报告概述
本报告以2026年央视春晚人形机器人表演为切入点，剖析人形机器人在高价值、低重复任务中的商业化潜力。报告将商业化场景划分为ToB/C与大脑/小脑两个维度，形成导览导购、个人陪伴、特种行业、家庭照护四大象限。在模型层面，报告分析了Figure AI、特斯拉等企业的端到端系统，指出大脑预训练已跨越7B参数门槛，小脑出现跨本体通用能力。数据层面，报告梳理了真机采集、仿真合成、人类视频三条数据路径的进展，介绍了UMI、NVIDIA Isaac、索辰开物等平台。报告还梳理了相关标的及投资建议。
报告的核心结论
人形机器人商业化必须面向高价值低重复场景
报告指出，人形机器人初期成本高，只有价值量高、重复性低的任务才能支撑溢价。据此将场景拆分为ToB/C与大脑/小脑四象限：营销服务、个人陪伴、特种行业、家庭照护，每类场景均有明确买单方和现价段具身智能可满足的能力基础。
具身智能大脑预训练已过7B参数门槛
2025年11月Generalist AI发布的GEN-0模型首次验证激活具身智能模型的参数门槛约7B，当前行业主流约4B。报告类比LLM的Scaling Law演进，认为后续核心矛盾从科学算法转向算力与数据工程问题。
跨本体通用小脑取得突破，BEHAVIOR提供统一基准
Skild AI在2025年9月发布通用小脑，训练量提升500倍后实现跨本体运动控制。李飞飞启动BEHAVIOR挑战赛，开放1200+小时遥操作数据，为机器人小脑提供类似ImageNet的统一基准，有望推动行业标准化。
数据三线并行：真机刚需、仿真增广、人类视频潜力释放
真机数据是训练刚需，UMI方案将采集成本降至约400美元；仿真合成数据以NVIDIA Isaac、索辰开物等工具实现低成本海量生成；人类视频数据随多模态大模型能力提升可直接用于训练，Tesla和Figure已大规模采用。
报告回答的关键问题
人形机器人有哪些主要商业化场景？
报告将场景分为四类：ToB+大脑泛化（导览导购导巡，如小鹏Iron）、ToB+小脑泛化（特种行业，如宇树机器人集群）、ToC+大脑泛化（个人陪伴，如松延动力情绪交互）、ToC+小脑泛化（家庭照护，如银河通用精细操作）。每类场景侧重不同能力，买单方清晰。
具身智能大脑模型发展到什么阶段？
报告指出大脑预训练已跨越Scaling Law门槛，激活参数约7B。当前主流模型约4B，但路径已明确。类比LLM，后续依赖算力和数据堆叠。通用小脑方面，Skild AI已验证跨本体运动控制，BEHAVIOR挑战赛提供统一基准。
仿真合成数据能否替代真机数据？
不能替代，但可有效补充。报告指出真机数据是刚需，但成本高；仿真数据（如英伟达Isaac、银河通用GraspVLA）通过大规模生成弥补数量，Skild AI等证明足够多样性可缩小Sim2Real差距。三者结合是当前主流路线。
人形机器人量产面临哪些风险？
报告提示四大风险：北美人形机器人量产节奏不及预期、通用机器人Day1 L4路线商业化基础不足、仿真合成数据质量不及预期、模型与软件三方公司产业链话语权可能较低。这些风险可能影响供应链放量和商业闭环。
报告中的代表性数据
UMI数据采集设备成本
当前，UMI（通用操作接口）是一种轻量化无本体真实数据采集方案，成本约400美元，采集速度是传统遥操作的3倍。
具身智能模型激活参数门槛
2025年11月，Generalist AI发布GEN-0模型，验证激活具身智能的参数门槛约为7B，当前市面模型普遍约4B。
以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。
完整报告包含什么
- 央视春晚历年机器人展示能力演进详细表格，展示从预编程到具身智能的发展轨迹。
- 人形机器人商业化四大象限框架图（高/低价值 vs 高/低重复），并详细分析每个象限的定价与泛化逻辑。
- Figure AI Helix 02、特斯拉Optimus世界模型、Generalist AI GEN-0、Skild AI通用小脑等模型技术细节对比。
- BEHAVIOR挑战赛数据集的规模、标注方法及其对机器人统一基准的意义。
- UMI数据采集方案的技术原理、硬件构成与成本优势的详细分析。
- NVIDIA三台计算机（DGX、Omniverse/Cosmos、Jetson AGX）协同方案及Isaac Sim功能说明。
- 国内外机器人仿真平台（协创OmniBot、索辰开物、群核SpatialVerse）的功能与生态对比。
- Gemini 3.1 Pro、Genie 3、LingBot-World等世界模型和多模态模型在视觉推理与数据生成方面的最新进展。
- 人形机器人核心供应链企业、具身智能大脑训练平台相关标的及投资逻辑梳理。
- 四大风险提示（量产节奏、商业化路线、合成数据质量、产业链话语权）的详细论证。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
