“泛化”能力直接决定了机器人应用的天花板。宇树科技创始人兼CEO王兴兴表示，人形机器人面临的最大挑战是AI泛化能力不足，提前训练过的特定场景中，成功率可达100%，一旦更换场景，便急剧下跌。我们认为，泛化能力弱的机器人就像人类的““提线木偶”，在训练分布之外的新样本/新条件上难以保持性能，置身人类社会多样的环境，商业价值有限。 曙光：π0.5、π0.7、Dyna-2等模型验证机器人存在泛化。可喜的是，我们在机器人产业中注意到““泛化”存在的证据：1）语义泛化（RT-2）：能从视觉-语言预训练中迁移机器人数据中完全不存在的语义知识，如““将可乐罐挪动到字母X卡片旁边”；2）环境泛化（π0.5）：能清理没在训练数据中见过的新家中的厨房或卧室；3）组合泛化（π0.7）：能将不同任务中的技能直接整合起来，从而解决新的问题，比如使用新的厨房设备，甚至让机器人完成洗衣服的任务——而训练数据中没有关于如何洗衣服的数据；4）跨本体泛化（π0.7）：两个带有Robotiq并联夹持器的UR5e工业手臂能像训练中的静态双手动机器人一样折叠衣物，成功率与那些在原始机器人上接受过相关训练的人类远程操作员的““零尝试”成功率一致。 对照：机器人当前处于GPT-2与GPT-3之间。GPT各代模型经历了从“专用任务能力”向““跨分布迁移能力”的演进。我们认为，做一个模糊比较，当前机器人接近GPT-3水平，原因是：1）π0.7开始根据语言指令调用和组合不同技能，面对没有完整示范的新任务也能作出合理尝试，这比GPT-2更进一步；2）π0.7在只有一句指令时通常只能完成部分任务，要实现更加稳定的自主执行，仍需要逐步语言指导，甚至需要利用多次指导数据对高层策略进行微调，才能够自行生成语言子目标，而GPT-3原则上不需要更新模型参数，仅依靠上下文中的少量示例即可调整任务行为。 挑战：当前机器人泛化存在的问题与归因。当前机器人泛化能力的局限可以进一步归纳为三个层面：1、实际任务执行能力距离商用仍然较远，π0.5单次执行物品放进抽屉、把衣服放入洗衣篮、把餐具放入水槽等任务通常持续约2—5分钟；2、第三方独立验证仍不充分，能力较强的π0.7尚未开源，第三方难复现；3）不同研究的泛化评测口径尚未统一。我们认为，当前机器人泛化增强的障碍主要是：1）模型侧：当前机器人基础模型路线尚未收敛，究竟是VLA，还是世界模型，还是其他““具身原生”模型，尚未有定论。其中，VLA当前仍是主流，但业界在不断探索利用世界模型，来预测机器人所处环境的下一个状态、甚至是机器人自身的动作会如何改变所处环境，如2026年8月发布的Dyna-2，宣称使用世界模型比VLA效果更佳。2）数据侧：在数据金字塔中，真机数据价值量最高，但也最难获取，而较容易获取的人类视频数据，有效性仍然有待验证。 展望：机器人的ChatGPT时刻与实现路径。关于机器人的ChatGPT时刻，““能力强”和““使用门槛低”是产业公认的两大关键要素，另外，多位行业人士预言机器人将在未来5年内接近ChatGPT时刻。而在实现路径上，部分产业人士提出机器人GPT时刻或需1亿小时量级数据；部分则认为应用““部署量”期待新场景适配成本下降。我们注意到，当前已经在泛化上取得进展的机器人模型主要是在“数据”上发力，例如使用异构数据训练、使用人类视频数据、使用有针对性的数据、使用更多数据等等。 投资建议：在迎接机器人ChatGPT时刻的路上，建议关注：1）整机：越疆、优必选、仙工智能等；2）芯片：地平线等；3）核心零部件：奥比中光、步科股份、来福谐波等。 风险提示：机器人模型进展不及预期，机器人数据采集进展不及预期，机器人硬件技术提升不及预期。[国盛证券有限责任公司] 今日最新研究报告

提示：本文属于研究报告栏目，仅为机构或分析人士对一只股票的个人观点和看法，并非正式的新闻报道，本网不保证其真实性和客观性，一切有关该股的有效信息，以沪深交易所的公告为准，敬请投资者注意风险。