智通财经APP获悉，中信建投发布研报称，为实现物流分拣作业，泛人形机器人(非完全人形)需要具备多模态感知和端到端大模型能力。当前硬件端泛人形机器人已经达到物流场景商业化的门槛，但国产具身模型端距离真正落地仍有一定提升空间。从经济性来看，在2年收回成本的假设下，泛人形机器人的投入产出比与分拣工人已经持平。今年下半年泛人形机器人在物流场景会逐步从demo场景转向交付客户试用，等客户验证后明年有望迎来爆发增长。 为实现物流分拣作业，泛人形机器人(非完全人形)需要具备多模态感知和端到端大模型能力。物流分拣动作主要分为包裹检测、抓取与翻转、条码识别、路径规划、投递归位等步骤，需要人形机器人具备多模态感知能力(视觉、触觉、力觉等)和自主决策的端到端大模型能力。 当前硬件端泛人形机器人已经达到物流场景商业化的门槛，但国产具身模型端距离真正落地仍有一定提升空间。从分拣效率来看，1)海外：Figure 02效率已接近正常工人。基于Helix神经网络，Figure 02处理一件包裹的平均时间为4.05 秒。而正常熟练分拣工人的单个标准小件快递分拣效率为3-5秒。2)国内：智元精灵G1分拣速度较熟练工人仍有一定距离。此外，也需要注意，在分拣质量和应对异常的处理上，泛人形机器人较熟练工人仍有差距。 经济性方面，现阶段分拣场景泛人形机器人替代工人处于临界点。假设分拣场景的单个工位工人2班倒，一人工作8小时，单人年工资10万元，而泛人形机器人成本40万元，单日工作时长20小时，工作效率约为工人80%。在2年收回成本的假设下，泛人形机器人的投入产出比与工人已经持平，随着泛人形机器人硬件成本和智能化水平提升(体现在产出效率)，终端客户基于降本增效目的有替换工人的动力。 模型方面，Figure和智元具搭载自研具身模型。Figure 02搭载Helix具身智能模型。智元精灵G1由端到端数据驱动具身算法，通过海量真实数据训练出的“大脑”，能像人类一样实时感知环境、理解任务、并自主精准执行操作。数据采集和模型迭代方面，智元携手德马科技共建训练与数据采集工厂，Figure在快递流水线上进行实训。 展望后续，今年下半年泛人形机器人在物流场景会逐步从demo场景转向交付客户试用，等客户验证后明年有望迎来爆发增长，海外由于人工成本更高昂，将会是物流场景落地的首选。建议关注有望凭借二次开发能力获得超额溢价的整体方案解决商、商业化落地进展领先的本体厂对应的核心供应商。 1、市场竞争加剧风险：当前人形机器人本体厂数量较多，倘若后续新加进入玩家持续增加，将进一步加剧竞争，或对相关公司盈利能力造成影响。 2、硬件降本不及预期风险：当前人形机器人硬件技术未收敛，若后续技术变动较大或行业硬件降本不及预期，将对人形机器人应用落地进度造成较大影响。 3、人工智能发展不及预期风险：人形机器人落地核心取决于人工智能发展，倘若人工智能发展缓慢，人形机器人的智能化水平提升将受到制约，会对行业落地造成负面影响。
