具身智能深度研究：解耦还是耦合？从 AI 化到工程化！

2023 年 08 月 20 日

看好

证券分析师

刘洋 A0230513050006liuyang2@swsresearch.com屠亦婷 A0230512080003tuyt@swsresearch.com戴文杰 A0230522100006daiwj@swsresearch.com王珂 A0230521120002wangke@swsresearch.com刘正 A0230518100001liuzheng@swsresearch.com杨海晏 A0230518070003yanghy@swsresearch.com李蕾 A0230519080008lilei@swsresearch.com洪依真 A0230519060003hongyz@swsresearch.com施鑫展 A0230519080002shixz@swsresearch.com黄忠煌 A0230519110001huangzh@swsresearch.com李国盛 A0230521080003ligs@swsresearch.com林起贤 A0230519060002linqx@swsresearch.com

研究支持

崔航 A0230122070011

cuihang@swsresearch.com

联系人

刘洋

(8621)23297818×

liuyang2@swsresearch.com

智联汽车系列之 31 暨机器人系列之 10

本期投资提示：

 绘制具身智能（智联汽车+机器人+智能家居）的产业链格局图，绘制汽车传感器、机械传感器、AI感知、AI推理+理解+运动的产业链位置。1）2020-2022 年，大智联汽车的传感器环节是产业链重点。2）2022-2023 年，大机器人成为重点，催化剂为特斯拉机器人的进展。3）2022H2 至今，软件能力、智慧能力，得到大幅度增强，主要是大模型的研发、营销、工程化落地加速。其中 AI 3D视觉的 Nerf/BEV/占用网络大大增强，在正文 1.4-1.6论述。2023年6 月 CVPR2023 最佳论文、小鹏 XNGP能力，增加了自动驾驶大模型的关注度，尤其端到端 AI，在 1.7论述。具身智能的推理/理解/运动能力大幅增强（例如谷歌/微软/李飞飞 VoxPoser），其“智慧性”体现在泛化和“零样本”特征，在 1.8-1.11论述。

 讨论两大关键问题：耦合/解耦，钟摆效应。1）部分投资者认为具身智能会“解耦“，即软件、硬件（甚至制造和生产等）分离。我们认为：可能是两套体系。尤其“东方式”、“西方式”产业链不同。2）正是由于“解耦”与“耦合”，均在较长时间内存在，但市场往往一段时间只倾斜一个，这就形成认知的钟摆。TMT 很多领域是“耦合“的世界领军利润更多（例如安防、手机、工业 AI、半导体、GPU），也有较多领域中“解耦”的世界领军利润大（例如专用通信、手机、半导体）。部分领域两种模式都有巨头。3）最终两种路径往往互相学习、借鉴，形成“折中”的形态。模拟了智能汽车产业链中，传感器、大模型两套体系互相借鉴和折中的过程，并做了一些预测。

 当前情况下，具身智能和 AI软件的工程化落地是关键。1）我们从历史经验中发现，现金流好的公司，创新胜率明显更高。相关公司 1996-2006 年财务情况验证了安全边际的重要性：即使网景公司如日中天时，自由现金流也不佳。即使亚马逊还在起步阶段，2002年起自由现金流已经是正数。2）工程化能力虽然难以量化，但净营业周期往往是很好的代替，就是经营周转能力。往往反映了“研发+产品+工程+销售+话语权”。正文提供了一些筛选。

 如上述 AI下沉到具身智能（智能汽车、机器人、智能家居），较多领军公司有机会。但投资者关注的解耦/耦合问题，软硬件钟摆问题，会较长时间带来渗透率的提升，且产业大概率以“多样性”为结果。其中：

1）属于耦合商业模式的（AI 和软件能力在服务商乙方本身）：萤石网络(tmt&家电家居)、德赛西威（tmt&汽车）、中控技术（机械&tmt）、步科股份（申万机械）。

2）属于解耦商业模式的软件厂商（AI 和软件能力在用户甲方本身）：柏楚电子（申万机械）、虹软科技。

3）属于解耦商业模式的代工生产为主（乙方是代工生产为主）：立讯精密（申万电子）、双环传动（申万汽车&机械）、科博达（申万汽车）

. 风险：由于复工/宏观环境等扰动，2022-2023 年内存在业绩波动风险。智联汽车、具身智能领域一向的风险依然是研究竞争、产业链地位与管理。若难以相对准确地把握，可能会选中了次好的公司，对投资产生不良的结果。

每日免费获取报告 □

每日微信群内分享7+最新重磅报告;

每日分享当日华尔街日报、金融时报;

行研报告均为公开版, 权利归原作者所有,起点财经仅分发做内部学习。

本篇报告：

1）解释具身智能（智联汽车+机器人+智能家居）的产业链格局图，绘制汽车传感器、机械传感器、AI感知、AI推理+理解+运动的产业链位置。

2）再涉及投资者关心的两大问题：软硬件解耦还是耦合、认识的“钟摆效应”。

3）技术和工程化的初步筛选；

4）部分标的：

好的属于耦合商业模式的（AI和软件能力在服务商乙方本身）：萤石网络(tmt&家电家居)、德赛西威（tmt&汽车）、中控技术（机械&tmt）、步科股份（申万机械）。

属于解耦商业模式的软件厂商（AI 和软件能力在用户甲方本身）：柏楚电子（申万机械）、虹软科技。

属于解耦商业模式的代工生产为主（乙方是代工生产为主）：立讯精密（申万电子）、双环传动（申万汽车&机械）、科博达（申万汽车）。

1、产业链图理解传感器+大模型+具身智能

1.1 从框图开始理解具身智能AI

下面这张图是AI感知的不同方式，包括传感后融合、传感前融合、AI大模型等。

图 1：AI 感知：机器人+驾驶+具身智能的智能化曾都卡在这里，这里展示“传感后融合-传感前融合-AI 大模型”

注：这张图可以近似描述 L2-L3-L4 自动驾驶的信息。最上面是“传感后融合“，传感器数据处理后再融合、

预测、决策、控制。中间是“传感前融合“，即数据先同步和融合后，再预测、决策、控制。下面近似为“端到端”，大大增加了预测、规划、控制的数据处理。

资料来源：申万宏源研究

它尤其适用于描述L2-L3-L4自动驾驶的智能化处理方式。而自动驾驶是“具身智能”重要落地场景。最上面是“传感后融合“，传感器数据处理后再融合、预测、决策、控制。中间是“传感前融合“，即数据先同步和融合后，再预测、决策、控制。下面近似为“端到端”，大大增加了预测、规划、控制的数据处理。

如果这个问题扩张到更大的范畴，例如增加 AI 推理+理解+运动，把机器人也绘制进去，就得到下面的“具身智能产业链图”。

图 2：把上述问题放到“具身智能”产业链图，即“智能驾驶+机器人+智能家居”相关传感器和AI 算法

资料来源：申万宏源研究

1.2 传感器：汽车传感器

对于汽车传感器（或智能驾驶域控制器），其上下有关系、波特五力情况如下图。

图 3：汽车传感器的上下游关系和波特五力

资料来源：申万宏源研究

图 4：ADAS 系统在各级别智能汽车中的 ASP 估计（价格单位：元，数量单位：个）

	产品	单价	L1	L2	L3	L4	L5
传感器	环视摄像头	200	4	4	11	5	自然年降
	前视摄像头	300	1	1	1	1	规格升级
	超声波雷达	50	12	12	12	12	？
	24GHz毫米波雷达	400	0	2	4	0	？
	77GHz毫米波雷达	1000	0	1		1	？
	激光雷达1	10000未来按照3500	0	0		3	？
	惯性导航IMU	50	1	1		1	域控制器
计算	自动驾驶中央域控制器	10000	0	0		包含	1
地图	高精地图	1000
软件算法(控制器)	四周环视系统	200	.	.			.
	并线辅助	200					.
	车道偏离预警系统	200	.?		.		：
	主动刹车系统	200	光+高光泥			.	.
	巡航系统	200				.	.
	自动泊车入位	200	不利于泛化	.		.	.
	车道保持辅助系统	200		.		.	.
高级算法	高速公路自动驾驶	?				.	.
	城市道路自动驾驶	?					.
	完全自动驾驶	？					.
成本合计			2350	4950	17000	30000	？
代表车系			传祺GA6/GA8、捷拉途×70	特斯拉、凯迪克CT6、吉利缤瑞	奥迪A8	百度阿波罗MiniBus-自动接驳小巴	未出现
资料来源：百度 Apollo官网申万宏源研究人机互动

资料来源：百度Apollo官网，申万宏源研究
资料来源：百度 Apollo 官网，申万宏源研究

1.3 传感器：机器人传感器

类似的，对于机器人传感器，其上下有关系、波特五力情况如下图。值得一提的是，2020-2022 年是智能汽车传感器获得高关注的阶段，尤其“硬件预埋”趋势下。2022-2023年是机器人传感器获得高关注的阶段

图 5：机器人传感器的上下游关系和波特五力

资料来源：申万宏源研究

1.4 AI 3D 视觉：NeRF，三维重建新范式

NeRF，即 Neural Radiance Fields（神经辐射场)。其通俗理解：给予海量不同视角的二维图，合成同一场景不同视角下的图像。

还可以通俗理解为 X-Y-Z 到三维极坐标的转化，第三视角到第一视角的转化。

NeRF 提出的隐式表达以空间点的坐标和观察者的视角、位置作为输入，输出则是点的 RGB 信息和占用密度。占用密度这一点与占用函数相似，但没有像占用函数那样粗暴地用 0 和 1 表示一个点是否被占用，而是用 0\~1 之间的数字表示点被占用的程度这样可以大幅减少计算量。

辐射场：如果我们从一个角度向一个静态空间发射一条射线，我们可以查询到这条射线在空间中每个点（x,y,z）的密度 ρ ，以及该位置在射线角度 (θ, φ) 下呈现出来的颜色 c （ c=(R,G,B) ）。即 F(x,y,z, θ, φ)→(R,G,B, ρ) 。密度是用来计算权重的，对点上的颜色做加权求和就可以呈现像素颜色。给定 F(x,y,z, θ, φ)直接查表获得 RGB 值和密度，给体渲染方法。

体渲染：对上述辐射场的密度和颜色做积分，就可以得到像素的颜色，并遍历所有像素，这个视角下的图像就渲染出来了。

图 6：NeRF: 从相机焦点出发，往一个像素连出一条射线，获取射穿过空间中每个点的属性，进行积分得到这个像素的颜色

资料来源：《 NeRF: Representing Scenes as Neural
Radiance Fields for View Synthesis》，申万宏源研究

图 7：NeRF: 五维输入，输出颜色和密度，并且做端到端的训练

资料来源：申万宏源研究

1.5 AI 3D 感知：BEV，可用于具身智能感知

BEV鸟瞰图。BEV 的全称是Bird’s eye view（鸟瞰图），我们以特斯拉为例：特斯拉车型使用多个摄像头采集图像，并进行有效的融合。系统直接通过将所有摄像头采集图像通过矫正后，统一输入到神经网络来提取特征。然后利用大模型的 Transformer，将这些特征进行关联，之后再投影到一个向量空间之中。

BEV 的通俗理解：把不同视角的观察合成一个“天眼模式”整体图，了解全局。尤其图像是2D传感，通过连续序列，恢复出3D 信息。

图 8：BEV 方式解决多传感器 3D 感知问题

资料来源：特斯拉 AI Day发布，路咖汽车，申万宏源研究

这种方式的优点有：减少硬件传感器、提高纯视觉精度、可复用多种数据源（甚至多模态），缺点是成本高。1）这种鸟瞰图仿佛就是开了一个整体视角，让车辆能够把近处的感知统一放到一个平面中，尽可能的增大了感知的范围和冗余度。2）但缺点是成本，2023年，如果要做 BEV 的城市辅助驾驶，可能需要投入超过百亿元。3）BEV 可以结合国内的传感器优势。尽管国外通常利于 AI软件优化智能驾驶，国内通常利用激光雷达等传感器优化智能驾驶，但BEV 可以融合激光雷达的点云，做到尽量统一。下图就是一个案例：主要有两个分支将点云数据转换为 BEV 表示。上分支提取 3D 空间中的点云特征，提供更准确的检测结果。下分支提取2D空间中的BEV 特征（原始点云转换），提供更高效的网络。

图 9：BEV 融合激光雷达数据的一个案例

资料来源：《自动驾驶之心》，申万宏源研究

1.6 AI 3D 感知：占用网络

占用网络 Occupancy Network。Tesla 在 2022 年 10 月的 AI Day 中展现了Occupancy Network 感知技术。基本的思想是将三维空间划分成体素（voxel），通过0/1 赋值对voxel进行二分类：有物体的voxel赋值为1，表示voxel 被物体占据；没有物体的voxel被赋值为0。当然实际中的赋值可以是概率值，表示voxel存在物体的概率，这个概率也可以理解成密度或者透明度。

Occupancy Network 的通俗理解：两维的鸟瞰BEV，变为三维的鸟瞰。而增加运动序列预测。

Voxel 的使用：1）voxel 其实是计算机图形学和计算机视觉中早期使用的三维重建表达方式，主要用于一些对精度要求不是很高的场景进行三维建模。2）Voxel的属性除了是否被占据，还包含语义信息和速度信息（Occupancy Flow）等。其中速度信息是一个三维向量，用于表述 voxel 运动的速度和方向，类似于 2D 图像中的光流（Optical Flow）。这可以用于判断物体是否运动。Occupancy 和 Occupancy Flow 都是底层层次信息，非常适合表示非刚体(non-rigid)场景。3）一个应用领域是汽车 AI，还一个领域是 CT 医学图像。Voxel 的表达方法存在分辨率、内存占用大、渲染效率的问题，在三维重建领域早已经被mesh所取代。但近些年来，随着深度学习在三维重建领域中的兴起，voxel 的重建方案重新兴起（以上来自《自动驾驶之心》2023年 1月观点）。

图 10：Tesla AI day 发布的占用网络

资料来源：特斯拉在 CVPR2022 公开发布，申万宏源研究

在恢复空间特征后，融合、恢复高分辨率、复杂输出是关键。特斯拉采用暂时对齐（Temporal Alignment）将不同时序的特征，对齐后融合。进而采用反卷积上采样，恢复高分辨率。毕竟是分割 3D 空间的每个 voxel, 信息量更加稠密，低分辨率可能会导致性能受限。接下来就是占用网络的预测输出（Volume Outputs）。后面则可以做更多高级语义非任务和输出（比如：Occupancy Flow, Semantic，Shape，Road Surface 等）。

可以根据特斯拉在CVPR2022 workshop 的演讲、特斯拉历次AI发布会的披露，了解细节。占用网络有双重监督信号。第一是直接占用值的监督，第二是 NeRF渲染的监督。

智能汽车软件进步还包括端到端能力、多模态、大模型规控算法等。2023 年5 月，特斯拉推出FSD v1.4，要现FSD端到端能力，即包含高速领航、城市道路领航和泊车的智驾功能。2023 年6 月，多模态神经网络可能成为后续特斯拉亮点，如摄像视频、地图、导航、IMU（惯性测量单元）、GPS 等。

虽然国内的传感器方案较为领先，预计会越来越多的借鉴 Transformer、BEV、占用网络等技术。2023 年6 月，理想汽车家庭科技日的发布，可以作为国内汽车大模型发展的缩影:

1）AD Max 3.0 基于 BEV 架构的车端感知模型已经可以在绝大多数路段实时生成稳定的道路结构信息，奠定摆脱高精地图依赖的基础。

2)不止感知算法层面，规控算法也使用了大模型技术。

3）其 NOA 技术架构特点可以理解为：使用 NPN 特征和 TIN 网络增强 BEV 大模型，做到不依赖高精地图，识别万物；使用模仿学习让规控算法做出更加拟人的决策；全自动、全闭环的训练平台支撑大模型持续进化。

1.7 从AI 感知，到端到端+具身智能（感知+预测+推理+理解+运动）

2023 年 6 月，《Planning-oriented Autonomous Driving》（以路径规划为导向的自动驾驶）获得本届 CVPR2023 年最佳论文奖（Best Paper Award），其涉及的是自动驾驶大模型，很多思路可以同时用于未来智联汽车、具身智能机器人。

而上述难点 1）识别控制相关软件、2）基于感知的运动、5）学习与控制交叉，也在本篇论文的思路中有所涉及。

从分块优化，变成一体化 AI 优化，即“端到端”。在过去自动驾驶 AI 中，一般将认为划分为多模块，例如感知、预测、路径规划等。论文提出的“端到端”，即一体化训练、一体化 AI（论文提出 Unified Autonomous Driving，即 UniAD）。它把感知、预测、规划等三大类主任务、多种子任务（目标检测、目标跟踪、场景建图、轨迹预测、栅格预测和路径规划）整合到统一的端到端网络框架下。

图 11：自动驾驶大模型尝试多种子任务（目标检测、目标跟踪、场景建图、轨迹预测、栅格预测和路径规划）整合到统一的端到端网络框架

Figure2.PipelineofUnifiedAutonomousDriving(UniAD).Itisexquisitelydevisedfollowingplanning-orientedphilosophy.Insteai asimplestackoftasks,weinvestigatetheeffectofeachmoduleinperceptionandprediction,leveragingthebenefitsofjointoptimizal fromprecedingnodestofinalplanninginthedrivingscene.Allperceptionandpredictionmodulesaredesignedinatransformerdecc structure,withtaskqueriesasinterfacesconnectingeachnode.Asimpleatention-basedplannerisintheendtopredictfuturewaypo oftheego-vehicleconsideringtheknowledgeextractedfromprecedingnodes.Themapoveroccupancyisforvisualpurposeonly.

资料来源：Yihan Hu 等《Planning-oriented Autonomous Driving》，CVPR2023，申万宏源研究

例如：

1）在backbone 环节，特征提取，其中涉及BEV和多模态等大模型技术。将一系列多相机图像输入特征提取器，并将生成的特征通过 BEVFormer 中的现成 BEV编码器转换为统一鸟瞰图 (BEV) 特征。UniAD 并不局限于特定的 BEV 编码器，并且可以利用其他替代方案通过长期时间融合或多模态融合来提取更丰富的BEV 表示。

2）在感知环节，目标检测与跟踪模块可以实现对动态元素的特征提取、帧间物体跟踪。检测和跟踪 agents。MapFormer 将 map queries 作为道路元素（例如，车道和分隔线）的语义抽象(semantic abstractions)，并对地图进行全景分割。

3）预测模块，实现动静态元素交互与长时序轨迹预测，而且已经有“联合训练AI”。占据栅格预测模块实现了短时序全场景 BEV、实例级预测。由于每个单元的动作都会显着影响场景中的其他，因此该模块对所有考虑的单元进行联合预测。

4）在规划模块，基于轨迹预测，做防碰撞，其中涉及占用网络（Occupancy network）等大模型技术。基于自身的轨迹预测和基于占据栅格的碰撞优化并使自己远离OccFormer 预测的占用区域(occupied regions)以避免碰撞。

图 12：论文指数也每个环节的重要指标，且指出“联合训练 AI”的作用，例如两个识别子任务大大帮助了运动预测

ID	Track	Map	Modules Motion	Occ	Plan	AMOTA↑	Tracking AMOTP↓		Mapping IoU-lane↑ IoU-road↑		Motion Forecasting minADE minFDE↓			IoU-n.↑	Occupancy Prediction			Planning
ID	Track	Map	Modules Motion	Occ	Plan	AMOTA↑	Tracking AMOTP↓		IDS↓			MR↓		IoU-n.↑	loU-f↑	VPQ-n.↑		VPQ-f.↑	avg.L2↓	avg.Col.↓
0	/	/	/	√	√	0.356	1.328	893	0.302	0.675	0.858	1.270	0.186	55.9	34.6	47.8	26.4	1.154	0.941
123	√						1.333				=	=			=			.	=
		/				0.348 .		791 -	0.305	0.674	=	=	=	. =		=	=	=	=
	/	/				0.355	1.336	785	0.301	0.671	=	=	s	=		#		·
4
5	√						：	：	=	.	0.815	1.224	0.182	4	=	=	：	.
6	/					0.360 0.354	1.350 1.339	919 820	0.303	0.672	0.751 0.736(-9.7%)	1.109 1.066(-12.9%)	0.162 0.158	.	−		：		·
														·	：	·	：	·	：
7						：	：	：	：	.	,	-	,	60.5	37.0	52.4	29.8	：
8 9						0.360	1.322	809		=:				62.1	38.4	52.2	32.1	.	·
						0.359	1.359	1057	0.304	0.675	0.710（-3.5%）	1.005(-5.8%)	0.146	62.3	39.4	53.1	322	.	-
10					/		·	T	.	+	-	-	=	-	-	·	：	1.131	0.773
1					/	0.366	1.337	889	0.303	0.672	0.741	1.077	0.157	.	.		：	1014	0.717
12				√	/	0.358	1334	641	0.302	0.672	0.728	1.054	0.154	62.3	39.5	52.8	32.3	1.004	0.430

Table2.Detailed ablations on theeffectivenessof each task.Wecan conclude that twoperception sub-tasks greatlyhelpmotion forecasting,andpredictionperformancealsobenefitsfromunifyingthetwopredictionmodules.Withallpriorrepresentations,ourgoalplanningboosts significantly toensuresafety.UniADoutperforms naiveMTLsolutionbyalargemarginforpredictionandplanningtasks, anditalsoownsthesuperioritythatnosubstantialperceptualperformancedropoccurs.Onlymainmetrics areshown forbrevity.“avg.L2" and“avg.Col”aretheaveragevaluesacrosstheplanninghorizon.*:ID-OistheMTLschemewithseparateheadsforeachtask.

资料来源：Yihan Hu 等《Planning-oriented Autonomous Driving》，CVPR2023，申万宏源研究

此前，端对端AI训练很容易出现的问题是：由于涉及环节太多、系统太复杂，很容易出现“局部最优”和“梯度下降”问题。我们本来以为会用残差网络（ResNet）增加反馈参数，来帮助自动驾驶大模型的训练。而论文提出的“联合训练 AI”，即预测联合训练、预测规划一体训练，实现了“类似全局优化”，而“子任务”的引入也细化了环节。

这篇论文的趋势可能会改变具身智能（智联汽车+机器人+智能家居）的 AI 软件训练方式：尝试端对端，并用一系列联合训练，来防止局部最优，达到更好的效果。

1.8 具身智能：AI 推理+理解，例如谷歌+微软等

作为科技巨头，微软的chatGPT也在努力渗透硬件载体，例如机器人软件领域。而这些，恰恰将AI从感知，推进到推理和理解范畴。

ChatGPT在人机交互的4大潜在应用

1）Zero-shot task planning。

根据自然语言指令，生成适用于不同机器人平台和任务的代码，无需任何预先训练或微调。这种能力可以让用户快速地探索不同的机器人方案，而不需要了解底层的编程细节。

场景：机械臂操作、无人机导航、家庭助理机器人等。优点：可以实现跨平台、跨任务的机器人控制缺点：可能存在代码错误或效率低下的风险。

2）User on the loop

交互式对话，以解决复杂的机器人任务，例如需要多步骤或多个目标的任务。用户可以通过对话提供高层次的反馈、指导或修改指令，而 ChatGPT可以根据用户的意图和上下文调整代码或行为。这种能力可以让用户更灵活地控制机器人，而不需要一次性给出完整的指令。

场景：机器人协作、机器人教学、机器人规划等。优点：可以提高机器人任务的成功率和鲁棒性。缺点：可能需要更多的对话轮次或用户干预。

3）Perception-action loops

ChatGPT 可以利用视觉信息来指导机器人的动作，例如识别物体、估计距离、规避障碍等。可以通过XML 标签或其他格式来接收和处理图像数据，并生成相应的代码或动作序列。这种能力可以让机器人更好地适应复杂和动态的环境，而不需要预先定义所有可能的情况。

适用场景包括机器人导航、机器人抓取、机器人搜索等。优点是可以增强机器人的感知和决策能力。缺点是可能存在视觉误识别或动作不准确的风险。

1） Reasoning and common-sense robotics tasks

ChatGPT 可以利用常识知识和推理能力来解决一些需要逻辑、几何或数学思维的机器人任务，例如计算角度、判断方向、选择最优路径等。ChatGPT 可以通过自然语言或数学表达式来表达和解决这些问题，并生成相应的代码或动作序列。这种能力可以让机器人更智能地执行一些抽象或难以描述的任务，而不需要用户提供过多的细节。

适用场景包括机器人推理、机器人游戏、机器人创造等。优点是可以拓展机器人的应用范围和难度。缺点是可能存在常识错误或推理失败的风险。

图 13：当用户的指令模糊不清时，ChatGPT 会提出澄清问题

资料来源：申万宏源研究

图 14：工业检查场景：Microsoft AirSim 模拟器ChatGPT 能够有效解析用户的高级意图和几何线索，准确控制无人机

资料来源：微软官方网站，申万宏源研究

谷歌的PaLM-E会利于具身智能（Embodied AI）的发展。一方面，具身智能主要涉及机器人的感知、规划、控制、导航等上层部分。另一方面，具身 AI 不再像传统 AI 仅从图像、视频、文本等数据库中学习，而是基于自身传感器（多是视觉传感器）感知环境并通过与环境交互进行学习。

大模型AI发展后，其对具身智能的提升至少包括：

1）通过抽象的自然语言直接对机械智能控制。

2）Zero shot 下的 CV 能力：图像分类、语义分割、目标检测、实例分割、物体追踪。

3）更多跨模态的理解能力。

其中，PaLM-E 目前一大特色就是跨模态。PaLM-E (562 Billion parameters) = PalM(540B) + ViT (Vision Transformer, 22B)。它本身是个多模态的大模型，不仅能理解文本，还能理解图片（因为加了ViT），可以理解图片中的语义信息。

Few-shot prompt 可以看懂笑话（左上角），zero-shot 可以具有图文思维链

图 15：PaLM-E 图像分割、语义分割、目标检测、实例分割四种任务

资料来源：《PaLM-E: An Embodied Multimodal Language Model》，申万宏源研究

1.9 具身智能：AI 理解+运动

上述微软、谷歌等 AI 功能，似乎和运动执行、路径规划等更加聚焦的智能关联度低，而以 UCLA 论文《Design of a Highly Dynamic Humanoid Robot》、《Developmentand Real-Time Optimization-based Control of a Full-sized Humanoid forDynamic Walking and Running》为例，涉及这些软件较为深入。

这些会启发我们2023H2甚至未来多年，机器人软件、AI 大模型的一些趋势。

计算单元分为控制安全接口、控制接口、摄像感知接口、硬件接口等，均涉及软件。图 16：UCLA 机器人论文中 ARTEMISS 的软件系统示意，包括安全接口、控制接口、摄像感知接口、硬件接口等。

资料来源： UCLA《Development and Real-Time Optimization-based Control of a Full-sized Humanoid for Dynamic Walking and Running》，申万宏源研究

它们对AI机器人软件的涉及包括：

1）稳定性问题，可以归纳为识别、控制相关软件。ARTEMIS 的最初动机是一个可以进行超动态运动的平台。本论文侧重于这项努力的第一步，有力地行走和奔跑的能力。后续希望满足跳跃/转身等复杂问题，需要做一些延展。例如：其一为推广运动生成流水线，使其不需要专家知识和平台经验（可以归纳为 zero-shot 经验的运动生成），其二为提高稳定性的软件（跟踪潜在复杂和快速变化的鲁棒控制器）。

2）路径规划。当前已经有一定“泛化”能力，希望后续发展身体控制/路径规划/跨平台运动（没有感知数据、地面上存在重大障碍物时，ARTEMIS 也能够保持平衡并在遇到意外时避免掉落。这是因为 ARTEMIS 的运动堆栈的反应性质）。但下一步可以在没有运算指引的情况下，通过身体控制、路径规划等，实现高效的运动(ARTEMIS 可以稳健地从 A点移动到 B 点，但走哪条路仍然是一个未完成的任务)。如果这样做成，不仅限于ARTEMIS，还为混合系统的路径规划领域开辟路径。

3）基于感知的运动，下一步有两个路径，一个是多步骤足迹规划，一个是状态估计。当前基于环境的运动有一定进展。当前先感知数据，以告知机器人脚可以定位的安全区域，这可以从头部的立体相机或位于其身体的两个立体相机获得。感知数据可用后，下一个挑战是呆在安全区域。一个解决方法是，更长的足迹规划；另一个解决方法是，态估计。目前机器人浮动底座的位置状态不可观察，导致坐标系漂移。若将感知数据与定位上下文中的状态估计结合，则所有状态都变得可观察。

图 17：ARTEMISS 平台上的三维 ZED 视觉可以帮助基于视觉的路径规划

资料来源： UCLA《 Development and Real-Time Optimization-based Control of aFull-sized Humanoid for Dynamic Walking and Running》，申万宏源研究

图 18：ZED 2 的三维视觉和两个英特尔实感 D435i 拼接后，生成周围环境的点云，帮助基于感知的路径规划。

资料来源： UCLA《 Development and Real-Time Optimization-based Control of aFull-sized Humanoid for Dynamic Walking and Running》，申万宏源研究

尽管这是当前领先的设计，但也做出下一步机器人软件发展的趋势展望：

4）把物理接触建模，在抓取/碰撞等任务中，问题会放大。工作控制器中，模拟建模和实际物理情况，经常有差距。模拟与现实之间的差距经常在学习社区中讨论，但在机器人技术中却很少被强调。这个问题可能会在碰撞检查很重要的其他机器人领域反复出现，例如灵巧操作和抓取领域。

5）学习与控制交叉口。硬件上做上述测试，成本太高。在考虑鲁棒性或随机性的作品，但另一种方法可能是在管道中采用基于机器学习 AI的方法。

而且可以推测，一旦 AI训练资源足够，很可能后续的动作会更加多样。因为论文提到， “模型相关的计算负担，模型中的非线性通常会禁止它们在在线规划和控制中的使用” （“Additionally, nonlinearities in the models often prohibit their usage in online planning and control because of the computational burden associated with them“）。

6）人机交互（HRI）。ARTEMIS 也可以成为一个有趣的平台，可用于探讨超动态运动以外的主题，其中之一就是人机交互。

7）合成运动，也就是连续运动反映的意图和情绪。运动发生的规模和速度可以暗示接下来的运动是什么。此外，运动的空间和时间方面的差异也可以表示情绪和意图。

而其中 1）识别控制相关软件、2）基于感知的运动、5）学习与控制交叉，正是下一章节论文涉及的。

1.10 具身智能的零样本尝试：如李飞飞VoxPoser

解决需要预定义动作、机器无法直接被 LLM（大语言模型）操控问题。2023 年 7 月《VoxPoser: Composable 3D Value Maps for Robotic Manipulation with LanguageModels》中，指出：

1）很多训练需要预训练、预定义。大语言模型 LLM 虽然取得了进展，但大多数人仍然依赖预定义的动作原语来与环境进行物理交互，这仍然是一个主要瓶颈。

2）大语言模型直接输出控制不可行。文本通常由高维空间中的高频控制信号驱动，而机器人运动无法直接达到高维高频率。

本论文的解决思路是利用 LLM 的优点。LLM 在自由形式语言教学中，擅长推断可能性和约束条件。而且，通过 LLM 可以具备代码编写能力。代码能力可以与视觉语言模型（VLM）交互，以组成 3D 价值图，将知识根植于观察空间。然后将组合的值映射为机器人的轨迹（专业说法是，基于模型的、零样本、具有动态扰动鲁棒性的闭环机器人轨迹）。

论文将这种方法称为VOXPOSER。这是一种从LLM中提取可能性和约束的公式，用于在 3D 观察空间中组成体素（Voxel1）值图，以引导机器人与环境交互。具体来看：

1) 从指令语言中，输出语言的可供性和约束；

2) 转化成 PYTHON 代码；

3) 代码调用 API；

4) API 操纵 3D 体素（Voxel）；

5）AI 的奖励机制（正文指出，有效地提供观察空间中的“密集奖励”，能够在每一步都重新规划）训练动作；

6）路径规划期目标函数，并合成路径。

图 19：VoxPoser 算法示意图

注：最上面一行展示了“感兴趣的实体”是对象或零件的位置，值映射将引导它们指向目标位置。下面两行展示了“感兴趣的实体”是机器人末端执行器的任务。最底层的任务涉及两个阶段，这两个阶段也由 LLM 协调。

资料来源：《VoxPoser: Composable 3D Value Maps for Robotic Manipulation withLanguage Models》，申万宏源研究

图 20：VoxPoser 的零样本合成轨迹和错误分解

	Zero-Shot	NoPrior		w/Prior
Task	Success	Success	Time(s)	Success	Time(s)
Door	6.7%±4.4%	58.3±4.4%	TLE	88.3%±1.67% 142.3±22.4
	Window 3.3%±13	36.7%±1.7%	TLE	80.0%±2.9%	137.0±7.5
Fridge	18.3%±1	70.0%±2.9%	TLE	91.7%±4.%	71.0±44

Table3:Zero-shot synthesized trajectories by VoxPoser, thoughlimitingatcontact-richtasks,canserveaspriorsfor efficient learningfromonlineinteractions.Compared toexploringwithoutthepriors,VoxPosercanlearntoopenvarious articulatedobjectswithcomplexstructuresinunder3minutes.TLE(timelimitexceeded)meansexceeding12hours. Resultsarereported over 3runsdifferent seeds.
Figure 4:Error breakdown of VoxPoser andbaselines.Compared to baselines,althoughVoxPoserreliesonmultiple components,iteffectivelyreducestheerrorinspecifyingobjectives/values.

资料来源：《VoxPoser: Composable 3D Value Maps for Robotic Manipulation withLanguage Models》，申万宏源研究

1.11 具身智能的泛化尝试：谷歌RT1、RT2

我们分析了 2022 年 12 月《RT-1: ROBOTICS TRANSFORMER FOR REAL-WORLDCONTROL AT SCALE》、2023 年 7 月《RT-2: Vision-Language-Action Models TransferWeb Knowledge to Robotic Control》，做一些分析。

2022 年 12 月《RT-1: ROBOTICS TRANSFORMER FOR REAL-WORLD CONTROLAT SCALE》，指出：

1）难点是可扩展和大容量。AI 在视觉、NLP 等领域已经成功，从孤立的小规模数据模型转向大型通用模型（预训练过）。后续，要点是开放式任务不可知训练，以及能够吸收大规模数据，形成高容量架构。

2）难点是机器人的多任务模型。在有监督学习中，消除对大型特定任务数据集的训练很有意义，但对于多任务训练很难。在机器人领域，希望训练一个强力的、大型的多任务骨干模型。

图 21：RT-1 的体系结构图

注：该指令被转换后，通过 FiLM 层调节预先训练的 EfficientNet。生成的视觉语言标记由TokenLearner 精简，输入到 Transformer 中，输出标记化动作

资料来源：《RT-1: ROBOTICS TRANSFORMER FOR REAL-WORLD CONTROL AT SCALE》，申万宏源研究

具体来说：

3）对图像和语言，转为标记 Token。模型建立在 Transformer 架构上，以图像和任务描述的历史作为输入，并直接输出标记化的动作。

4）依赖图像和语言的预训练，这是后续可以改善的。图像通过 ImageNet 预训练的EfficientNet-B3（Tan&Le，2019）模型，该模型以 6 幅分辨率为 300×300 的图像作为输入，并从最终卷积层输出形状为 9×9×512 的空间特征图。对于语言的预训练，先通过Universal 语句编码器嵌入（Cer 等人，2018）。然后转为 FiLM 层（Perez 等，2018）的输入。该层被添加到预训练的EfficientNet 中，以调节图像编码器。

5）经过TokenLearner，到标记化动作。上述指令被转换后，通过FiLM 层调节预先训练的 EfficientNet。生成的视觉语言标记由 TokenLearner 精简，输入到 Transformer中，输出标记化动作。

2023 年 7 月《 RT-2: Vision-Language-Action Models Transfer WebKnowledge to Robotic Control》。

1）增加互联网学习能力，利于扩展。论文指出：研究了如何将基于互联网规模数据训练的视觉语言模型直接纳入端到端机器人控制中。并使 RT-2 能够从互联网规模的训练中获得一系列紧急能力。这利于解释机器人训练数据中不存在的命令的能力（例如将对象放置在特定数字或图标上），以及响应用户命令执行基本推理的能力（如例如拾取最小或最大的对象或最接近另一对象的对象）。

2）增加有效率的“泛化“能力。论文指出：为了将自然语言响应和机器人动作都适应相同的格式，将动作表示为文本标记，并以与自然语言标记相同的方式将其直接合并到模型的训练集中。正文称之为视觉语言动作模型（VLA）。

值得注意的是，本文的 VLA/VLM 与李飞飞团队定义的 VLM 的含义有相似之处，均为 vision language action model，只是 VLA 更强调动作 action。

3）强调了动作微调。为了使视觉语言模型能够控制机器人，必须训练它们输出动作。论文采取了一种直接的方法来解决这个问题，将动作表示为模型输出中的标记（类似语言标记）。动作空间主要包括机器人末端执行器的六自由度（6DoF）位置和旋转位移。

连续维度（除离散终止命令外）被均匀地离散为 256 个仓。因此，机器人动作可以使用离散仓的序数表示为 8个整数。为了使用这些离散化的动作将视觉语言微调为 VLA(视觉语言动作模型)，需要将模型的现有标记化中的标记与离散动作仓相关联。

可见：RT-2的发展，将“具身智能”的智能化继续推进。它

1）延续了 RT-1 的多模态（视觉、指令、动作一体化智能），与李飞飞团队VoxPoser 的 VLM 思路有相似之处。

2）泛化和延展性大大增加，但在“0 样本”和动作自由度上，依然有空间。

3）投资者 2022-2023 年机器人投资标的主要是减速器、传感器等硬件，预计未来会走向大模型软件等标的。

4）相关标的：柏楚电子（申万机械）、虹软科技、中控技术（tmt&机械）、萤石网络等。

图 22： RT-2 能够概括到需要推理、符号理解和人类认知

Figure 2|RT-2isable to generalize to a variety ofreal-world situationsthatrequire reasoning,symbol understanding,andhumanrecognition.WestudythesechallengingscenariosindetailinSection4.
资料来源：《RT-2: Vision-Language-Action Models Transfer Web Knowledge to RoboticControl》,申万宏源研究

图 23： RT-2 在应急技能（左）、大小和训练消融中（右）的定量表现

(a)Performance comparison onvarious emergent skillevalu-(b)Ablations ofRT-2-PaLI-X showcasing the impact ofparamations(Figure8) between RT-2andtwo baselines. etercount andtraining strategy on generalization.

资料来源：《RT-2: Vision-Language-Action Models Transfer Web Knowledge to RoboticControl》,申万宏源研究

1.12 产业链小结

可见：

1）2020-2022 年，大智联汽车的传感器环节是产业链重点。

2）2022-2023 年，大机器人成为重点，催化剂为特斯拉机器人的进展。

3）2022H2至今，软件能力、智慧能力，得到大幅度增强，主要是大模型的研发、营销、工程化落地加速。

其中 AI 3D 视觉的 Nerf/BEV/占用网络大大增强，在 1.4-1.6 论述。2023 年 6 月CVPR2023 最佳论文、小鹏 XNGP 能力，增加了自动驾驶大模型的关注度，尤其端到端AI，在 1.7 论述。具身智能的推理/理解/运动能力大幅增强，其“智慧性”体现在泛化和“零样本”特征，在1.8-1.11论述。

因此下图基本就是当前“具身智能”产业链图。

图 24：具身智能的产业链示意图，近半年的学术和产业界进展迅速

资料来源：申万宏源研究

2 两大关键问题

本章讨论两大关键问题：耦合/解耦，钟摆效应。

2.1 软硬件耦合或解耦：可能是两套体系

部分投资者认为具身智能会“解耦“，即软件、硬件（甚至制造和生产等）分离。我们认为：可能是两套体系。尤其“东方式”、“西方式”产业链不同。

我们的科技TMT价值链往往属于“东方式”，即下图的右侧。我们每个环节的价值链都相对平均，体现“行行出状元”，也与“共同富裕”更加契合。这样为了变强变大，往往需要在零件/产品/IT服务/品牌均较为出色，才能成为国内tmt 领军。这样会促进“硬件+软件+生产一体化”，也会促进tmt 领军直接接触客户（下图右半边，用灰色部分把多个产业链环节“耦合”起来）。

而“西方式”的 tmt 往往是“解耦“的，某个细分领域成为世界领先即可，即使当前甚至较长时间不盈利。一旦持续收入较快增长，预计会在某个时间扭亏为盈，利润率快速提升（例如NFT、chatGPT、软件等较为虚拟的事物在西方更流行）。

图 25：东西方 TMT 产业链的价值分配不同，所以具身智能是“解耦”还是”耦合”,有可能两套体系

资料来源：申万宏源研究

东方更偏重于固定资产定价，而西方更偏重无形资产定价。图中，右边“基础软件”的价值链15%低于左边的30%。而数据要素的交易，可以让软件、无形资产定价，更加公允的给高附加值业务回报，也符合“全要素分配”的原理。图中左边的情形是给予了无形资产更多的定价，即体现更多因素和贡献，“数据要素“就在其中。

数字经济的内涵，至少要求我们两者的tmt产业链都要布局好。如果完成“数字经济”，包括了“东西合璧”的科技布局，实际与”双循环“息息相关。

2.2 钟摆效应

正是由于“解耦”与“耦合”，均在较长时间内存在，但市场往往一段时间只倾斜一个，这就形成认知的钟摆。下表中，TMT很多领域是“耦合“的世界领军利润更多，也有较多领域中“解耦”的世界领军利润大。

表 1：实际上，ICT 的很多领域，解耦与耦合都有世界领军。但投资者的理解有“钟摆效应”（单位：亿美元）

		最新财年收公司或领域 1		最新财年利润		公司或领域		最新财年收最新财年利润
专用通信	解耦	亿联网络	7亿美元	3亿美元			入
安防 AI	解耦				耦合	安防双杰	160+亿美元	21+亿美元
	解耦	谷歌（安卓收入）			耦合
手机	解		420亿美元	210亿美元		苹果	3943亿美元	998亿美元
工业 AI	耦解	艾斯本	10亿美元	亏损1亿美元	耦合	中控技术	9.5亿美元	1.1亿美元
半导体	耦解	台积电	319亿美元	126亿美元	耦合耦合（含	英特尔	631亿美元	80亿美元
GPU	耦				CUDA）	英伟达	270亿美元	44 亿美元

注：为了方便国际级别比较，都采用亿美元单位，并做一定近似
资料来源：Wind,bloomberg,申万宏源研究

最终两种路径往往互相学习、借鉴，形成“折中”的形态。下图模拟了智能汽车产业链中，传感器、大模型两套体系互相借鉴和折中的过程，并做了一些预测。

图 26：以智能汽车为例，两种体系，往往互相借鉴和折中

资料来源：申万宏源研究

3、下一步：现金流和工程化

当前情况下，具身智能和AI软件的工程化落地是关键。我们从历史经验中发现，现金流好的公司，创新胜率明显更高。工程化能力虽然难以量化，但净营业周期往往是很好的代替，就是经营周转能力。往往反映了“研发+产品+工程+销售+话语权”。

3.1 “仓廪实而知礼节”：适用于具身智能+AIGC

从当前互联网、互联网+，都可以发现：有较好的现金流，对创新的胜率明显提高。这也适用于具身智能、AIGC。

众所众知，1995-2001 年“信息高速公路”，带来了产业和股票都较大表现。但此后为“泡沫破裂”、“去伪存真”。最后崛起的代表例如微软、亚马逊、思科、英特尔；让人惋惜的代表包括网景公司、Webvan、雅虎等。

1）网景公司 Netscape。微软在于网景竞争中逐渐处于上风。1998 年 11 月 24 日，美国在线以42 亿美元、免税换股的方式，收购网景。而在2000 年美国在线又与时代华纳合并。2007 年12 月28 日，美国在线在博客表示将停止网景浏览器的开发

2）雅虎。1998 年，雅虎本来有机会收购当时的谷歌雏形——“BackRub（网络爬虫）”项目，谷歌创始人拉里·佩奇和谢尔盖·布林要价100 万美元将项目卖给雅虎。但当时的雅虎只愿意在搜索方面跟它合作。2006 年，雅虎报价 10 亿美元收购 Facebook，但最终收购价下调至8.5 亿美元，雅虎没有收购。2008 年，微软出价446 亿美金试图收购雅虎，但没有成功。

我们认为，雅虎对技术的关注度高低、对长期发展的关注高低，决定了这几次决策。

3）Webvan。Webvan 是一家美国的网上杂货零售商，曾经一度非常著名。当时，Webvan 一度开支巨大。Webvan 斥资 10 亿美元建设先进的仓库，但这并不能迅速带来回报。Webvan在2001 年宣布破产。

我们认为，1995-2001 年生存下来、甚至最终发展壮大为互联网领军的：

第一点是长期主义，体验在战略和研发。1997 年亚马逊的贝索斯开始写致股东的信，希望创造一种“经久不衰的特许经营权”机制,一种通过释放互联网的力量，这体现着长期主义。这种精神，在最终互联网领军上均有体现。

第二点是安全边际，主要通过现金流体现。

相关公司 1996-2006 年财务情况验证了安全边际的重要性：即使网景公司如日中天时，自由现金流也不佳。即使亚马逊还在起步阶段，2002年起自由现金流已经是正数。

表 2:1999-2001年，最后生存、成功，与不成功公司的差别除了战略、技术，现金流很关键（单位：百万美元）

自由现金流（百万美元）	96A	97A98A	99A	00A	01A	02A	03A	04A	05A	06A
网景公司	(69)	(61)	(28)				1

微软(MICROSOFT)	3225	4190	6224	11563	10547	12319	13739	14906	13517	15793	12826
亚马逊(AMAZON)	(3)	(7)	3	(378)	(265)	(170)	135	347	477	529	486
雅虎					-						(8288)
Webvan			(45)	(209)	(713)			倒闭，现金流断裂关键

注 1：EDGAR系统导出雅虎数据不够完整，但 2006年数据可以推测当时雅虎现金流不算充盈。
注 2：从事电商的亚马逊，2002年自由现金流出色，较为关键
注 3：同样从 2001年风波后较好的思科、英特尔，必然是技术、战略、现金流较好，因此不必罗列
资料来源：EDGAR，Wind，申万宏源研究

2013-2015 年的“互联网+”、“云计算大数据”，最终较为成功的公司包括东方财富、同花顺，依然活跃的公司包括浪潮信息、中科曙光、启明星辰等。

第一点同样是长期主义，体验在战略和研发。这与 1995-2001 年互联网经验一致。

第二点是安全边际，主要通过现金流体现。实际上，自由现金流是商业模式决定的。根据“互联网+”的自由现金流情况，可以在开始阶段就预测未来的成功概率。

而依据东方财富、同花顺、浪潮信息、中科曙光、启明星辰等的研发和现金流，当时就可以预测，成功概率相对高。

表 3：2013-2015年科技浪潮后，当时研发和自由现金流或能帮助筛选（单位：百万元）

研发投入自由现金流
15A 13A 14A 15A16A 17A 18A 19A
互联网+
300059.SZ	东方财富	149	449	2,350	352	-5,870	-6,409	2,470	11,644
300033.SZ	同花顺	279	23	148	1,508	739	551	423	1,090
300226.SZ	上海钢联	26	-47	-455	-167	-790	-1,265	-346	-650
600571.SH	信雅达	301	-20	233	75	121	13	53	21
300130.SZ	新国都	131	-19	-182	189	221	3	224	198
300085.SZ	银之杰	54	-24	10	15	29	-87	83	-72
002657.SZ	中科金财	142	75	188	333	232	64	-61	-146
300253.SZ	卫宁健康	89	29	21	-156	-194	-82	-43	42
300168.SZ	万达信息	343	-129	-228	-360	-236	-454	-471	-243
云计算+大数据
000977.SZ	浪潮信息	525	-1,040	-543	-589	-328	-38	912	430
603019.SH	中科曙光	278	-75	-105	-193	-563	-551	-2	2,419
002439.SZ	启明星辰	319	190	300	332	-64	146	186	329
002268.SZ	卫士通	148	36	34	-366	-771	-233	-120	-182
300297.SZ	蓝盾股份	92	-90	-97	-126	-15	-782	-1,548	-561
600756.SH	浪潮软件	131	27	-15	83	-3	-203	62	21
300302.SZ	同有科技	19	-67	12	265	-73	-193	-41	-22
300188.SZ 美亚柏科		111	27	138	147	279	121	-161	219

注 1：市场普遍认为 2013-2015年后，互联网+、云计算大数据，大多数公司是不成功的。自最后相对进展顺利的公司，普遍研发投入较大，现金流较好。即 2015年时应能预测哪些公司未来能生存和发展。

注 2：云计算大数据公司，较多是硬件设备，开始自由现金流不佳。但随着产业地位提高，2018年后现金流都在变好

资料来源：Wind,申万宏源研究

3.2 技术和工程能力的财务筛选

工程化能力虽然难以量化，但净营业周期往往是很好的代替，就是经营周转能力。往往反映了“研发+产品+工程+销售+话语权”。

表 4：用几项指标近似分析工程化能力（百万元，日）

		研发投入	自由现金流（百万元）					净营业周期（日）
		22A	18A	19A	20A	21A	22A	18A	19A	20A	21A	22A
688475.SH	萤石网络	603	436	337	-277	-88	398		-158	-59	55	67
688188.SH	柏楚电子	144	136	127	318	335	523	102	94	88	148	204
688777.SH	中控技术	692	418	451	639	22	203	261	261	268	243	215
688088.SH	虹软科技	288	237	180	18	20	-83	-138	74	101	168	165
002920.SZ	德赛西威	1,663	489	4	8	167	-689	70	68	54	62	80
	剔除原材料影响后的自由现金流		748	-52	158	739	135
002475.SZ	立讯精密	8,447	-2,014	1,103	-629	-5,282	-857	42	17	7	7	13
	剔除原材料影响后的自由现金流			1,858	124	-1,732	1,521
002472.SZ	双环传动	298	-1,417	-221	167	-233	-417	161 168			113	115
603728.SH	鸣志电器	218	6	65	185	-14	-191	83	91	145 88	86	117
002050.SZ	三花智控	989	373	1,031	938	-396	-432	77	83	76	73	84
603197.SH	保隆科技	327	101	-97	-4	-173	-447	100	83	100	106	123
603786.SH	科博达	374	196	430	419	249	-225	144	152	152	189	215
	剔除原材料影响
	后的自由现金流		490	359	442	471	-92

注 1：工程化能力虽然数据上比较难以量化，但研发投入、周转速度（反映技术+产品+工程+销售+粘性）、现金流（收款+产业链话语权）可以做一个代替
注 2:2021-2022年较多公司囤积上游芯片。因此把存货中购买原材料的增量剔除后，得到修正后的自由现金流资料来源：Wind，申万宏源研究

产业链和标的：解耦或耦合都有领军

如上述 AI 下沉到具身智能（智能汽车、机器人、智能家居），较多领军公司有机会。但投资者关注的解耦/耦合问题，软硬件钟摆问题，会较长时间带来渗透率的提升，且产业大概率以“多样性”为结果。其中：

2）属于解耦商业模式的软件厂商（AI 和软件能力在用户甲方本身）：柏楚电子（申万机械）、虹软科技。

3）属于解耦商业模式的代工生产为主（乙方是代工生产为主）：立讯精密（申万电子）、双环传动（申万汽车&机械）、科博达（申万汽车）。

4.1 萤石网络：工程能力强+2C机器人

萤石网络短中长期逻辑均有较大看点：短期看，半年报业绩超预期且高增有望持续；中期看，“SaaS+AI”拉动新增量，萤石云有望非线性加速；长期看，面向具身智能积极备战，有望成为2C 机器人“国家队”。

首先，公司近期发布 2023半年报，利润大超预期：2023 上半年收入22.85 亿元，同比增长9.3%；归母净利润2.59 亿元，同比增长70.3%。其中23Q2 收入12.06 亿元，同比增长 14.1%，归母净利润 1.67 亿元，同比增长 100%。我们在业绩前瞻中预测 23Q2 收入12 亿元、归母净利润1.25 亿元，实际收入完全符合预期，利润大超预期。

23Q2毛利率同比大幅提升 8.6pct 至44.6%，是利润超预期的主要推动力。我们认为原因在于：1）公司通过对采购和订单管理精细化，使得供应链成本下降；2）上半年主要电子元器件价格处于下行周期；3）收入结构上，毛利率水平偏低的专业客户占比下降、高毛利率的物联网云平台业务占比提升、海外业务占比提升。以上 1）、3）两点因素将在长周期维度上，持续提升公司毛利率中枢。

图 27：在管理和业务结构优化下，萤石的毛利率中枢有望持续提升

资料来源：wind、申万宏源研究

其次，“SaaS+AI”拉动新增量，萤石云有望非线性加速。此前云服务付费率不高（根据公司年报，2022 年C 端持有萤石设备的年度累计活跃用户数约2100 万，持有萤石设备的年度累计付费用户数约227 万，付费率约10.8%），主要由于能力单一（云存储占绝对大头）。当前变化正在发生，2022年底公司推出了首款老人看护服务套包，此外面向宠物看护、儿童看护等特殊场景将持续推出SaaS 化订阅的AI算法包，通过为客户提供增量价值、切中用户刚需，实现云业务付费率、ARPU 值的上行。并且在未来有望结合AI大模型，在改善体验的同时增加收费点，进一步提升云服务收入增速和占比。

图 28：C 端 SaaS+AI 算法增值服务切中用户刚需，实现付费率和 ARPU提升

资料来源：萤石网络 2022 年报、申万宏源研究

第三，面向具身智能积极备战，有望成为2C 机器人“国家队”。我们认为，公司发展具身智能已集齐多重有利因素：

1）起步早、能力全。公司在2023 半年报中，明确表示“针对C 端具身智能机器人方面做积极的布局沉淀和前瞻性预研。”截至上半年在研的 9 大项目中，多数与具身智能相关，其中技术涉及硬件的运动控制、软件的导航算法，以及大模型、云边融合等，均将为2C 机器人的研发奠定基础。在智能服务机器人产品线上，目前公司已经布局了清洁机器人和陪伴机器人，未来产品线有望持续丰富。

2）云能力+制造能力，两道护城河。一方面，公司凭借稀缺的云服务能力，能够为智能家居和机器人注入智慧的灵魂，提升用户体验，并实现快速迭代进化；另一方面，公司不断强化制造能力，包括 IPO 募投的萤石智能制造重庆基地项目，将为 2C 机器人降低成本、快速迭代带来关键优势，有望更快实现“更低成本-更高市占-更多数据-更大竞争优势”的飞轮，在C 端具身智能领域占据领先位置。

3）既有国家队身份，又富有管理活力。萤石实控人为中电科，又背靠实力强劲的母公司，C 端机器人“国家队”身份下容易获得各方资源支持；同时，公司管理团队在长期的市场竞争中，已经充分证明了战略和管理能力，并拥有高度市场化的激励机制。

表：萤石网络在研项目大量在为具身智能储备技术

项目名称	进展或阶段性成果	拟达到目标	技术水平	具体应用前景
基于特征报文识别的	已完成特征报文识别与自收敛	通过特征报文识别技术精确识别、过	领先于业内主流的智能家居系
ez-mesh 网络自收敛		技术的算法设计与功能开发，已滤并分级智能家居系统中的各类报	统	智能家居产品
技术研发项目		经能够对 ez-mesh网络中部分文，为ez-mesh 网络中各节点收敛
黄石边缘计算能力升级研发	产品已经发布，逐步完善和迭代产品的兼容性、低延时等性能指标	南北向通过支撑丰富的接入协议以连接更丰富的产品，东西向通过互联互通协议进行高效的、云边结合的互操作通信	在协议兼容性方面逐步丰富，云边结合的互操作能力保持领先	物联网云平台
基于智能视觉的新一代清洁服务机器人研发	产品正在进行测试验证中，提升了导航与避障关键性能，提升了在扫、拖、集尘等重要性能	针对现有市场，布局新一代产品，并通过技术创新、形态创新，解决用户使用痛点，满足不同市场的用户需求，与其他类别传感器融合，可检测升级体验	实现高精度导航与定位;实现底盘运动控制模块平台化;将视觉障碍物距离并智能识别障碍物	智能家居产品
基于智能视觉的扫拖洗机器人研发	正在进行产品预研工作	基于视觉的单线结构光避障技术，在导航与路径规划中检测障碍物并精准地避开障碍物；优化扫地机器人清扫方案，升级用户体验	提升视觉的单线结构光避障技术，优化避障技术能力、回收清洁效率，具备自动清洁、装卸等功能	智能家居产品
基于家庭边缘计算的室内行为识别	已完成样机制作，并进行数据采集及图像优化，通过数据训练和优化算法，验证传感器对室内行为的识别效果	通过室内智能家居摄像机及智能传感器，基于保护用户隐私的设计原则，结合家庭内设备的边缘运算技术，为用户推荐更精准的智能家居场景模式，带来更好的系统使用体验	领先于业内主流智能家居全屋系统水平	智能家居产品
基于 AGI 的智能服务升级研发	已完成架构设计，已完成基于私域知识库进行问答的原型开发	基于大模型技术，针对现有的人工智能技术进行升级，并探讨对话及视频领域的新的应用模式	提升现有多模态数据语义识别的精确度、降低训练所需数据量	物联网云平台
数据挖掘能力升级研发已完成项目可行性分析		运用深度学习、大模型等技术进行数据挖掘，实现更好的付费用户转化提供更丰富的入户场景解决方案，满	在多参数的情况下，通过人工智能技术实现自动最优化匹配	物联网云平台
面向入户场景的智能门锁及解决方案研发	已完成新一代智能门锁及入户场景解决方案的设计与可行性评估	足用户在家庭入口场景下对看人及看物的需求；使用云端大模型与端侧边缘算力并行，实现与用户的高效互动，的性能局限，领先业内主流入户提升产品的可靠性、易用性，带给用	率先应用云+端并行算法的智能门锁设备，打破端侧单一算力门锁系统水平	智能家居产品
董石生产自动化设备研发	已完成大部分自动化产线、设备，并投入批量生产中	户更加智能化的入户体验减少人工投入，提高生产效率及生产一致性	探索并实现更加高效、高性价比的人机结合自动化生产技术	智能家居产品

资料来源：萤石网络 2023半年报，申万宏源研究

此外，公司在线上线下、国内国际渠道全面布局，助力上述逻辑加速兑现。1）国内电商渠道方面，加大在常规的电商平台上直播和优质达人带货，还积极开拓抖音等内容兴趣电商的直播渠道销售；2）国内线下渠道方面，公司形成了直营旗舰店、经销商专卖店、下沉市场堡垒店等多层次的终端渠道架构，积极布局线下专卖体验店，助力全屋智能系统业务；3）海外渠道方面，上半年在零售连锁卖场、家居建材类连锁店、专业经销渠道和街边店等多渠道中均取得了较好的增长，目前已在多个国家和地区实现线上与线下多渠道覆盖。

投资分析意见：我们认为公司的业绩释放、云业务加速、具身智能卡位等方面均值得期待，预计 2023-2025 年归母净利润 5.72/7.60/10.78 亿元，维持“买入”评级。

4.2 柏楚电子（申万机械）：具身智能领军。切割主业高速成长+焊接新品或迎放量期

公司上市前主业为激光切割设备运控系统，上市后公司纵向延伸智能激光切割头业务、横向拓展智能焊接机器人控制系统业务。

（一）业务1：激光切割系统-柏楚方案降低行业准入门槛，综合市占率持续提升

运动控制系统是激光切割设备、自动化生产设备的关键功能部件，一个完整的激光切割流程包括：第一步，使用控制系统提供商提供的激光专用设计软件或第三方工业设计软件如 AutoCAD、Solidworks 等绘制零件、装配体的加工图纸；第二步，将加工图纸通过软件进行后期图形处理及排版，生成加工的机床代码；第三步，激光切割机床根据代码指令执行切割任务，整个切割过程中涉及图形编辑、工艺设置及具体加工工艺选择、运动控制、切割头和激光器等外设控制、加工控制、切割头与切割部件之间焦距控制及随动等各环节，最终完成零件、装配体的加工。

激光切割过程所需的关键技术包括 CAD、CAM、NC、传感器技术等硬件设计技术：1）CAD技术：通过计算机建模或从图纸读取数字模型，进行图形识别、编辑和优化处理，生成零件并将零件通过计算机辅助在板材或型材上进行排版，并输出待加工模型；2）CAM技术：根据工艺要求，通过计算机辅助生成所需的刀路轨迹以及光路、气路、焦点等控制参数和自动化加工模型，并生成指令；3）NC 技术：可以实现根据生成的机床代码指令执行具体加工工序的功能，具体涉及加工过程中的运动/加工控制、切割头和激光器等外部设备控制等；4）传感器技术：通过传感器技术实现切割过程中温度、湿度、压力、光电、视觉、气压、激光加工头与被切割板材之间的间距等因素的控制，从而优化激光加工效率，提高智能化水平；5）硬件设计技术：针对激光行业特殊需求，定制开发相应硬件产品，合理的硬件设计和专业的检测手段可以起到提高切割稳定性及抗干扰能力的作用。

图 29：激光切割需要运控系统等组件和 CAD、CAM、NC 等技术的相互配合

资料来源：公司公告、申万宏源研究

柏楚产品推出后重新定义激光加工行业标准、降低切割设备操作门槛及学习成本。公司核心技术自主研发，完整地掌握了激光切割控制系统研发所需的CAD 技术、CAM 技术、NC 技术、传感器技术和硬件设计技术五大类关键技术。在柏楚电子推出“CAD、CAM 和NC 三合一激光切割控制系统”和“网络通讯式随动系统”两项技术变革前，国际激光切割的完整流程通常为：利用 AutoCAD、Solidworks等专用CAD设计软件绘制零件图，然后再导入美国SigmaNest 或西班牙Lantek等专业排样软件中进行零件后处理和排版，生成加工文件后导入德国倍福、德国PA、西门子等数控系统中，搭配德国Precitec 的电容随动系统进行后续加工操作。柏楚电子推出上述技术变革后，为下游激光设备制造商提供了一站式的解决方案，重新定义了我国激光加工行业的标准，用户可以在柏楚电子的控制系统中同时实现上述激光加工的全部流程，大幅降低激光切割设备的操作门槛和学习成本，简化激光切割设备的装机和调试过程。

柏楚电子在激光切割领域保持强竞争力。1）中低功率激光切割控制系统：柏楚电子的中低功率产品在稳定性、可靠性、精度、速度、易用性等各方面均具备明显优势，市场占有率约为 60%。2）高功率激光切割控制系统：目前国际厂商依然占据绝对优势，为中国市场主导者，柏楚 2021 年市占率约 17%，近年随着国内高功率激光切割市场发展及柏楚产品日益成熟，柏楚份额持续提升中。

（二）业务2：智能切割头-搭载高功率切割设备，渗透率提升+国产替代

切割头充当“四肢”的角色，与控制系统实现协同互补。激光切割控制系统与智能激光切割头是大脑与四肢的关系，两者软硬结合，需要在信息收集、传输、反馈的同步性和精密性上达到很高的契合。切割头在激光切割中的工作流程是：激光器产生激光，通过外光路传输，在切割头内经聚焦镜聚焦后，作用于被加工材料表面，将材料气化或者在切割气体辅助下形成熔池，以实现吹散被激光融化的金属熔渣或助燃。由于高功率激光切割的工作环境恶劣，设备需要在高温、高湿、粉尘污染大的环境下运行，外部环境和切割头内部任何微小的变化都会对设备性能和切割效果产生较大影响，因此及时将工况信息传递回控制系统，由控制系统进行实时调整，有助于最大程度保证激光切割设备的工作效率。

表5：光纤激光切割机的切割头由光学元件、机械加工元件等组成

光纤激光切割机	组件	功能
	光纤连接块	是光纤导入切割头的接口部分
	准直组件	将出自光纤的发散光收敛起来，将其拉直或准直。准直组件还包括准直对中部分和水冷却部分将准直后平行的激光束聚焦，切割工件。通过聚焦组
	聚焦组件	件的调焦部分可以改变焦点位置，以满足切割不同材料和不同厚度板材的需求。用于将外界与切割头内部光路隔绝，保证光路密封，
	保护镜盒	防止灰尘和杂质进入光路，延长光纤切割头的使用寿命
	传感器与控制盒	能使切割头与工件表面之间的距离长期、可靠地保持稳定，为获得最佳的切割质量提供保证。
	割嘴	安装在切割头前端，是激光束和铺助气体的排出通道。辅助气体经过割嘴内腔后形成高速气流，将融熔材料吹走，达到切割的目的

资料来源：OFweek激光网、《光纤激光切割机切割头关键技术及应用前景》、申万宏源研究

柏楚电子智能切割头产品与高功率软件搭载销售，客户认可度高、销售额快速提升。目前我国整机制造厂商使用的高功率激光切割头和三维激光切割头主要依赖进口，主要供应厂商分别为德国Precitec 和德国LT。且德国厂商生产的切割头的传感器数据无法与国产的激光切割系统进行实时的通讯，从而无法实现智能的闭环控制策略。公司激光切割头具备安装、调试简易，传感器齐全，将是目前市场为数不多的具备与国外同类产品竞争力的国产智能切割头。从产业层面来看，公司原有主业激光切割头软件和智能激光切割头在激光切割设备整机制造中属于平行工序的关系，下游客户高度重合。基于公司在控制系统细分领域内的龙头位置，公司拓展智能激光切割头具有渠道优势，且客户对于切割头评价反馈较高，子公司波刺自动化（切割头业务主体）营收快速增长。2020 年波刺自动化子公司营收进0.11 亿元，2023 年上半年营收达到1.54 亿。

（三）业务3：智能焊接机器人控制系统-机器换人大势所趋、柏楚产品或迎放量期

钢构非标场景属性，倒逼智能焊接机器人需求。智能焊接机器人产品为电弧焊焊接机器人。按照机器人加工路径生成的方式不同，焊接机器人产品可以分为示教焊接机器人和智能焊接机器人两类。示教焊接机器人主要需要人工示教来编辑焊缝的加工的路径；智能焊接机器人通过离线编程来生成焊缝加工路径。目前国内焊接行业自动化水平较低，现有进口产品成本过高，且对操作调试人员的技术能力具备较高的要求。而随着我国钢结构产业的持续快速发展，钢构产品产量增加将直接带动钢构焊接市场需求。与此同时，焊工工种的持续短缺，使得钢构企业对于焊接自动化解决方案的需求与日俱增，智能焊接机器人替代人工为行业趋势。

完整的钢结构零件焊接加工流程及公司核心技术在焊接工艺的应用情况如下：第一步、从Tekla，Revit 等建筑设计软件里导出需要焊接的钢结构零件模型。第二步、对钢结构零件模型进行编辑，设置焊缝，生成坡口并设置焊道顺序。第三步、在数字孪生系统中编辑机器人焊接动作，进行运动仿真，确认加工路径正确没有碰撞。并生成焊接加工站运行指令。第四步、3D相机扫描整个工件，对工件进行识别和空间定位，并校正焊缝的加工位置数据。然后机器人根据焊接指令运动到焊缝起始位置进行焊接。焊接过程涉及机器人姿态自适应调整，动态规划路径以及自动避障，焊接工艺选择匹配，焊缝跟踪传感器控制，图像信号处理，焊缝跟踪过程以及焊接工艺动作实时调整，最终完成零件的焊接。

图 30：完整的焊接流程需要 CAD、CAM、NC 等五大底层核心技术的配合

资料来源：公司公告、申万宏源研究

切割与焊接为上下道工序，柏楚切割场景积累技术工艺可部分复用于焊接场景。切割与焊接在钢结构产品生产制造中属于上下游工序的关系。由于焊接与切割在 CAD 技术、CAM 技术、NC 技术、传感器技术和硬件设计在智能制造和自动化领域的共通性，公司在切割领域所积累的核心技术储备为进军智能焊接机器人及控制系统领域奠定了坚实的基础。目前，国产焊接机器人大多数为需要人工示教的半自动化模式，公司通过开发工件视觉定位系统、智能焊缝跟踪系统通过视觉传感器识别工件和焊缝，智能焊接离线编程、控制系统通过 CAD 技术、CAM 技术、NC 技术进行焊接机器人加工工艺控制，达到取代人工示教模式进行自动化智能焊接的效果。当前下游钢构企业迫于产能及成本压力，对于智能焊接机器人需求迫切，随着公司产品成熟度提升及积极市场推广，未来焊接产品或将迎来放量期。

维持盈利预测。预计公司 23-25 年营收分别为 13.20、18.16、25.32 亿元，对应同比增速分别为 46.9%、37.6%、39.5%，预计 23-25 年归母净利润分别为 6.83、9.70、13.58亿元。

风险提示：行业景气需求放缓，行业竞争加剧，焊接市场放量不及预期等。

4.3 德赛西威（tmt&汽车）：从中国领先 tier1 走向世界级

德赛西威是中国领先的汽车 tier1，从事智能座舱、智能驾驶、智能互联业务。预计未来要冲击成为世界级tier1

公司成长来自乘用车销量、智能化渗透率、智能化 ASP、客户结构四重因子的成长。收入增长的持续强劲验证了渗透率和ASP 的增加。现金流的优秀、减配压力下较强的毛利率（剔除汇兑影响）体现优质客户结构的增加。而 2023 年5 月开始，车市恢复状态中。2）2023H2-2024，预计德赛西威即将迎来IPU02 增长、第四代座舱电子、高阶ADAS 量产、ADAS 出海等新型机会。

4.4 虹软科技：工程化能力强+车载AI

虹软科技在AI底层视觉优化较好，适用于手机+车载+VRAR+商户AIGC 等领域。

伴随特斯拉视觉AI 大模型热议，投资者寻找 BEV 路线图的标的。而虹软科技官方网站实际披露了虚拟BEV 帮助停车。我们认为BEV 和占用网络分成软件到硬件等多种工业实现级别，虹软科技可能已经布局较早较深，是特斯拉视觉 AI路线图技术路线的核心标的。

图 31：虹软科技官网有虚拟 BEV 示意图

资料来源：虹软科技官网，申万宏源研究

4.5 立讯精密（申万电子）：被低估的汽车 tier1

向汽车 Tier1 进军：十年厚积薄发，可简单归纳为“投资“、“产品””扩张+客户“、“合作+研发”等几大阶段。2012-2014 年，其通过投资试水。2015-2019 年，在提高汽车业务在公司的战略优先级，产品线也在拓展，但主要在连接器与线束。2019-2020 年报指出“汽车向智能汽车演进的过程中将迎来黄金十年”，开始清楚的绘制产品线矩阵图。2021-2022 年，在规模扩张、产品拓展、商务合作（主要是奇瑞与华为）的同时，执着于下一代研发成为特色：2021 年年报指出“线束、连接器、动力、智能网络等”，2022 年报指出“FAKA线束、高压线束、二充电枪、MCU”。

汽车 Tier1 空间：单车 ASP 1 万元，峰值 4 万元，预计空间 2000+亿。产品覆盖汽车线束、连接器、智能网联、智能座舱及新能源汽车动力系统等核心零部件，形成六大产品系列：汽车线束、连接器、智能新能源、智能网联、智能驾舱、智能制造等。我们依照其披露的产品，得到单车ASP价值约4 万元。

4.6 双环传动（汽车&机械）：精密齿轮制造平台公司，机器人减速机打开新空间

公司深耕齿轮行业 40 余年，齿轮技术和工艺积累深厚，由传统燃油车到自动变速器、新能源车、商用车，再到工业机器人，平台化模式持续打开成长空间。

乘用车齿轮：在新能源车的齿轮精度提升背景下，主机厂需求向有优质产能的第三方供应商转移，预计25 年市场空间107 亿。公司核心工艺+高端设备+二次开发能力构成护城河，保障领先地位。预计 23-25 年乘用车齿轮收入为 47.1/56.5/67.3 亿元，同比+29%/+20%/+19%。

商用车齿轮：国内商用车 AMT渗透率远低于欧美，在景气回升+汽车油耗排量标准的驱动下，渗透率有望快速提升，预计25 年市场规模19 亿元；公司绑定大客户有望享受超额成长。预计 23-25 年收入为 8.6/11.4/13.3 亿元，同比+67%/+32%/+16%。

工业机器人：RV 减速器目前尚未市场大规模国产化，公司产品已有40+型号，产能超10 万台，22 年市占率提升至14%，在国产品牌中最高。

人形机器人：目前尚处于0-1 阶段，主流硬件方案尚未收敛，执行机构持续优化改进，公司具备齿轮加工经验+机器人行业深刻理解+客户资源，在机器人减速器领域潜力巨大！

预计公司 2023-2025 年归母净利润 8.15/10.56/13.32 亿元，同比增速40.1%/29.6%/26.1%。作为智能化赛道上执行端的核心标的，重点推荐。

4.7 中控技术（tmt&机械）：智能制造软件领军

中控技术是基于流程制造业智能制造的解决方案领军，其软件能力近年大大增强。

根据 Wind,公司始终坚持通过自主创新打破跨国公司的技术壁垒，持续加大研发投入及研发平台建设，成功取得了一系列发明专利、技术奖项、产品认证及国际标准和国家标准。公司曾获得国务院授予的国家科学技术进步奖二等奖、一项中国标准创新贡献一等奖和多项省部级以上科技进步类奖项，牵头或参与制定国际标准、国家标准多项。2014 年公司成为首批被推荐的两化融合管理体系贯标咨询服务机构，首次通过 CMMI5 级软件能力成熟度认证；2017 年，公司入选全国首批智能制造系统解决方案供应商推荐目录和全国首批 30 家服务型制造示范企业名单；2018 年，入选中国智能制造系统解决方案供应商联盟第一批供应商推荐目录；2019 年，被工信部评为国家技术创新示范企业，被国家发改委认定为国家企业技术中心。

4.8 科博达（申万汽车）:汽车电子优秀系统方案提供商

根据 Wind，公司是汽车智能、节能电子部件的系统方案提供商，立足全球汽车产业平台并全面参与全球高端市场的竞争，专注汽车电子及相关产品在智能领域的技术创新与产业化，致力成为全球汽车电子高端产业链中富于创新和竞争力的卓越企业，公司是少数几家进入国际知名整车厂商全球配套体系，同步开发汽车电子部件的中国本土公司。公司终端用户主要包括大众集团(包括其下属子公司奥迪公司、保时捷汽车、宾利汽车和兰博基尼汽车)、戴姆勒、捷豹路虎、一汽集团及上汽大众等数十家全球知名整车厂商，且部分新产品已进入福特汽车、宝马汽车、雷诺汽车的供应商体系，在全球汽车电子尤其是汽车照明电子领域中享有较高的知名度。

5、风险

由于复工/宏观环境等扰动，2022-2023 年内存在业绩波动风险。

智联汽车、具身智能领域一向的风险依然是研究竞争、产业链地位与管理。若难以相对准确地把握，可能会选中了次好的公司，对投资产生不良的结果。

表 6：计算机估值简表（单位：亿元，元）

证券代码	证券简称	2023/8/18 PB收盘价总市值2021A(元) （亿元）			Wind一致预期 EPS			PE
证券代码	证券简称	2023/8/18 PB收盘价总市值2021A(元) （亿元）			2022A	2023E	2024E	2021A	2022A2023E2024E
688475.SH	萤石网络	44.00	248	5.0	0.59	0.96	1.29	55	74 46 34
688188.SH	柏楚电子	244.99	358	7.9	3.28	4.76	6.54	65	75	51 37
688777.SH	中控技术	51.67	406	4.6	1.02	1.37	1.81	70	51	38 29
688088.SH	虹软科技	35.00	142	5.4	0.14	0.34	0.52	101	246	102 68
002920.SZ	德赛西威	139.57	775	11.3	2.13	2.80	3.89	93	65	50 36
002475.SZ	立讯精密	31.01	2,212	4.8	1.28	1.70	2.13	31	24	18 15
002472.SZ	双环传动	30.72	262	3.8	0.68	0.94	1.23	80	45	33 25
603728.SH	鸣志电器	57.41	241	8.9	0.59	0.95	1.44	86	98	60 40
002050.SZ	三花智控	26.50	989	6.4	0.69	0.84	1.03	59	38	32 26
603197.SH	保隆科技	53.54	112	4.4	1.02	1.89	2.53	42	52	28 21
603786.SH	科博达	78.01	315	7.7	1.11	1.58	2.06	81	70	49 38

资料来源：Wind,申万宏源研究

信息披露

证券分析师承诺

本报告署名分析师具有中国证券业协会授予的证券投资咨询执业资格并注册为证券分析师，以勤勉的职业态度、专业审慎的研究方法，使用合法合规的信息，独立、客观地出具本报告,并对本报告的内容和观点负责。本人不曾因，不因，也将不会因本报告中的具体推荐意见或观点而直接或间接收到任何形式的补偿。

与公司有关的信息披露

本公司隶属于申万宏源证券有限公司。本公司经中国证券监督管理委员会核准，取得证券投资咨询业务许可。本公司关联机构在法律许可情况下可能持有或交易本报告提到的投资标的，还可能为或争取为这些标的提供投资银行服务。本公司在知晓范围内依法合规地履行披露义务。客户可通过 compliance@swsresearch.com 索取有关披露资料或登录 www.swsresearch.com 信息披露栏目查询从业人员资质情况、静默期安排及其他有关的信息披露。

机构销售团队联系人

华东 A 组茅炯 021-33388488 maojiong@swhysc.com

华东 B 组李庆 021-33388245 liqing3@swhysc.com

华北组肖霞 010-66500628 xiaoxia@swhysc.com

华南组李昇 0755-82990609 Lisheng5@swhysc.com

股票投资评级说明

证券的投资评级：

以报告日后的 6个月内，证券相对于市场基准指数的涨跌幅为标准，定义如下：

买入（Buy）：相对强于市场表现20％以上；

增持（Outperform）：相对强于市场表现5％～20％；

中性 (Neutral) ：相对市场表现在－5％～＋5％之间波动；

减持 (Underperform) ：相对弱于市场表现5％以下。

行业的投资评级：

以报告日后的6个月内，行业相对于市场基准指数的涨跌幅为标准，定义如下：

看好（Overweight）：行业超越整体市场表现；

中性 (Neutral) ：行业与整体市场表现基本持平；

看淡 (Underweight) ：行业弱于整体市场表现。

我们在此提醒您，不同证券研究机构采用不同的评级术语及评级标准。我们采用的是相对评级体系，表示投资的相对比重建议；投资者买入或者卖出证券的决定取决于个人的实际情况，比如当前的持仓结构以及其他需要考虑的因素。投资者应阅读整篇报告，以获取比较完整的观点与信息，不应仅仅依靠投资评级来推断结论。申银万国使用自己的行业分类体系，如果您对我们的行业分类有兴趣，可以向我们的销售员索取。

本报告采用的基准指数：沪深300指数

法律声明

本报告仅供上海申银万国证券研究所有限公司（以下简称“本公司”）的客户使用。本公司不会因接收人收到本报告而视其为客户。客户应当认识到有关本报告的短信提示、电话推荐等只是研究观点的简要沟通，需以本公司 http://www.swsresearch.com 网站刊载的完整报告为准，本公司并接受客户的后续问询。本报告首页列示的联系人，除非另有说明，仅作为本公司就本报告与客户的联络人，承担联络工作，不从事任何证券投资咨询服务业务。

本报告是基于已公开信息撰写，但本公司不保证该等信息的准确性或完整性。本报告所载的资料、工具、意见及推测只提供给客户作参考之用，并非作为或被视为出售或购买证券或其他投资标的的邀请或向人作出邀请。本报告所载的资料、意见及推测仅反映本公司于发布本报告当日的判断，本报告所指的证券或投资标的的价格、价值及投资收入可能会波动。在不同时期，本公司可发出与本报告所载资料、意见及推测不一致的报告。

客户应当考虑到本公司可能存在可能影响本报告客观性的利益冲突，不应视本报告为作出投资决策的惟一因素。客户应自主作出投资决策并自行承担投资风险。本公司特别提示,本公司不会与任何客户以任何形式分享证券投资收益或分担证券投资损失，任何形式的分享证券投资收益或者分担证券投资损失的书面或口头承诺均为无效。本报告中所指的投资及服务可能不适合个别客户，不构成客户私人咨询建议。本公司未确保本报告充分考虑到个别客户特殊的投资目标、财务状况或需要。本公司建议客户应考虑本报告的任何意见或建议是否符合其特定状况，以及（若有必要）咨询独立投资顾问。在任何情况下，本报告中的信息或所表述的意见并不构成对任何人的投资建议。在任何情况下，本公司不对任何人因使用本报告中的任何内容所引致的任何损失负任何责任。市场有风险，投资需谨慎。若本报告的接收人非本公司的客户，应在基于本报告作出任何投资决定或就本报告要求任何解释前咨询独立投资顾问。

本报告的版权归本公司所有，属于非公开资料。本公司对本报告保留一切权利。除非另有书面显示，否则本报告中的所有材料的版权均属本公司。未经本公司事先书面授权，本报告的任何部分均不得以任何方式制作任何形式的拷贝、复印件或复制品，或再次分发给任何其他人，或以任何侵犯本公司版权的其他方式使用。所有本报告中使用的商标、服务标记及标记均为本公司的商标、服务标记及标记。

StartYourFinance

起点财经，网罗天下报告

计算机行业智联汽车系列之31暨机器人系列之10：具身智能深度研究，解耦还是耦合？从AI化到工程化！-20230820-申万宏源-37页