具身智能核心概念及组成 [page::1]

• 具身智能结合物理本体（含多种传感器和执行机构）与智能体（多模态感知、决策、控制算法），实现机器人环境交互与任务执行。

- 机器人功能由单纯机械动作向智能感知与决策能力跃升。

全球主要经济体机器人政策及技术赋能 [page::2][page::3]

• 多国（中国、美国、日本、欧盟）将机器人技术发展纳入国家战略，设定阶段性投资及研发目标。

- 以谷歌PaLM-E等多模态大模型推动机器人长时序任务执行，提升算法适应性及泛化能力。

• 云-边-端算力架构协同满足算力需求，保障实时数据处理与决策，但存在通信和资源配置挑战。

具身智能应用需求侧驱动力及多元场景 [page::3][page::4]

• 人形机器人应用覆盖工业搬运、灵巧作业、教育培训、公共服务及特种环境巡检等，场景多样化且向通用方向拓展。

- 全球人口增速放缓及老龄化加剧导致劳动力成本上升，人形机器人可补充劳动力缺口，提高生产效率。

全球人口结构变化趋势与劳动力挑战 [page::5]

• 1980年至2023年，全球及主要经济体人口增速明显放缓，预计未来10年仍维持低速增长甚至负增长。

- 65岁以上人口比例快速提升，老龄化趋势显著，对劳动力市场构成长期压力。

未来市场规模及成本趋势预测 [page::6]

• 随技术进步及规模效应显现，各类任务对应的人形机器人成本持续下降。

- 预计2030年中国人形机器人出货量将达到35万台，年复合增长率317%，市场规模达581亿元，增速强劲。

• 产业链升级和供应链协同发展将对满足质量和稳定性提出更高要求。

发展风险提示 [page::8]

• 关键算法、算力和数据的技术突破面临瓶颈，限制感知广度与环境交互能力。

- 产业成本高昂，规模化生产受限，影响商业化推广。

• 应用落地不及预期或导致市场增长受阻。

中金《秒懂研报》—具身智能：开启智机共融新时代 详尽分析报告

---

1. 元数据与报告概览

• 报告标题：具身智能 开启智机共融新时代

- 作者：陈昊，中金公司研究部科技硬件及半导体行业分析师（SAC执业证书号：S0080520120009）

• 发布机构：中金公司研究部

- 发布日期：2025年3月16日

• 研究主题：聚焦具身智能（以人形机器人为核心），透视技术赋能、需求端驱动力及未来市场规模，探讨机器人与人类生活和产业深度融合的前景。

- 核心论点：具身智能是通过物理形态（本体）与智能算法（智能体）的深度融合，催化机器人技术从早期机械装置走向“生命体”般的智慧体。多国政策积极布局，算法、算力、数据三大核心驱动技术共同突破，驱动人形机器人产业快速迈向商业化阶段。需求端劳动力缺口和效率提升需求强烈，为具身智能打开巨大市场空间。预计未来市场规模及出货量将高速增长，成为经济增长新动能之一。[page::0,1,2,3,4,5]

---

2. 逐节深度解读

2.1 具身智能是什么？（第1-2页）

• 关键论点：

- 具身智能是“本体+智能体”的融合体系，即机器人具备物理形态同时拥有感知、决策与运动控制能力，能够与外部环境交互并自主执行复杂任务。
- 具体组成包括环境感知传感器（视觉、听觉、温湿度、力觉等）、中央计算单元（决策系统）、多种执行机构（电机、减速器等）与对应的智能算法（多模态感知、决策、运动控制）。
- 具身智能是能够“在物理环境中交互并通过交互学习”的人工智能系统，通过感知输入、交互学习、世界模型和目标导向，完成复杂智能行为。

• 逻辑支撑：

- 结合形态学与感知控制，强调机器人从机械向智慧体转变的本质进化。
- 技术整合使机器人具备自主决策且动作自然流畅，突破传统“编程式”动作限制。

• 图表解读：

- 图1（page1）详细展示了人形机器人组成，涵盖感知（视觉、听觉、温湿度传感器）、决策（中央计算单元）和控制（执行器、电机与减速器等）三大模块及其对应算法。
- 图2（page2）用环形视觉表现了具身智能的核心思想：智能体加环境交互的闭环系统，有助理解其智能与物理交互的统一关系。

• 结论点明：具身智能的高度集成和算法创新，使机器人更接近人类感知与运动的自然状态，是未来产业升级关键。[page::1,2]

2.2 技术如何赋能？（第2-3页）

• 关键论点：

- 算法升级是关键突破口，传统算法难以处理高复杂度、长时序任务，多模态大模型（如谷歌研发的PaLM-E）能综合语言、视觉、动作指令，实现one-shot和zero-shot学习，显著提升任务执行灵活性。
- 计算架构上的云-边-端协同，整合了云端的强大数据处理能力、边缘迅速响应机制和终端的实时执行能力，实现高效算力分配，保障机器人在复杂环境下的低延迟、高算力计算需求。
- 数据方面，具身智能面临多模态、高维度且时空相关的数据挑战。利用虚拟仿真与开源数据集扩充训练样本，但需克服虚拟与现实差异及数据质量瓶颈。

• 图表解读：

- 谷歌PaLM-E实例（page3）展示了机器人从抽屉抽取米饼的完整多步骤过程，图示clear地表现了该多模态大模型支持长时序动作执行能力，极大丰富了机器人任务范畴。
- 云-边-端协同架构图（page3），阐释算力如何分布，包括计算资源调度、数据存储、模型训练、多层计算优化等机制，图中信息较为复杂，准确描绘机器人计算环境需求格局。

• 逻辑支撑：

- 因人工智能的性能和灵活性已不再仅靠单一算法层面，跨模态、大规模、实际环境适应性算法成为趋势。
- 视频流式、传感器数据复杂多样，必须分布计算才能满足实时性和计算强度要求。

• 重要说明：

- 目前技术虽有突破，但云-边-端通信时延与资源分配等仍为瓶颈。
- 数据质量与多样性不足也是制约进一步性能提升的关键问题。[page::2,3]

2.3 需求侧驱动力（第3-5页）

• 关键论点：

- 人形机器人在不同场景中效率超越人工（力量型、灵巧型、导航型任务），应用已涵盖工业、个人家用、公共服务、特种场景等领域，并将从专用向通用场景扩散。
- 劳动力短缺及老龄化加剧为机器人提供巨大市场空间。全球人口增速下降趋势明显，联合国数据显示2023年全球人口增速仅0.9%，远低于1980年的1.8%；老龄化人口比例持续攀升，主要发达国家及中国等经济体65岁以上人口比例预计10年内均超20%。
- 此结构变化导致用工成本攀升，机器人可有效解决劳动力供给不足与成本压力，提升企业效率。
- 相比传统工业机器人，人形机器人具更强灵活性与多功能，推动制造业生产柔性化，促进产业链技术升级。

• 图表解读：

- 人形机器人多元应用图（page4）分类细致，涵盖工业搬运、焊接、个人家务、医疗康复、公共服务等动作类型与对应行业。
- 高危复杂环境巡检机器人图（page4）显示技术实际应用的工业场景，证明技术商业化潜力。
- 全球人口增速及老龄化趋势图（page5）清晰展示不同经济体自1980年至预测至2035年的人口增速放缓与老龄人口比例持续上升，数据鲜明说明人口结构转型带来的市场刚性需求。

• 逻辑联系：

- 人形机器人作为人力的补充，尤其在劳动力紧缺与成本上涨背景下优势明显，空间广阔。
- 未来技术提升和成本下降将加速其商业普及进程。[page::3,4,5]

2.4 未来市场规模及发展趋势（第5-6页）

• 关键预测：

- 预计2030年中国人形机器人出货量将达到35万台，2024-2030年复合增长率高达317%。
- 市场规模将由2023年的较低基数高速扩张，预计到2030年市场规模约581亿元，年复合增长率约259%。
- 费用结构逐步优化，从目前几十万元/台降低，随着量产和供应链完善成本将持续走低。
- 关键零部件需求将骤增，供应链质量与稳定性成为产业链健康发展的核心因素。

• 图表解读：

- 成本下降曲线（page6）展示力量型、灵巧型、空间导航、培训指导、服务接待、关怀等任务机器人成本从2023年到2030年的明显下降趋势，且不同任务成本差异逐渐缩小，体现技术成熟带来的普及潜力。
- 出货量预测图（page6）展示以柱状图形式量化预测未来7年出货量增长与同比增长率走势，数据支撑强，体现出庞大市场潜力与高速增长的阶段性特征。

• 逻辑基础：

- 技术进步与产量放大带来持续成本下降，促进需求释放与乘数效应。
- 政府政策支持及多行业需求融合推动市场快速成长。

• 战略意义：

- 人形机器人产业链的全链条技术攻关及国产化有广阔空间，产业协同升级至关重要。[page::5,6]

2.5 报告风险（第8页）

• 人工智能技术突破风险：

- 高度复杂的软件需求：算法需实现高精细、多模态的感知与交互，计算必须实时准确。
- 算力限制：边缘计算的算力及能耗必须同时满足需求，存在技术门槛。
- 数据质量及规模：相关数据难以收集，虚拟数据与真实数据一致性差，影响训练效果。

• 成本风险：

- 供应链尚不成熟且产量有限，成本始终处于高位，限制应用落地。
- 若产业未能实现规模效应，成本压力或使普及受阻。

• 商业化落地风险：

- 技术、成本和下游应用需求三者均需协同突破，任何一环失败均可能导致产品推广受阻。

• 整体风险提示：

- 具身智能虽前景广阔，但技术复杂、资金需求庞大，产业发展尚处早期，存在较大不确定性。

• 缓解策略：

- 报告未详细提供缓解方案，提醒投资者及参与方需结合政策支持和产业链共建，持续跟进技术迭代。[page::8]

---

3. 图表深度解读

3.1 具身智能组成结构图（Page1）

• 描述：图示以人形机器人为例，细化说明本体的感知（视觉、听觉、运动）、决策单元和控制执行器各部分，与智能体中对应算法（多模态感知、决策、多样控制算法）的配合关系。

- 解读：
- 机器人感知端覆盖视觉到触觉、IMU等多样传感器，实现环境与自身状态全方位感知。
- 决策中央单元统筹智能算法，实现复杂任务规划。
- 控制系统分布式驱动不同执行单元，完成灵巧动作。

• 意义：

- 可见机器人系统高度复杂且各层协同运作，挑战集成能力与系统优化技术。[page::1]

3.2 具身智能核心环形模型（Page2）

• 描述：环形圈层展示具身智能的本质是AI智能体+感知输入+环境交互学习+世界模型+目标执行构成的闭环系统。

- 解读：
- 说明具身智能非孤立系统，强调动态环境下的学习反馈过程。
- 目标驱动体现智能体对复杂任务的规划与执行能力。

• 联系文本：

- 支持文本对具身智能定义及其作为人工智能新范式的描述。[page::2]

3.3 谷歌PaLM-E案例示意（Page3）

• 描述：流程图展现机器人依据PaLM-E模型处理“从抽屉里拿米饼”任务的细节，包括前往抽屉、开启、取出米饼、递交等步骤，分为one-shot和zero-shot任务。

- 解读：
- 体现具身智能模型不仅能执行训练过的动作，还可适应新场景，展现“少样本”和“零样本”学习能力。

• 作用：

- 证明算法技术突破使机器人任务多样化且适应力强。

• 数据来源：

- 该案例取自Google 2023年的论文，权威且前沿。[page::3]

3.4 云-边-端协同架构图（Page3）

• 描述：详细描述云计算、高算力服务器、边缘设备与机器人终端协同工作的流程，包含数据接收、处理、反馈的时序关系。

- 解读：
- 反映当前计算资源分布格局及技术要求，说明机器人运行不可脱离强大的云端计算支持。

• 局限与潜力：

- 通信延迟和资源分配策略仍需优化。
- 多层计算架构使机器人处理大规模数据和即时决策成为可能。[page::3]

3.5 人形机器人多元任务应用场景表（Page4）

• 描述：分类罗列力量型任务、灵巧任务、空间导航、教学辅导、服务接待、关怀等多样任务，配合对应的工业、个人、公共、特种等应用行业，横跨制造业、教育、服务、医疗等多个领域。

- 解读：
- 突显人形机器人可覆盖极宽产业，应用越来越普适。
- 反映机器人功能从操控、辅助到情感关怀的全方位发展。

• 支持观点：

- 说明需求侧潜力巨大且多元化。[page::4]

3.6 高危环境机器人执行巡检图（Page4）

• 描述：展示具身智能机器人在工业高危场景执行巡检任务的应用实例，机器人身着防护，环境复杂。

- 解读：
- 形象说明机器人可替代人类执行危险、复杂任务，保障安全且提高效率。

• 意义：

- 突出机器人高附加值应用市场。

• [page::4]

3.7 全球人口增速及老龄化趋势图（Page5）

• 描述：曲线图分别展示1980年至2035年期间全球及主要经济体（中国、美国、欧洲、日本）的人口增速变化及65岁以上人口比重趋势。

- 解读：
- 清晰体现人口生育率下降趋势和老龄化程度加深，老龄化比例在未来10年预计超过20%。
- 表达劳动力市场压力加大，对机器人替代和补充需求日益迫切。

• 数据权威性：

- 来自联合国人口司，数据可信。

• [page::5]

3.8 人形机器人成本下降曲线与出货量预测（Page6）

• 描述：

- 成本下降曲线：展示不同任务类型机器人单台成本在2023年至2030年间逐步降价趋势。
- 出货量预测柱状图：2030年预期达35万台，伴随着行业年增长率逐年回落的趋势。

• 解读：

- 成本下降为商业化普及奠定基础。
- 出货量预测反映市场快速扩张，潜力巨大。

• 联系文本：

- 佐证技术进步和规模效应推动市场爆发。

• [page::6]

---

4. 估值分析

报告中暂无具体财务估值模型（如DCF、PE倍数）及目标价，但通过对出货量、市场规模及增长率的预测，隐含市场空间巨大、成长性强的投资逻辑。市场扩展将带动相关产业链的资金流入和技术投入，建议关注关键零部件和算法服务领域的产业机会。

---

5. 风险因素评估

• 技术瓶颈风险：

- 算法、算力及数据不足将直接影响具身智能性能及应用效果。

• 成本风险：

- 产业处于早期，规模效应未显现，生产成本依然高企，限制市场渗透率。

• 应用推广风险：

- 下游需求若不达预期，商业化进展将放缓。

• 整体影响：

- 这些风险均为行业发展早期常态，或导致技术进步与市场成长节奏放缓。

• 缓解方式：

- 报告未详细披露，但结合产业政策扶持和技术突破是重要路径。

风险分析充分提醒投资者对短期不确定性保持警觉，但并未过度悲观，强调技术创新与供应链完善是解决关键。[page::8]

---

6. 批判性视角与细微差别

• 技术成熟度：

- 具身智能融合了极多前沿技术，虽然展望宏伟，但文中部分对算法及算力架构的描述相对理想化，现实中边缘算力和通信延迟依然是较难突破瓶颈，短期内普及存在挑战。

• 数据问题未充分量化：

- 虽指出虚拟与真实数据差异是关键难点，但未详述行业如何系统解决数据质量与规模问题，隐含该环节可能延缓应用扩展。

• 市场预测高度乐观：

- 出货量和市场规模增速超高速，尽管基于成本下降与政策红利推断，但高度依赖技术快速拉通及政策支持，一旦出现偏差，增长率可能有较大波动。

• 风险缓解方案较弱：

- 报告风险部分描述较为笼统，没有给出具体的产业链应对计划或分阶段风险缓解措施，存在薄弱环节。

整体而言，报告构建了具身智能行业发展的宏大蓝图，内容扎实但对挑战的细致程度仍可加强，尤其需关注技术实际落地节奏和市场教育成本。

---

7. 结论性综合

本份中金《秒懂研报》全面深入解析了具身智能核心定义、技术驱动、需求动力及市场前景，揭示了该领域成为智能化产业新高地的必然趋势。

• 具身智能定义清晰明了，通过兼备物理本体与智能体，实现机器人自主交互和学习，向“智慧生命体”迈进。

- 技术层面，算法创新（基于多模态大模型如PaLM-E）、云-边-端协同算力体系及仿真与采集结合的数据策略是核心驱动力。

• 需求侧，人口老龄化和劳动力缺口推动人形机器人广泛应用，涵盖力量作业、灵巧任务、移动导航、公共服务和特种作业，应用场景多样且市场潜力庞大。

- 市场前景，预计2030年中国市场出货量达35万台，市场规模近600亿元，复合增长率均超250%，具身智能将成为下一个重要经济增长驱动力。

• 风险关键围绕算法算力数据技术突破、成本控制及市场推广，但产业链成熟和政策引导有望逐步缓解。

- 图表深度支持分析，由组成结构图、场景应用到技术架构和大规模预测，信息详实具体，提升报告客观性和说服力。

总结来看，本报告通过系统剖析具身智能技术与市场发展路径，明确指出机器人产业已经进入高速成长期，未来将深刻改变制造业、服务业及社会劳动力格局，为投资者和产业参与者提供重要战略参考。[page::0-8]

---

附—部分重点图表摘录：

• 具身智能组成结构图

- 谷歌PaLM-E示范机器人操作流程

• 云-边-端算力协同架构

- 多元任务应用场景示意

• 人口增速与老龄化趋势

- 出货量预测与成本趋势

---

此报告为具身智能产业链发展提供了深入分析和前瞻视角，对理解智能机器人未来趋势及投资布局具有指导作用。

报告