(資料圖片)
核心觀點 為實現物流分揀作業，泛人形機器人（非完全人形）需要具備多模態感知和端到端大模型能力。我們認為當前硬件端泛人形機器人已經達到物流場景商業化的門檻，但國產具身模型端距離真正落地仍有一定提升空間。從經濟性來看，在2 年收回成本的假設下，泛人形機器人的投入產出比與分揀工人已經持平。我們認為今年下半年泛人形機器人在物流場景會逐步從demo 場景轉向交付客戶試用，等客戶驗證后明年有望迎來爆發增長。 摘要 為實現物流分揀作業，泛人形機器人（非完全人形）需要具備多模態感知和端到端大模型能力。物流分揀動作主要分為包裹檢測、抓取與翻轉、條碼識別、路徑規劃、投遞歸位等步驟，需要人形機器人具備多模態感知能力（視覺、觸覺、力覺等）和自主決策的端到端大模型能力。 我們認為當前硬件端泛人形機器人已經達到物流場景商業化的門檻，但國產具身模型端距離真正落地仍有一定提升空間。從分揀效率來看，1）海外：Figure 02效率已接近正常工人。基于Helix 神經網絡，Figure 02 處理一件包裹的平均時間為4.05 秒。而正常熟練分揀工人的單個標準小件快遞分揀效率為3-5 秒。2）國內：智元精靈G1 分揀速度較熟練工人仍有一定距離。此外，我們也需要注意，在分揀質量和應對異常的處理上，泛人形機器人較熟練工人仍有差距。 經濟性方面，現階段分揀場景泛人形機器人替代工人處于臨界點。假設分揀場景的單個工位工人2 班倒，一人工作8 小時，單人年工資10 萬元，而泛人形機器人成本40 萬元，單日工作時長20 小時，工作效率約為工人80%。在2 年收回成本的假設下，泛人形機器人的投入產出比與工人已經持平，隨著泛人形機器人硬件成本和智能化水平提升（體現在產出效率），終端客戶基于降本增效目的有替換工人的動力。 模型方面，Figure 和智元具搭載自研具身模型。Figure 02 搭載Helix 具身智能模型。智元精靈G1 由端到端數據驅動具身算法，通過海量真實數據訓練出的“大腦”，能像人類一樣實時感知環境、理解任務、并自主精準執行操作。數據采集和模型迭代方面，智元攜手德馬科技共建訓練與數據采集工廠，Figure 在快遞流水線上進行實訓。 展望后續，我們認為今年下半年泛人形機器人在物流場景會逐步從demo 場景轉向交付客戶試用，等客戶驗證后明年有望迎來爆發增長，海外由于人工成本更高昂，將會是物流場景落地的首選。建議關注有望憑借二次開發能力獲得超額溢價的整體方案解決商、商業化落地進展領先的本體廠對應的核心供應商。相關公司包括德馬科技、均普智能、領益智造、中大力德、富臨精工、臥龍電驅、震裕科技、浙江榮泰、美湖股份等。【免責聲明】本文僅代表第三方觀點，不代表和訊網立場。投資者據此操作，風險請自擔。
【免責聲明】本文僅代表第三方觀點，不代表和訊網立場。投資者據此操作，風險請自擔。
