gubit.cn-股比特.中国

查股网

 
688787(海天瑞声)最新价值分析报告
 

查询最新价值分析报告(输入股票代码):

研报评级☆ ◇688787 海天瑞声 更新日期:2026-11-18◇ 通达信沪深京F10 ★本栏包括【1.投资评级统计】【2.盈利预测统计】【3.盈利预测明细】【4.研报摘要】 【5.机构调研】 【1.投资评级统计】最新评级日期:2026-05-13 时间段 买入评级次数 增持评级次数 中性评级次数 减持评级次数 卖出评级次数 评级次数合计 ──────────────────────────────────────────────── 1年内 2 1 0 0 0 3 ──────────────────────────────────────────────── 【2.盈利预测统计】 暂无数据 【3.盈利预测明细】 暂无数据 【4.研报摘要】 暂无数据 【5.机构调研】(近6个月) 参与调研机构:97家 ──────┬────────────────────────────────────────────── 2026-11-09│海天瑞声(688787)2026年11月9日投资者关系活动主要内容 ──────┴────────────────────────────────────────────── 1、物理 AI、具身智能相关产业发展将给公司带来哪些业务机遇? 答:当前具身智能发展的核心瓶颈之一,是高质量物理交互数据供给不足。通用大模型擅长上层任务规划,但机器人 动作控制、力反馈等物理执行环节,高度依赖高质量交互数据训练,行业普遍认可“通用大模型负责认知、专用具身模型 负责执行” 的混合架构路线。 从数据体量来看,目前市场上可用的高质量具身数据大概仅百万小时量级,而对标 GPT-3 的能力底座,具身模型想 要达到相近能力水平,预计需要上亿小时级别的有效数据,供需缺口十分突出。 我们已经落地多个具身智能项目,可为客户提供数据方案设计、采集、标注与评测全链条服务。我们看好后续行业需 求释放,但同时也要客观看到,高标准具身数据的采集、质控门槛高,交付上存在产能配套压力。 2、公司是世界数据组织七家发起理事单位之一,请介绍参与该组织的工作内容,对公司价值如何? 答:世界数据组织(WDO)是今年3月在北京成立、非政府非营利的国际性专业组织,宗旨是弥合数据鸿沟、释放数据 价值、繁荣数字经济。作为发起单位,也是 AI 数据赛道为数不多的企业代表,我们主要参与几项工作:一是参与数据质 量、数据生产、合规流通相关行业标准与规范研讨;二是参与国际产业交流,分享我们在多语种、多模态训练数据领域规 模化落地的实践经验;三是协同会员单位搭建跨境数据合作、能力建设的沟通平台。 客观来看,这项参与更多体现中长期价值。一方面,有助于我们持续跟进全球数据治理、跨境数据合规的共识方向; 另一方面,也有利于我们在国际行业生态里建立交流渠道,为跨境相关业务的合规开展创造良好的沟通环境。 3、公司在东南亚的布局目前进展如何?后续在业务方向上有哪些规划? 答:公司东南亚布局多个国家的合作点位,菲律宾、印尼为已经定点落地的基地,人员规模随项目动态调整,历史主 要服务海外互联网客户的数据标注、审核业务。后续规划将部分海外产能逐步转向承接具身智能第一视角采集业务,优先 完成采集环节,后续随业务进展情况扩大业务链条及服务规模。 4、市场讨论反蒸馏、后训练、物理 AI 趋势,这些变化会对数据服务行业带来什么影响? 答:反蒸馏的本质是模型厂商收紧对自身推理数据的控制,靠“套取”他人输出来获取训练数据的路径在收窄。这客 观上倒逼模型公司转向合规、可采购的高质量数据源,对具备正规数据生产能力的服务商是结构性利好。后训练阶段的需 求变化更直接:模型从学习语言规律转向对齐人类偏好,需要的不再是海量通用语料,而是细粒度、专家级、能区分“好 与差”的偏好数据,难例和长尾场景的标注价值远超常规样本。物理 AI 则把数据要求推向了新的维度——具身模型需要 的是包含视觉、关节位姿、力觉和触觉的时序关联数据,行业预计成熟具身大模型所需数据至少上亿小时级,而当前高质 量训练数据仅数十万至百万小时,缺口较大。 5、在具身智能不同数据路线,例如 Ego、UMI、真机遥操作,公司如何选择,业务落地节奏如何? 答:公司不会替客户定义技术路线,主要跟随下游客户实际需求开展交付。从行业需求结构看,Ego 第一视角数据占 比最高;UMI 异构数据因部署便捷性,需求占比快速提升;真机遥操作占比相对更小。 公司因项目承接时间较早,在手 订单结构里真机遥操作占比相对行业整体更高。公司偏好承接技术门槛更高的项目,这个策略也会使得公司订单结构与行 业平均结构存在一定差异。 6、公司做物理 AI 数据业务,核心竞争力体现在哪些地方? 答:第一是场景落地能力;其次是对硬件、具身算法的理解驾驭能力;同时依托公司 21 年沉淀的数据工程能力,还 要持续夯实完善的数据合规体系。 场景落地我们有实际案例,某地方项目曾调动近千名采集人员,联动政府、街道对接各类场景资源;也具备医院、学 校这类准入门槛高、涉及隐私安全机构的对接落地能力。另外我们和清华大学官方的具身智能与机器人研究院深度合作, 获得算法层面支撑,叠加全球化资源池,形成业务协同。 7、目前物理 AI 数据业务的客户覆盖和标杆项目进展如何? 答:客户层面主要分为三类,人形机器人企业、科技大厂内部具身团队以及车企。 代表性客户包括智元、极佳视界等。标杆项目方面,2026年春节后我们承接智元真机摇操订单,服务超100 台本体的 数据采集工作,经过3个月爬坡,实现稳定运行后快速扩容至数百台,下一阶段目标冲击千台规模。另外,我们和国内头 部世界模型企业极佳视界,已经在真机遥操方向深度合作,后续计划将拓展到Ego第一视角数据,同时探讨模型落地层面 的配套方案。 ───────────────────────────────────────────────────── 参与调研机构:14家 ──────┬────────────────────────────────────────────── 2026-11-02│海天瑞声(688787)2026年11月02日投资者关系活动主要内容 ──────┴────────────────────────────────────────────── 1、请介绍物理 AI 数据业务的行业大背景,公司布局该业务的核心逻辑是什么? 答:对比大语言模型 LLM,物理 AI 目前最大的痛点是数据缺口远大于 LLM,产业想要加速突破,必须在数据端实现 突破。同时国家数据集团成立,将服务人工智能发展纳入主责主业,数据要素产业从建立规则进入运营落地阶段,供需两 端都迎来加速窗口。基于行业机遇,公司正式布局物理 AI 也就是具身智能训练数据业务,发挥我们多年的数据工程能力 ,切入产业缺口。 2、目前物理 AI 数据业务的客户覆盖和标杆项目进展如何? 答:客户层面主要分为三类,人形机器人企业、科技大厂内部具身团队以及车企。 代表性客户包括智元、极佳视界等。标杆项目方面,2026年春节后我们承接智元真机摇操订单,服务超100 台本体的 数据采集工作,经过3个月爬坡,实现稳定运行后快速扩容至数百台,下一阶段目标冲击千台规模。另外,我们和国内头 部世界模型企业极佳视界,已经在真机遥操方向深度合作,后续计划将拓展到Ego第一视角数据,同时探讨模型落地层面 的配套方案。 3、当前物理AI数据业务主要业务形态是什么?行业采集技术路线发生了怎样的迭代变化? 答:现阶段业务以具身数据采集为主,标注业务也已经启动。物理 AI 本身具备特殊物理属性,采集环节需要攻克稀 缺场景对接、硬件适配驾驭、大规模批量落地三大难题。 行业采集路线迭代节奏比较清晰:2026 上半年行业主流是室内真机遥操、搭建模拟场景;5?6 月行业快速转向 Ego 第一视角,依旧以室内场景为主;7?8 月至今,不少客户开始走向真实线下场景开展采集。一线客户反复提到,场景化数 据是提升机器人出货、拓展落地场景的关键。 4、仿真、Ego、UMI、真机遥操这几条技术路线,公司怎么看待各自定位、占比以及优劣势? 答:仿真数据目前整体占比很小,未来更多是作为补充。 Ego 路线实施相对简单,更容易适配海量真实场景做规模化落地,我们判断它标品复用潜力最高,未来有望支撑较高 毛利。 UMI 路线我们定义为行业中间过渡形态。 真机遥操产出的数据属于 “金标准”,当前在我们的有效小时产出中占比 20% 以上;但短板也很突出,机器人本体 重量普遍接近 200 公斤,电池功率数倍于民用电瓶车,在室内做规模化采集的安全、落地阻力很大,硬件物理约束最强 ,同时也是三类里面单价最高的。 5、业务开展中硬件如何处理?产能现状和后续扩产空间怎么样? 答:如果客户自身已经具备成熟硬件,优先使用客户硬件;商务模式分为采购、租赁、代采三种。评判硬件是否合格 ,唯一标准就是产出的数据能不能满足客户模型训练、验证要求。 产能上,不同设备有效产出不一样:Ego 设备单班 8 小时有效产出 3?4 小时,UMI 设备约 3 小时以上,真机遥操 约 2 小时以上,设备支持两班倒作业。目前三类采集方式合计单月有效小时产能已经突破一万小时,对应年产能 15?20 万小时。待各条模式跑通成熟,后续扩产难度较低。 6、公司做物理 AI 数据业务,核心竞争力体现在哪些地方? 答:第一是场景落地能力;其次是对硬件、具身算法的理解驾驭能力;同时依托公司 21 年沉淀的数据工程能力,还 要持续夯实完善的数据合规体系。 场景落地我们有实际案例,某地方项目曾调动近千名采集人员,联动政府、街道对接各类场景资源;也具备医院、学 校这类准入门槛高、涉及隐私安全机构的对接落地能力。另外我们和清华大学官方的具身智能与机器人研究院深度合作, 获得算法层面支撑,叠加全球化资源池,形成业务协同。 7、海外业务筹备与推进情况如何? 答:东南亚基地原有人员规模扩充到 1300?1500 人,原本服务传统大模型标注,现在同步筹备具身业务。当地已经 完成场景储备,覆盖雅加达及周边连锁商超、餐厅、高校、医院;后续将推进合规出海。北美市场同步推进,已经和当地 两家头部科技大厂开启 Ego 数据业务需求沟通。 8、具身数据业务在成本以及数据资产方面有什么特点? 答:现阶段具身数据以高清视频为主,存储资源消耗大。但是我们自主采集的数据具备长期复用价值,如果打磨成为 标准化产品,会成为高毛利业务的重要支撑,其中 Ego 数据标品化潜力最高。 9、投资者跟踪具身业务,可以重点关注哪些核心指标? 答:分为需求端和供给端。 需求端,重点跟踪具身基座、世界模型企业(包括北美厂商)对有效小时数据的需求量,这个指标直接对应潜在订单 规模。 供给端,一是各家厂商单月有效小时产出,以及 Ego、真机遥操、UMI 三者的结构占比;二是产出数据集的场景丰富 度,场景丰富度直接决定数据对模型训练的实际价值。 10、通用大模型能力提升,会对物理 AI 行业带来什么影响? 答:类似 GPT?6 Astra 这类通用大模型,如果在具身顶层规划能力实现突破,有可能把具身智能商业化落地的时间 节点往前推动。但即便通用大模型能力很强,工业、专业场景容错标准很高,仍然需要具身企业自研垂域模型,搭配高质 量专家动作数据做微调优化。 ───────────────────────────────────────────────────── 参与调研机构:71家 ──────┬────────────────────────────────────────────── 2026-10-26│海天瑞声(688787)2026年10月26日投资者关系活动主要内容 ──────┴────────────────────────────────────────────── 1、请介绍物理 AI 数据业务的行业大背景,公司布局该业务的核心逻辑是什么? 答:对比大语言模型 LLM,物理 AI 目前最大的痛点是数据缺口远大于 LLM,产业想要加速突破,必须在数据端实现 突破。同时国家数据集团成立,将服务人工智能发展纳入主责主业,数据要素产业从建立规则进入运营落地阶段,供需两 端都迎来加速窗口。基于行业机遇,公司正式布局物理 AI 也就是具身智能训练数据业务,发挥我们多年的数据工程能力 ,切入产业缺口。 2、目前物理 AI 数据业务的客户覆盖和标杆项目进展如何? 答:客户层面主要分为三类,人形机器人企业、科技大厂内部具身团队以及车企。 代表性客户包括智元、极佳视界等。标杆项目方面,2026年春节后我们承接智元真机摇操订单,服务超100 台本体的 数据采集工作,经过3个月爬坡,实现稳定运行后快速扩容至数百台,下一阶段目标冲击千台规模。另外,我们和国内头 部世界模型企业极佳视界,已经在真机遥操方向深度合作,后续计划将拓展到Ego第一视角数据,同时探讨模型落地层面 的配套方案。 3、当前物理AI数据业务主要业务形态是什么?行业采集技术路线发生了怎样的迭代变化? 答:现阶段业务以具身数据采集为主,标注业务也已经启动。物理 AI 本身具备特殊物理属性,采集环节需要攻克稀 缺场景对接、硬件适配驾驭、大规模批量落地三大难题。 行业采集路线迭代节奏比较清晰:2026 上半年行业主流是室内真机遥操、搭建模拟场景;5?6 月行业快速转向 Ego 第一视角,依旧以室内场景为主;7?8 月至今,不少客户开始走向真实线下场景开展采集。一线客户反复提到,场景化数 据是提升机器人出货、拓展落地场景的关键。 4、仿真、Ego、UMI、真机遥操这几条技术路线,公司怎么看待各自定位、占比以及优劣势? 答:仿真数据目前整体占比很小,未来更多是作为补充。 Ego 路线实施相对简单,更容易适配海量真实场景做规模化落地,我们判断它标品复用潜力最高,未来有望支撑较高 毛利。 UMI 路线我们定义为行业中间过渡形态。 真机遥操产出的数据属于 “金标准”,当前在我们的有效小时产出中占比 20% 以上;但短板也很突出,机器人本体 重量普遍接近 200 公斤,电池功率数倍于民用电瓶车,在室内做规模化采集的安全、落地阻力很大,硬件物理约束最强 ,同时也是三类里面单价最高的。 5、业务开展中硬件如何处理?产能现状和后续扩产空间怎么样? 答:如果客户自身已经具备成熟硬件,优先使用客户硬件;商务模式分为采购、租赁、代采三种。评判硬件是否合格 ,唯一标准就是产出的数据能不能满足客户模型训练、验证要求。 产能上,不同设备有效产出不一样:Ego 设备单班 8 小时有效产出 3?4 小时,UMI 设备约 3 小时以上,真机遥操 约 2 小时以上,设备支持两班倒作业。目前三类采集方式合计单月有效小时产能已经突破一万小时,对应年产能 15?20 万小时。待各条模式跑通成熟,后续扩产难度较低。 6、公司做物理 AI 数据业务,核心竞争力体现在哪些地方? 答:第一是场景落地能力;其次是对硬件、具身算法的理解驾驭能力;同时依托公司 21 年沉淀的数据工程能力,还 要持续夯实完善的数据合规体系。 场景落地我们有实际案例,某地方项目曾调动近千名采集人员,联动政府、街道对接各类场景资源;也具备医院、学 校这类准入门槛高、涉及隐私安全机构的对接落地能力。另外我们和清华大学官方的具身智能与机器人研究院深度合作, 获得算法层面支撑,叠加全球化资源池,形成业务协同。 7、海外业务筹备与推进情况如何? 答:东南亚基地原有人员规模扩充到 1300?1500 人,原本服务传统大模型标注,现在同步筹备具身业务。当地已经 完成场景储备,覆盖雅加达及周边连锁商超、餐厅、高校、医院;后续将推进合规出海。北美市场同步推进,已经和当地 两家头部科技大厂开启 Ego 数据业务需求沟通。 8、具身数据业务在成本以及数据资产方面有什么特点? 答:现阶段具身数据以高清视频为主,存储资源消耗大。但是我们自主采集的数据具备长期复用价值,如果打磨成为 标准化产品,会成为高毛利业务的重要支撑,其中 Ego 数据标品化潜力最高。 9、投资者跟踪具身业务,可以重点关注哪些核心指标? 答:分为需求端和供给端。 需求端,重点跟踪具身基座、世界模型企业(包括北美厂商)对有效小时数据的需求量,这个指标直接对应潜在订单 规模。 供给端,一是各家厂商单月有效小时产出,以及 Ego、真机遥操、UMI 三者的结构占比;二是产出数据集的场景丰富 度,场景丰富度直接决定数据对模型训练的实际价值。 10、通用大模型能力提升,会对物理 AI 行业带来什么影响? 答:类似 GPT?6 Astra 这类通用大模型,如果在具身顶层规划能力实现突破,有可能把具身智能商业化落地的时间 节点往前推动。但即便通用大模型能力很强,工业、专业场景容错标准很高,仍然需要具身企业自研垂域模型,搭配高质 量专家动作数据做微调优化。 ───────────────────────────────────────────────────── 参与调研机构:1家 ──────┬────────────────────────────────────────────── 2026-10-09│海天瑞声(688787)2026年10月9日投资者关系活动主要内容 ──────┴────────────────────────────────────────────── 1、151*****096问海天瑞声董事、总经理李科:李总好,定增批文已取得,想请教发行时间窗口和投资者接触节奏? 另外大模型训练数据需求的持续性,以及海外收入的增长预期如何?会后希望向您请教资本规划。 答:董事、总经理李科答:尊敬的投资者,您好: 截止目前,公司不存在您说的“定增”情形。 AI产业对于训练数据的需求不是阶段性现象,而是伴随AI产业从“技术突破”迈向“规模化落地”的长期结构性趋势 。当前行业正从预训练向“后训练+垂类适配”延伸,对高质量、场景化、多模态数据的需求密度和复杂度都在提升,高 质量语料的稀缺性反而在加剧。我们在具身智能、自动驾驶等方向的布局,正是对这一趋势的主动响应。 海外方面,公司持续维护海外客户、拓展海外相关业务机会,并始终重视全球化交付能力的建设,东南亚数据交付基 地已进入稳定运营阶段,为服务国际客户提供了产能支撑。具体收入、资本规划情况请以公司后续定期报告、以及相关公 开披露信息为准。 2、153*****705问海天瑞声董事、副总经理、财务负责人吕思遥:看到 2026 半年报公司收入实现较快增长,想了解 支撑这一轮收入增长的核心驱动是什么 答:董事、副总经理、财务负责人吕思遥答:尊敬的投资者:您好,收入增长主要是因为全球多模态大模型持续迭代 落地,AI 应用场景加速商业化,公司传统数据服务与新兴平台类业务实现同步增长。一方面,伴随视觉大模型在文生视 频、智能驾驶等方向快速落地,计算机视觉相关训练数据需求旺盛,带动公司计算机视觉业务增长;智能语音业务则受益 于国内模型企业全球化布局、人机交互体验升级趋势,多语种语音识别、多音色多情感语音合成类数据订单带动智能语音 需求持续扩容,公司依托长期积累的数据生产与质量管控能力,持续承接国内外头部科技企业的训练数据需求。另一方面 ,在《可信数据空间发展行动计划(2024—2028年)》等政策指引与市场需求共振下,公司ToG可信数据空间业务取得里 程碑式突破。在2025年市场试点基础上,公司依托深厚的数据技术壁垒与成熟的数据服务落地能力,与国家级数据标注试 点城市达 成深度合作,输出全栈式可信数据空间综合解决方案,助力地方构建安全可控、合规流通的数据 要素基础设施 ,推动区域数据资源资产化、价值化落地。 3、186*****155问海天瑞声董事、总经理李科:请问李总站在产业实操角度,当前数据价值流通各个环节,最主要的 痛点和堵点有哪些? 答:董事、总经理李科答:尊敬的投资者,您好: 数据价值流通中主要的痛点和堵点如下: (1)数据产权确权难 数据所有权、使用权等权属界定模糊,产权不明晰导致企业不敢触碰灰色地带数据,易引发纠纷。中央虽已出台产权 顶层设计,但具体制度尚未落地。 (2)定价机制缺失 数据价值评估缺乏共性标准,定价权归属不明确,买卖双方难以达成合理价格,尤其非标数据的场景价值动态匹配仍 是难题。 (3)数据孤岛与流通壁垒 大量数据分散在不同主体手中,跨行业、跨领域的数据融合存在隐形壁垒,无法有效打通。公共数据占比超75%,但 开放利用不足。 (4)安全合规顾虑 数据持有方普遍存在合规焦虑、安全焦虑和价值焦虑,担心触碰监管红线、原始数据泄露或数据被低价使用。法律层 面重安全规制、轻流通促进。 (5)技术能力制约 部分场景数据需求现有技术(人工标注、人机协同、自动化处理等)无法满足,隐私计算、区块链等技术与实际场景 融合深度有待加强。 4、183*****012问海天瑞声董事、总经理李科:从公司业务实践视角,数据要素产业完整的商业化路径是怎样的? 答:董事、总经理李科答:尊敬的投资者:您好,数据要素产业的商业化路径主要通过三类主体协同实现: 一是数据交易所,提供合规保障、标准建设、生态培育等综合服务,推动数据产品流通交易。二是数据流通服务平台 企业,聚焦行业领域,围绕产业链、生态链以价值共创方式促进数据流通利用。三是数据商,负责开发数据产品和服务, 建设高质量数据集,深度挖掘场景价值。 从价值转化链条看,数据需经过要素化→资源化→产品化→资产化→资本化的完整路径,最终通过数据资产入表、质 押融资、证券化等方式实现商业价值变现。 5、173*****756问海天瑞声董事会秘书张哲:公司布局具身智能数据业务,和同行相比,核心竞争优势体现在哪些方 面? 答:董事会秘书张哲答:尊敬的投资者:您好,具身智能业务领域,公司优势体现在以下三个方面: (1)硬件理解+驾驭壁垒:通过头部主流本体厂商合作经验,深度理解本体硬件性能特性、负载逻辑与异构适配要点 ,可快速解决硬件高故障率与稳定性问题;已在北京运营首个具身智能数据训练场,依托百台机器人实现高效数据产出。 (2)模型理解与落地壁垒:核心团队拥有大模型开发等资深背景,懂模型更懂数据;数据体系精准对齐机器人大脑 训练范式,提供具备高泛化能力的数据解决方案,支撑具身大脑模型训练。 (3)综合数据工程化壁垒:不仅具备全球化数据采集与低成本交付资源;同时,自研的AI自动化标注平台与实时算 法质检,兼顾低成本与专家级质量 ───────────────────────────────────────────────────── 参与调研机构:33家 ──────┬────────────────────────────────────────────── 2026-06-08│海天瑞声(688787)2026年6月8日投资者关系活动主要内容 ──────┴────────────────────────────────────────────── 1、一季度公司毛利率提升的原因是什么? 答:2026年第一季度公司毛利率同比提升,主要得益于业务结构的积极变化,具体来说:高毛利的政府平台类业务在 本季度显著起量。政府(G端)客户的可信数据空间建设,核心是提供标准化程度较高的数据处理平台及方案,相比传统 定制化的数据采集与标注业务,其人力密集程度更低、交付周期更短、边际成本递减效应更明显,因此毛利率水平更高。 2026年第一季度,随着公司前期在G端市场的全面布局进入收获期,这部分高毛利业务在收入结构中的占比明显提升 ,从而带动了整体毛利率的增长。 2、后训练和强化学习阶段,对数据标注需求有哪些变化? 答:在后训练和强化学习(RLHF/GRPO)阶段,模型的目标从“预训练期学会语言统计规律”转向“对齐人类偏好, 这对标注数据的需求产生了深刻变化。 (1)从“量”到“质”与“复杂度”的转变 后训练阶段不再需要海量的原始文本,转而需要高质量、细粒度、领域专家级的标注数据。例如,SFT(监督微调) 依赖精确的“标准答案”,而RL训练则需要能区分“好/较好/差”的偏好排序数据。 (2)聚焦“难例”与“长尾”场景 在RL阶段,“难例”(模型初始成功率低的数据)的价值远超易例,且能极大增强模型的泛化能力。标注重点从普遍 规律转向稀缺、复杂的边界案例。 3、公司在具身数据领域的核心竞争优势是什么? 答:(1)硬件理解+驾驭壁垒:通过头部主流本体厂商合作经验,深度理解本体硬件性能特性、负载逻辑与异构适配 要点,可快速解决硬件高故障率与稳定性问题;已在北京运营首个具身智能数据训练场,依托100+台机器人实现高效数据 产出。 (2)模型理解与落地壁垒:核心团队拥有大模型开发等资深背景,懂模型更懂数据;数据体系精准对齐机器人大脑 训练范式,提供具备高泛化能力的数据解决方案,支撑具身大脑模型训练。 (3)综合数据工程化壁垒:不仅具备全球化数据采集与低成本交付资源;同时,自研的AI自动化标注平台与7×24小 时算法质检,兼顾低成本与专家级质量。 4、不同机器人公司之间,是否存在可以共用的数据? 答:不同机器人公司之间确实存在可以共用的数据,但需要区分数据类型来看。 目前数据主要分为三类:真机数据、UMI数据、第一人称视角数据。 从共用难度来看,真机数据很难直接共用,而UMI和第一人称视角数据相对更容易跨本体迁移。UMI数据和第一人称视 角数据不绑定具体机器人的关节参数和运动学模型,采集的是“操作过程”本身,理论上可以被不同机器人学习和泛化。 为什么真机数据很难共用?主要有2个原因: 一是硬件本体不统一。不同厂家机器人关节数量、自由度、末端执行器各不相同,A公司的“抓取”数据没法直接拿 去训练B公司的机械臂。 二是数据格式各自为政,行业缺乏统一的标准和“通用语言”。 所以行业正在推动的是:让UMI和第一人称这类“本体无关”的数据更多流通共用,同时通过技术对齐和标准统一, 逐步解决真机数据的跨本体迁移问题。 5、具身智能数据服务的需求逻辑? 答:具身智能的核心在于赋予机器人具备理解与泛化能力的‘大脑’。这不仅是代码的堆砌,而是类似大模型‘涌现 ’的范式变革。由于当前仿真环境无法完美模拟物理接触与长尾场景,海量、高泛化度的真实物理交互数据成为训练具身 大脑的唯一‘燃料’,这是具身智能区别于传统自动化的根本逻辑。 6、具身客户为何不自己做数据,而选择外部采购? 答:数据工程是一项重人力、重流程、重管理的‘苦活累活’,并非算法厂商的核心基因。自建数据团队不仅边际成 本高,且难以应对波峰波谷的弹性需求。我们定位为“具身智能行业的数据富士康”,通过规模化、标准化、可伴随客户 迭代而同步迭代的整体数据供应链能力,帮助客户剥离非核心业务,使其聚焦于算法与本体研发,实现产业分工的最优解 。 7、具身智能数据赛道能做多久,是否像智驾一样只有短期机会? 答:这是一个比自动驾驶更长、更宽的赛道。正如李飞飞教授所言,自动驾驶主要解决避障与导航,而具身智能需要 解决非结构化环境下的复杂物理交互。当前我们甚至还未穷尽场景的定义,数据需求将伴随机器人进家庭、进工厂的全过 程。我们定位为全行业的数据基础设施,旨在伴随行业全生命周期成长,而非短期套利 ───────────────────────────────────────────────────── 〖免责条款〗 1、本公司力求但不保证提供的任何信息的真实性、准确性、完整性及原创性等,投资者使 用前请自行予以核实,如有错漏请以中国证监会指定上市公司信息披露媒体为准,本公司 不对因上述信息全部或部分内容而引致的盈亏承担任何责任。 2、本公司无法保证该项服务能满足用户的要求,也不担保服务不会受中断,对服务的及时 性、安全性以及出错发生都不作担保。 3、本公司提供的任何信息仅供投资者参考,不作为投资决策的依据,本公司不对投资者依 据上述信息进行投资决策所产生的收益和损失承担任何责任。投资有风险,应谨慎至上。

www.gubit.cn & ddx.gubit.cn 查股网提供数据 商务合作广告联系 QQ:767871486