款機器人），Redwood

融合了預訓練語言的嵌

入、預訓練視覺

transformer的視覺

tokens、關節位置和力的本體感知嵌入。

這些信息

會經過多個

transformer模塊，提取出一個潛在表示向量，借助擴散策略，將該表示解碼

為EVE

或

NEO

的動作。圖表52：1X

發布

Redwood

模型升級圖表53：Redwood

跨平臺架構來源：

1X官網，國金證券研究所2025

年

6月

9日工信部、民政部發布《兩部門關于開展智能養老服務機器人結對攻關與

場景應用試點工作的通知》，其中提到“在家庭、社區和養老機構等場景中試點應用，在

應用驗證過程中完成產品迭代升級，應用驗證周期不少于

6

個月。居家養老服務機器人產

品需完成不少于

200

戶家庭應用驗證，部署不少于

200臺套；社區和機構類養老服務機器

人產品需完成不少于

20

個社區或

20家養老機構應用驗證，部署不少于

20臺套。”后續政策支持力度有望持續加大，加速康養機器人產業化落地節奏。來源：

工信部，

國金證券研究所2.4

物流：

國內外企業積極探索應用，解決拆零揀選等環節工作量大痛點物流行業經過多年自動化升級，

整體已經有了較高的自動化程度，

尤其是倉儲、傳送、分揀等環節。圖表55：

兩部門發文展示了較多智能養老服務機器人結對公關與場景應用試點項目圖表54：Redwood

升級強化了在家庭類場景中的實際任務完成能力來源：

《我國機器人產業最新變化發展縱覽》，

國金證券研究所來源：德馬科技官網，國金證券研究所但在物流作業場景中，

仍有大量環節需要人工參與，

尤其是拆零揀選環節，

在物流中心是作業成本最高、人力耗費最大、時間占用做多的工作，工作量約占整個倉儲作業的

40%以

上。圖表59：