高盛:AI下一主线从算力转向人形机器人
高盛认为,劳动力短缺和自动化需求为人形机器人行业提供长期增长动力,亚洲人形机器人及自动化板块估值仍低于美国同类资产,资金也正向核心零部件和自动化产业链轮动。不过,行业整体仍处于商业化早期,真实世界数据稀缺、通用自主AI能力不足及成本较高,仍是制约人形机器人规模化落地的主要瓶颈。
人工智能投资叙事正在从基础设施向应用端延伸。
高盛最新报告指出,随着AI算力基础设施持续扩张,人形机器人有望成为AI下一阶段的重要增长极,劳动力短缺与自动化需求则为行业长期发展提供结构性支撑。
高盛亚洲交易团队近期调研认为,亚洲机器人产业正处于早期发展阶段。相较美国同类资产,亚洲机器人及自动化板块估值仍存在折价,而盈利增长预期更高,资金已开始向机器人供应链轮动。
该行同时强调,当前行业仍处于从技术验证迈向商业化的过渡阶段,大规模落地尚需时日。
技术快速迭代,商业化尚在早期
高盛股票策略师Jacqueline Du在最新报告中透露,该行于5月18日至22日走访中国香港地区、深圳和北京的14家机器人企业,覆盖中国具身AI、机器人和自动化产业链。
此次调研显示,VLA/VTLA模型与世界模型正在加速融合,推动机器人规划能力和环境适应能力提升,模型规模也在持续扩大。
但与大语言模型不同,机器人AI面临更为稀缺的真实世界数据。机器人训练需要大量力、扭矩、运动等物理数据,而这类数据难以像互联网文本和图像一样大规模获取,已成为制约模型训练和能力提升的关键瓶颈。
为解决这一问题,行业正在加大对集中式数据工厂以及人机协作数据采集的投入。高盛认为,随着机器人数据需求增长,数据采集和相关服务未来也可能成为产业链的重要收入来源。
从应用端来看,目前工业和物流场景的机器人部署仍以概念验证(POC)为主,距离大规模商业化还有明显距离。多数行业参与者预计,在积累数千万小时高质量数据、形成部署就绪模型后,人形机器人有望在2027年至2029年逐步进入规模化商业阶段。
高盛预计全球人形机器人出货量将在2027年达到7.6万台,到2032年升至50.2万台。
从“能动”到“能用”,仍需跨过技术门槛
高盛长期看好人形机器人的产业空间,认为其有潜力成为继智能手机和汽车之后的新一代广泛应用终端。随着规模化生产推进,机器人平均售价和物料成本有望持续下降,从而改善商业模式。
不过,技术拐点目前尚未真正到来。
高盛指出,特斯拉Optimus在“We, Robot”发布会上的演示,以及宇树H1在2025年春晚的亮相,均显示人形机器人在硬件灵活性和鲁棒性方面取得明显进步。但从工业和消费场景的大规模应用要求来看,机器人在精度、一致性、成本以及通用自主AI能力方面仍存在差距。
其中,通用自主AI能力仍是最核心的制约因素。机器人不仅需要“看懂”和“听懂”环境,还需要在复杂真实场景中自主规划并完成连续动作,这对模型、数据和硬件提出了更高要求。
与此同时,英伟达正在通过Physical AI生态加速这一进程。Jetson Thor边缘计算芯片、GR00T模型和Isaac平台,以及Isaac GR00T Blueprint和Cosmos仿真框架,可帮助机器人开发者利用仿真环境生成大量合成数据,缓解真实物理数据稀缺的问题。
聚焦核心部件,把握亚洲估值洼地
高盛认为,人形机器人供应链的价值量将更多集中于技术壁垒较高的核心零部件。其中,谐波减速器的技术门槛最高,对精度、轻量化和扭矩性能要求严苛,增长潜力较大;执行器总成在高规格机器人中的技术采用确定性相对较高。
相比之下,行星滚柱丝杠仍处于快速变化阶段,良率、生产一致性和产能准备情况存在不确定性;灵巧手的技术路线也尚未完全明朗。
估值方面,高盛亚洲交易团队认为,亚洲机器人板块相较美国同类资产仍存在一定折价。数据显示,亚太机器人篮子市盈率中位数为22倍,美国同类资产为28倍,前者较后者低约21%;PEG方面,亚太机器人篮子为1.5倍,美国为2.0倍。
这意味着,亚洲机器人及自动化企业当前估值相对较低,但对应的盈利增长预期并不弱于美国同类资产。
资金流向也开始出现变化。高盛观察到,共同基金正在逐步向机器人产业链轮动,但整体持仓仍处于早期阶段,资金主要集中在零部件、汽车自动化以及工业自动化和精密制造等领域。
高盛认为,这意味着机器人产业尚未进入全面资金拥挤阶段,如果行业未来进入规模化商业化周期,当前可能仍处于资本轮动的早期阶段。
风险提示及免责条款
市场有风险,投资需谨慎。本文不构成个人投资建议,也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资,责任自负。
-
AGV调度系统数据瓶颈:没有更多数据时的优化策略AGV调度系统数据瓶颈:没有更多数据时的优化策略很多人以为,AGV调度系统的性能提升完全依赖于数据量的持续增加,其实不然。在工业场景中,数据获取成本与调度效率之间存在显著的边际递减效应。当系统已捕获足够覆盖95%以上场景的基础数据后,单纯增加数据量对调度精度的提升不足3%,反而会引发存储冗余与计算延迟问题。底层逻辑是:AGV调度本质是有限状态空间内的路径优化问题。以某汽车总装车间为例,其AGV网络查看详情
-
AGV机器人调度系统:数据瓶颈背后的底层逻辑数据孤岛与调度效率的悖论很多人以为,AGV机器人调度系统的性能瓶颈源于算力不足或算法复杂度,其实不然。在真实工业场景中,90%的调度延迟问题源于数据孤岛与协议异构性。当多品牌AGV混编运行时,不同厂商的通信协议、定位精度、传感器采样频率差异,会导致调度系统陷入「数据解析-转换-同步」的死循环,最终表现为路径规划失效或任务队列堆积。案例:上海临港某汽车总装车间的赛制级推演2023年Q2,某头部车企在查看详情



400-886-5570




