【国信计算机】物理AI行业深度报告-技术路径基本成熟，受益于工业智能化及自动化需求

报告发布日期：2026年10月25日

报告名称：《物理AI行业深度报告-技术路径基本成熟，受益于工业智能化及自动化需求》

证券分析师：熊莉（S0980519030002）

联系人：侯睿

核心观点

从语言走向非语言，从计算走向非计算，VLA+世界模型路径基本成熟。随着语言模型能力的不断成熟，行业开始将视觉识别与物理动作执行相结合，发展出了视觉-语言-动作模型，即VLA模型。以OpenVLA模型为例，它的核心工作流程可以简化为三个连贯的步骤：1）接收信息，模型会同时处理输入的图像和文本信息，将它所看到的画面内容与收到的自然语言指令建立起准确的对应关系；2）逻辑推理，系统以大语言模型为核心，利用其通用的逻辑处理能力，对接收到的画面和文字信息进行综合分析与计算，判断需要采取的对策；3）动作执行。模型会将分析得出的结论，直接转化为具体的物理控制数据，从而指挥机器人等硬件设备完成实际的物理任务，通过这三个步骤，VLA模型成功实现了从理解外部环境到控制实体设备做出反应的完整过程。

智能驾驶：VLA+世界模型已经落地，市场向高端拓展。自动驾驶零部件是物理AI的核心载体，受益于自动驾驶渗透率提升，当前国内L2及以下市场自动驾驶渗透率基本饱和，市场向L2+及以上市场拓展，同时以自动驾驶出租车为代表的全无人驾驶车辆也有望为智能驾驶零部件带来全新增量。根据弗若斯特沙利文的资料，中国自动驾驶出行服务的市场规模预计2025年将达到0.7亿美元，并呈指数级增长，进一步增长至2030年的394亿美元及2035年的1,830亿美元。

智能工厂：“端-边-云”结构清晰，端侧放量在即。工业制造场景具备任务边界清晰、流程相对标准的特点，成为智能化技术落地的主要环境。与家庭、商业服务等高泛化场景相比，工业制造环境更可控、任务更高频、价值衡量更直接，更适合通过“部署-作业-数据回流-模型迭代”闭环的方式持续提升能力。短期看，具身智能将在封闭或半封闭工业任务中率先创造可量化的增效的价值；长期看，工业现场积累的高质量操作数据，也将反哺机器人智能化水平继续提升。

智能医疗：当前渗透率较低，处于加速落地阶段。智能医疗与作为具身智能应用的高价值潜力市场，正处于增量蓄势阶段。在医疗健康领域，具身智能应用已具备一定的商业化基础。傅利叶智能在全球三十多个国家部署了康复外骨骼和训练机器人；直觉外科的达芬奇系统年手术量超过230万例，国内微创医疗、天智航等企业亦在持续拓展相关市场。中长期维度上，医疗具身智能的演进方向将聚焦于康复训练个性化方案的自主生成以及手术辅助的自主操作。

智能基座：基座模型迭代更新加速，AI基座提供商有望充分受益。目前，国产头部软件厂商正逐步实现从算力、算法到模型训练平台的全栈自主可控。随着基础大模型向多模态与智能体方向升级，基座厂商不仅提供底层的API调用，更通过提供完整的开发者工具链和企业技能中台，降低下游企业构建复杂AI应用的门槛。从收入角度而言，基座模型厂商啊已初步形成B端+G端双收费制，基座模型创收渠道有望逐渐成熟。

风险提示：AI发展不及预期风险、市场竞争加剧风险、技术路径转变风险等

报告正文

一、VLA+世界模型，技术路径基本明确

1.1趋势一：基座模型迭代不断加速，模型智能不断提升

回顾人工智能的发展演进，2017年Transformer架构及自注意力机制的提出是一个重要技术节点，该架构有效提升了模型处理长序列数据的能力，为后续大模型的演进奠定了基础。

自2018年起，国内外主要科技企业相继推出其模型产品并保持常态化迭代。OpenAI的GPT系列经历了从早期版本到GPT-4、GPT-4o，以及后续推理模型（如o1、o3）和GPT-5系列的演化；Google的技术路径从BERT扩展至多模态的Gemini系列；Meta则通过Llama系列进行了开源模型的更迭。国内市场方面，阿里巴巴的Qwen系列、百度的文心系列以及DeepSeek等机构也保持了相应的研发节奏，在多种参数规模和模态上进行了技术布局。

目前人工智能的技术成果主要集中在五个核心领域：一是语言模型，涵盖语音与文本的处理；二是基于注意力机制的Transformer架构，其在强化语言处理功能的同时也展现出泛化能力；三是扩散模型，其通过学习数据加噪与逆向去噪的过程，形成了当前主流的生成式算法框架；四是图像生成，该领域在经过前期积累后，近两年在生成质量上取得了实质性进展；五是代码生成，系统逐步具备了自动化输出复杂代码段的能力，目前已经越发接近自然语言编程的目标。

Scaling law使得模型性能能够被线性外推，推动了大模型的诞生和落地。一方面，该定律为人工智能的研发提供了相对明确的工程化路径，使模型能力的提升具备了一定的可预测性，降低了技术路线的不确定性。另一方面，算力与高质量数据需求的增加，客观上提高了基础通用模型领域的研发门槛，使得相关技术资源逐步向具备规模化投入能力的机构集中，进而影响了当前人工智能行业的竞争格局。此外，基于对模型性能持续增长的预期，该理论促使行业参与者增加了相关的资本开支，带动了计算芯片、高速网络及数据中心等硬件产业链的系统性发展。Scaling law的具体内容如下：

1）对于Decoder-only的模型，计算量C,模型参数量N,数据大小D，三者满足:C≈6ND；2）模型的最终性能主要与计算量C，模型参数量N和数据大小D三者相关，而与模型的具体结构(层数/深度/宽度)基本无关；3）对于计算量C，模型参数量N和数据大小D，当其中任意两者资源充足，不形成瓶颈时，模型性能随剩余单一变量呈幂律关系,即模型性能与剩余单一变量满足固定乘方比例关系；4）为了提升模型性能，模型参数量N和数据大小D需要同步放大，但模型和数据分别放大的比例还存在争议；5）Scaling Law不仅适用于语言模型，还适用于其他模态以及跨模态的任务。

全球大模型迭代持续加速，模型综合能力跃升的同时推理成本下探，行业整体质价比迎来提升。从技术演进看，OpenAI经历了从GPT-4向推理模型o系列及GPT-5的演化，Google推出了Gemini多模态系列，Meta则通过Llama开源系列不断突破能力上限。这推动了前沿语言模型智能指数从2022年底的个位数迅速攀升至2026年下半年的60分以上。

与此同时，阿里巴巴的Qwen系列、百度的文心系列、DeepSeek以及智谱等国内机构不仅在参数规模与模态上紧跟前沿，也在定价策略上展现出竞争力。根据Artificial analysis数据，在模型能力与任务成本的对比中，GLM-5.0-Flash、DeepSeek V4 Pro、Qwen 3.0以及MiniMax等国产模型占据了智能指数大于40且单任务成本低于0.4美元性价比象限，其质价比整体高于海外同级别的闭源模型。这种高智能、低成本的结构性优势，有助于降低下游企业的API调用门槛与试错成本，从而推动国内AI应用更快落地。

1.2 趋势二：从语言走向非语言，从计算走向非计算，VLA+世界模型路径基本成熟

随着语言模型能力的不断成熟，行业开始将视觉识别与物理动作执行相结合，发展出了视觉-语言-动作模型，即VLA模型。以OpenVLA模型为例，它的核心工作流程可以简化为三个连贯的步骤：1）接收信息，模型会同时处理输入的图像和文本信息，将它所看到的画面内容与收到的自然语言指令建立起准确的对应关系；2）逻辑推理，系统以大语言模型为核心，利用其通用的逻辑处理能力，对接收到的画面和文字信息进行综合分析与计算，判断需要采取的对策；3）动作执行。模型会将分析得出的结论，直接转化为具体的物理控制数据，从而指挥机器人等硬件设备完成实际的物理任务，通过这三个步骤，VLA模型成功实现了从理解外部环境到控制实体设备做出反应的完整过程。

VLA模型确立了端到端的控制范式。1）在传统的自动驾驶或机器人领域，感知、预测与规划往往是分模块独立处理的；而VLA模型采用了统一的神经网络框架，能够直接接收并处理多种维度的输入信号，随后直接输出动作执行指令。这种架构大幅简化了系统的整体任务流程，有效减少了各模块之间信息传递的损耗，在提升运行效率的同时，也增强了系统应对复杂任务的灵活性；2）VLA模型具备跨物理实体的通用性。由于该技术建立在通用的大规模预训练模型之上，其底层算法在理论上不再局限于单一的硬件形态。无论是智能车辆、飞行器，还是其他形态的工业与服务机器人，经过特定场景的微调后，都有望接入这类统一的控制大脑。这种算法层面的通用性，为具身智能在各类实体产业中的规模化落地提供了技术基础。

此外，VLA模型展现出了极强的环境适应与逻辑推理能力。以谷歌推出的RT-2模型为例，当面对训练集中未曾出现过的新物体、新背景或新指令时，该模型依然能够表现出优秀适应能力。得益于底层语言模型提供的逻辑推理基础，它能够结合真实的物理环境做出合理的动作决策。在针对未见任务的平均测试中，搭载大语言模型的RT-2成功率可达约60%，较前代模型RT-1约30%的表现实现了大幅提升。同样地，在符号理解、逻辑推理及人类识别等综合技能的评估中，搭载大参数量视觉语言模型的RT-2任务平均成功率也接近60%。

1.3 趋势三：产业政策持续升温，产业融资逐渐增长

具身智能指的是基于物理实体的智能系统，其核心运行机制依赖于三大要素：1）感知，系统必须依托各类传感器（如机器的“眼、耳、身”）获取物理世界的真实信息；2）其次是交互，机器需要与周边环境及事物进行实时的动态互动；3学习，系统在感知与交互的过程中不断进化。具身智能的核心意义集中体现在三个方面：第一，让人类远离危险，例如在煤矿的深层采掘，或是大宗化工商品的冶炼等高危场景中替代人工；第二，去执行如极寒外太空等超越人类生理极限的任务；第三，将人类从高度重复的机械化劳动中解放出来。

在具体的产业指代上，具身智能泛指一切具备环境感知、逻辑决策与实体执行能力的自动化软硬件。下游覆盖人形机器人、智能工厂、自动驾驶、智能家居等领域中游包括核心算法、大模型、软件系统与系统集成领域，上游则覆盖核心硬件零部件算力芯片与数据基础设施领域，如激光雷达、毫米波雷达、算力芯片等。

2025年以来，我国具身智能产业政策持续升温，战略层级明显抬升。在国家层面，具身智能已被纳入2025年政府工作报告与“十五五”规划纲要，确立为国家未来产业的重点发展方向。工信部等部门先后出台了顶层标准体系与行业首份基准测试方法，规范了“感知-决策-执行”全链路能力评测，并依托“人工智能+”行动部署国家级中试基地与仿真平台建设。

在地方层面，产业正加速从单点突破转向系统布局。北京、上海、广东、杭州等地密集发布行动计划或地方法规，其中杭州已施行首部产业地方条例，探索沙盒监管。各地明确了2027年核心产业规模、量产台数等量化目标，并通过最高5000万元的项目资助、发放“语料券”等手段，强化资金与数据要素支持，推进特色产业集群建设。

二、具身智能落地行业梳理

1.1 智能驾驶：VLA+世界模型已经落地，市场向高端拓展

自动驾驶是指通过软硬件系统集成，在无人类驾驶员干预的情况下实现车辆自主行驶的技术。当前全球道路行驶车辆超14亿辆，相比于人工驾驶，自动驾驶具备以下三大优势：1）提升安全性：据统计，全球每年约有130万人死于交通事故，其中绝大多数由人为失误导致。自动驾驶系统通过多维度的传感器融合，在紧急情况下能比人类做出更全面、更迅速的判断，从而有效降低事故发生率，保障人身安全；2）降低运营成本：在客运及物流行业中，人工成本占据主要支出。若采用完全自动驾驶技术替代人类驾驶员，客运及物流行业的运营成本有望分别大幅降低约45%及25%。此外，系统通过更精确的路线规划与车辆控制，能显著提升燃油与能源经济性；3）提高交通效率：相较于人类司机，计算机监控下的车辆操控更为严谨。自动驾驶的大规模部署能够在很大程度上减少交通拥堵、优化整体道路通行效率，并将人类从繁琐的驾驶任务中解放出来，重新部署到其他行业。

在技术分级方面，业界普遍采用国际自动机工程师学会（SAE）的标准，将驾驶自动化程度划分为六个等级。整体上可归纳为两大阶段：“需要司机”的辅助驾驶阶段（人类驾驶员需时刻监控并随时接管车辆）以及“无需司机”的高级别自动驾驶阶段。

端到端模型是自动驾驶中常提到的基于Transformer架构的模型，它直接将车载传感器采集的原始数据输入单一模型，由网络内部计算并直接输出车辆的转向、加速和制动等控制指令。相比传统的分层架构，端到端模型具备以下三大优势1）减少信息损耗与误差累积：传统架构将模型分为感知、预测、决策和控制模块，误差将逐级放大，采用一段式端到端模型可以缓解误差累计问题；2）提供较强的泛化能力：传统系统高度依赖人工编写的规则代码，难以穷尽复杂的突发场景。端到端模型依托海量数据进行学习，泛化能力更强；3）精简架构与提升迭代效率：去除了大量的规则算法，大幅缩减了工程代码量。系统以最终驾驶表现为目标进行集中训练，不仅提升了车端算力利用率，也让自动驾驶的后续迭代升级更加敏捷高效。

世界模型和端到端模型结合，自动驾驶技术趋向成熟。世界模型是一种旨在让机器理解并模拟真实世界动态与物理规律的生成式人工智能架构，区别于VLA模型生成符合数据统计规律的结果，世界模型能够理解真实世界的物理规律，并预测、判断物体的状态。在自动驾驶领域，世界模型能够为端到端模型生成大量“长尾”仿真训练数据，为解决长尾问题提供数据支撑。同时为自动驾驶模型补齐动态过程的建模能力，世界模型以“预测物体的下一个物理状态”为目标，追求物理一致性，能够减少模型幻觉，引导端到端模型做出更加安全，更加符合全局最优解的控制决策。

自动驾驶产业链可以分为上、中、下游三个环节，其中上游为产品的软硬件零部件供应商，主要涵盖四大核心模块：第一是感知环节，包括激光雷达、毫米波雷达、超声波雷达及摄像头等传感器供应商；第二是定位环节，涉及高精地图与高精定位服务提供商；第三是决策环节，主要由提供自动驾驶芯片（如Mobileye、高通、黑芝麻等）和域控制器的企业组成；第四是执行环节，包含转向、制动、空气悬架及动力总成等系统供应商。中游主要是指提供核心技术、设备与服务支持的产品集成供应商，如自动驾驶企业、整车厂和互联网科技公司。下游则是面向终端乘客并以获取服务利润为主的运营平台，主要包括各类出行平台。

自动驾驶零部件是物理AI的核心载体，受益于自动驾驶渗透率提升。根据佐思汽车研究数据，截止2026年Q1国内L2级别自动驾驶竞争已趋于饱和。其中，20万元以上高端车型的L2级及以上智驾功能的渗透率已高达80%-90%，10-20万元主流车型渗透率突破60%-70%；同时高阶技术持续下沉，0-10万元入门车型智驾渗透率从2022年1.6%提升至2026年Q1的16.7%。国内L2级自动驾驶渗透率趋于饱和。同时L2.5及以上自动驾驶功能逐渐取代L2级别成为乘用车入门级标配，高端智能驾驶渗透率仍有提升空间，预计2030年L2.5智能辅助驾驶渗透率将达35.6%。

相较于配备智能驾驶功能的传统汽车，无人驾驶出租车将配备更多传感器和自动驾驶零部件。以小马智行第七代Robotaxi为例，整车搭载9个激光雷达、14个摄像头、4个毫米波雷达和四块NVDIA Drive Orin算力芯片。智能驾驶零部件使用量显著高于传统车辆。根据弗若斯特沙利文的资料，中国自动驾驶出行服务的市场规模预计2025年将达到0.7亿美元，并呈指数级增长，进一步增长至2030年的394亿美元及2035年的1,830亿美元。在世界其他地区，自动驾驶出行服务的市场规模预计2025年将达到0.7亿美元，并进一步增长至2030年的279亿美元及2035年的1767亿美元。

2.2 智能工厂：“端-边-云”结构清晰，端侧放量在即

智能工厂是以计算机软件、网络通讯设备、人工智能和自动化机械装备为基础，实现自动化生产和管理的新型制造模式。按照在产业链中的不同地位，可以将智慧工厂拆解为“端-边-云”结构。1）端侧：端侧智能包括具身智能的物理载体，如工业机器人、协作机器人、人形机器人等，技术难度依次递增；2）边侧：边侧智能以智慧通信模块为主，包括工业5G通信网络、边缘计算盒子等；3）云侧：包括AI驱动的MES/ERP系统，以及为工业机器人提供训练的模型提供商和训练商等。

工业制造场景具备任务边界清晰、流程相对标准的特点，成为智能化技术落地的主要环境。与家庭、商业服务等高泛化场景相比，工业制造环境更可控、任务更高频、价值衡量更直接，更适合通过“部署-作业-数据回流-模型迭代”闭环的方式持续提升能力。短期看，具身智能将在封闭或半封闭工业任务中率先创造可量化的增效的价值；长期看，工业现场积累的高质量操作数据，也将反哺机器人智能化水平继续提升。因此，工业制造不仅是具身智能商业化的落地点，也是未来模型训练和能力泛化的重要数据来源。

AI推动机器人从R2.0向R3.0演进，智能机器人渗透率持续提升。机器人行业正从固定功能自动化向具备环境感知、决策与执行能力的智能机器人快速演进。根据灼识咨询，机器人演进可分为R1.0软硬件产品集成、R2.0场景化软硬件、R3.0通用软件+场景化硬件、R4.0通用化软硬件四个阶段。当前行业正处于R2.0向R3.0迈进阶段，AI、SLAM、多模态大模型、VLA、强化学习、端到端导航等成为核心驱动力。R2.0时代的智能机器人已能通过SLAM与运动控制算法在结构化环境中执行预定义任务；R3.0时代则通过多模态AI基座模型驱动，实现跨多元非结构化设定的泛化自主性及可转移任务执行，使机器人能够覆盖复杂仓储、弹性制造、智能检测等高附加值场景。

端侧方面，各类机器人是实现智慧工厂的重要物理载体。2008年，第一代协作机器人问世，主要用作制造用途，以解决人机协作的安全问题，并展示出对各生产线的高度适应性。2015年，中国及海外开始涌现多家专门从事协作机器人开发的公司，传统工业机器人公司亦开始建设协作机器人生产线。2020年，配备视觉传感器的智能协作机器人出货量达10,000台，创下历史新高，展现了商业价值并展示出更高灵活性及通用性。随着AI发展，预期智能协作机器人将于可预见未来更广泛地实现商业化，应用类型将更加广泛。

全球及中国协作机器人的出货规模呈现持续扩大的趋势。根据甲子光年测算，全球协作机器人的出货量预计将从2024年的6.8万台增长至2028年的20.3万台，预测期内整体保持25%以上的年增速。中国市场在协作机器人领域的扩张进程中占据较高比重且增速领先。2024年中国协作机器人出货量约为3.02万台，预计至2028年将增长至10.58万台。竞争格局方面，中国协作机器人市场竞争格局呈现出较高的集中度，头部效应较为明显。2025年，前六大厂商合计占据了79.0%的市场份额。其中，遨博智能以22.5%的份额位居首位，节卡机器人和越疆科技分别以16.8%和14.2%的占有率位列其后。

边侧方面，工业互联网技术加速发展，带动边侧智能实现产业落地。当前制造业向数字化、网络化、智能化转型，以人工智能、5G为代表的新技术加速融入工业互联网，不断拓展工业互联网的能力内涵和作用边界，引发制造模式、服务模式和商业模式的变革，对工业互联网能力提出了更高要求。同时，产业应用向纵深发展，以垂类AI大模型为例，通用大模型在复杂工业场景下面临成本高、适配低、可靠性不足等问题。企业正在构建面向工业领域的垂直模型体系，探索开发工业模型互联接口，实现从通用基础到行业适配的转化。

政策驱动工业网络标准提升，顶层设计支持工业互联网发展。2024年12月，工信部印发《打造“5G+工业互联网”512工程升级版实施方案》，提出到2027年建设1万个5G工厂，打造不少于20个融合应用试点城市，对工业网络的带宽、时延和安全提出更高要求。2026年1月，工信部《推动工业互联网平台高质量发展行动方案（2026—2028年）》提出到2028年建设具有一定影响力的工业互联网平台超450家，推动不少于5万家企业实施新型工业网络改造升级。顶层设计持续支持工业互联网发展，为相关企业带来新的机遇。

在自身核心产业创造价值的同时，工业互联网产业也通过与国民经济其它领域交叉渗透从而提升生产效率。根据中国工业互联网研究院测算，全国工业互联网核心产业增加值从2020年的1.01万亿元增加至2024年的1.53万亿元，全国工业互联网渗透产业增加值从2020年的2.55万亿元增加至2024年的3.48万亿元。

中国工业交换机市场稳步增长，根据中国IDC圈测算，2025年中国工业交换机市场容量将达到55亿元人民币，未来五年将保持12.5%的年复合增长，到2029年市场容量将达到92.4亿元人民币，当下正处于“政策红利释放-技术快速迭代-市场分层竞争”的关键阶段。

AI部署硬件壁垒降低，AI计算能力加速向设备端侧下沉。物理AI落地的前提是本地计算的经济可行性。智能蜂窝物联网模组集成了边缘处理单元与通信基带，构成物理实体接入AI模型的标准化硬件基础。模组出货量规模对应产业链制造环节的成本摊薄，降低了端侧AI部署的硬件壁垒。根据Future Market Report数据，2025年全球物联网模块市场价值为67亿美元，预计2033年将达到151亿美元，2026年至2033年的复合年增长率为10.69%。在出货量端，Counterpoint Research数据显示，2026年第一季度全球蜂窝物联网模组出货量同比增长4%，其中中国市场占据全球主导地位。头部企业维持的规模化产能与出货增长，为物理AI应用的终端设备扩容提供了硬件支撑。根据Market.us发布的数据显示，全球端侧AI市场规模在2024年达到233亿美元，预计将从2025年的288亿美元增长至2034年的约1966亿美元，预测期内复合年增长率为23.8%。

2.3 智能医疗：当前渗透率较低，处于加速落地阶段

国际机器人联合会将服务机器人定义为除工业机器人外，所有直接服务人类的非制造业机器人，包括1）专业服务机器人：需专业培训，部署于专业环境（物流、清洁、医院后勤等）。其中，“自主移动机器人”归入本类；2）医疗机器人：用于诊疗、手术、康复、医学检测及实验流程，提升医疗操作的精度、重复性与安全。自2024年起独立成类，不再隶属专业服务机器人；3）消费服务机器人：面向个人/家庭、无需专业培训，如家用清洁机器人、割草机器人等。

智能医疗与作为具身智能应用的高价值潜力市场，正处于增量蓄势阶段。在医疗健康领域，具身智能应用已具备一定的商业化基础。傅利叶智能在全球三十多个国家部署了康复外骨骼和训练机器人；直觉外科的达芬奇系统年手术量超过230万例，国内微创医疗、天智航等企业亦在持续拓展相关市场。中长期维度上，医疗具身智能的演进方向将聚焦于康复训练个性化方案的自主生成以及手术辅助的自主操作。

具身智能技术的发展正持续拓展其在商用服务与家庭场景中的应用边界，推动服务模式向高附加值与高度智能化演进。在商用服务领域，机器人正从执行单一模块化功能的设备，向具备自主任务理解、动作编排与柔性协作能力的综合服务智能体转变。未来该场景将呈现专用机器人与通用人形机器人协作共存的格局，专用设备负责配送、清洁等工作，而人形机器人则承担接待、整理、补货等多步骤、强交互的复杂任务。这一变革正推动商业服务从传统的酒店、写字楼向零售门店、医院、康养等高附加值场景延伸，且相关政策明确提出要在2026年底形成100个以上的高价值场景，带动餐饮零售、医疗康养等重点方向的万台级设备落地验证。

家庭环境被视为检验机器人通用智能能力的最终场景。目前该市场主要在单功能清洁领域完成商业验证，2025年超3200万台与2026年一季度近900万台的出货数据，反映出消费端对相关产品的较高接受度。在向通用智能演进的现阶段，机器人主要通过“人机协同”的家政模式入户，由设备承担基础结构化任务，人类负责复杂沟通与判断。由于涉及上门履约、服务标准建立及责任边界等运营问题，家政平台成为机器人进家的关键入口，业内已出现优必选与天鹅到家等合作案例。长期而言，老龄化趋势扩大了对居家陪护与康复等服务的需求，但实现通用机器人的全面普及仍需行业跨越安全性、泛化能力、灵巧操作及长尾数据闭环四大门槛。

2.4 智能基座：基座模型迭代更新加速，AI基座提供商有望充分受益

大模型及算力平台是构建所有上层AI应用的核心底座。目前，国产AI基座供应商正逐步实现从算力、算法到模型训练平台的全栈自主可控。随着基础大模型向多模态与智能体方向升级，基座厂商不仅提供底层的API调用，更通过提供完整的开发者工具链和企业技能中台，降低下游企业构建复杂AI应用的门槛。从收入角度而言，基座厂商的商业模式已较为清晰：一是在G端与大B端，通过算力与模型的深度融合，承接智算中心或企业私有化大模型基座建设项目；二是在中长尾B端，通过MaaS平台海量开发者的Token调用及标准化智能体服务，获取持续的API计费与订阅收入。

以科大讯飞为例，公司作为国产通用大模型及智能算力的头部代表，已构建起“算力+模型+平台”的自主可控AI底座。技术与算力方面，公司2026年上半年密集完成星火X2、X2-Flash及多模态大模型X2-VL的迭代升级，并在2026年7月凭借深度参与的“鹏城云脑”国产智能算力系统项目荣获国家科技进步一等奖。MaaS生态与数据方面，截至2026年上半年，讯飞AI开放平台已开放1007项AI能力，汇聚开发者达1153万，其中大模型开发者达321.9万，同比增长111%。商业化落地方面，公司采取了标准算力接口与智能体中台并行的策略。1）算力接口侧：推出Token计划，兼容主流API协议，提供500万TPM高吞吐保障，加速推动大模型向企业级AI基础设施演进；2）智能体平台侧：面向企业端推出首个开源技能中台SkillHub，支持企业将AI能力沉淀为可调度的数字资产。凭借坚实的底座赋能，公司核心基座能力已转化为实际收入，2026年上半年其在教育（批阅机智能批改调用量增长5倍）、汽车（前装智能化产品新增出货超450万套）及金融等多领域的AI渗透率均实现数倍增长。

三、行业公司梳理

风险提示

AI发展不及预期风险

端侧AI发展依赖于AI大模型的研究和发展，如果AI发展不及预期，端侧AI能力可能受到限制，下游可能因此减少对于端侧AI的采购。

市场竞争加剧风险

智能驾驶、智能工厂、智慧医疗、智能基座等产业均面临较大的市场竞争，存在由于市场竞争导致毛利率下行，行业利润下降的风险。

技术路线转变风险

智能驾驶、智能工厂、智慧医疗、智能基座等产业均属新兴产业，存在由于技术路径转变导致原有技术淘汰，产能降低的风险。

法律声明

本公众号（名称：火星计算机）为国信证券股份有限公司（下称“国信证券”）经济研究所计算机组设立并独立运营的唯一官方公众号。

本公众号所载内容仅面向符合《证券期货投资者适当性管理办法》规定的专业投资者。国信证券不因任何订阅或接收本公众号内容的行为而将订阅人视为国信证券的客户。

本公众号不是国信证券研究报告的发布平台，本公众号只是转发国信证券发布研究报告的部分观点，订阅者若使用本公众号所载资料，有可能会因缺乏对完整报告的了解而对其中关键假设、评级、目标价等内容产生误解和歧义。提请订阅者参阅国信证券已发布的完整证券研究报告，仔细阅读其所附各项声明、信息披露事项及风险提示，关注相关的分析、预测能够成立的关键假设条件，关注投资评级和证券目标价格的预测时间周期，并准确理解投资评级的含义。

国信证券对本公众号所载资料的准确性、可靠性、时效性及完整性不作任何明示或暗示的保证。本公众号中资料、意见等仅代表来源证券研究报告发布当日的判断，相关研究观点可依据国信证券后续发布的证券研究报告在不发布通知的情形下作出更改。国信证券的销售人员、交易人员以及其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本公众号中资料意见不一致的市场评论和/或观点。

本公众号所载信息、意见不构成所述证券或金融工具买卖的出价或询价，评级、目标价、估值、盈利预测等分析判断亦不构成对具体证券或金融工具在具体价位、具体时点、具体市场表现的投资建议。该等信息、意见在任何时候均不构成对任何人的具有针对性的、指导具体投资的操作意见，订阅者应当对本公众号中的信息和意见进行评估，根据自身情况自主做出投资决策并自行承担投资风险。订阅者根据本公众号内容做出的任何决策与国信证券或相关作者无关。

本公众号发布的内容仅为国信证券所有。未经国信证券事先书面许可，任何机构和/或个人不得以任何形式转发、翻版、复制、发布或引用本公众号发布的全部或部分内容，亦不得从未经国信证券书面授权的任何机构、个人或其运营的媒体平台接收、翻版、复制或引用本公众号发布的全部或部分内容。国信证券将保留追究一切法律责任的权利。

国信证券计算机团队介绍

擅长把握技术驱动型板块机会，注重海外映射投资机会；自上而下和自下而上相结合，“个股推荐”为主，服务次之。一二级联动，产业大局观较敏感。注重团队研究成果的标准化输出，把数字化引入研究本身。

熊莉

计算机行业首席分析师

分析师资格编码：S0980519030002

西南财经大学经济学硕士，负责计算机行业研究，8年从业经验；金牛奖、金麒麟、水晶球均有斩获；统筹行业研究方向，深度覆盖海内外云计算、工业数字化板块。

艾宪

计算机联席首席行业分析师

分析师资格编码：S0980524090001

北京大学经济学-新加坡国立大学理学硕士，重点覆盖AI硬件、AI大模型。

?

国信证券经济研究所

深圳

深圳市福田区福华一路125号国信金融大厦36层

邮编：518046

总机：0755-82130833

上海

上海浦东民生路1199弄证大五道口广场1号楼12楼

邮编：200135

北京

北京西城区金融大街兴盛街6号国信证券9层

邮编：100032