具身智能的落地性-以杰克股份与纺织服装场景为例

一、无人纺织服装行业可行性

• 传统纺织业痛点： 劳动力资源不足、人工成本高昂，导致招工难、用工荒问题突出。
• 缝纫工序自动化潜力： 缝纫工序占纺织业用工比例约90%，其中平缝工序动作轨迹规则，适合机器人编程实现，已有平缝机器人（如杰克“快反王”）可自动调整针距、线张力。
• 无人纺织服装布局： 杰克股份等企业已布局无人纺织服装，推出高端AI缝纫机、人形机器人等“机器人+AI人工智能+缝制机械”产品。

二、纺织服装环节人形机器人测算

• 测算假设： 全球缝纫工人约5000万，平缝与包缝比例为3:1，容易替代的平缝工人数量为3750万。
• 成本与回本周期： 全球纺织服装工人年平均工资按5万计算，人形机器人成本初期12万元，中期10万元，最终8万元。
• 可替代人数及渗透率： 初期参考工业机器人密度提升，中期参考酒店服务机器人场景，后期参考汽车焊接场景。
• 销售台数、工资支出与折旧： 2028/2030/2035/2040年机器人年销售台数分别为6/11/26/89万台。
• 市场规模与节约成本： 2028/2030/2035/2040年对应市场空间为75/135/263/894亿元，节省成本分别为4/29/79/402亿元。

三、具身智能的落地：纺织服装场景

• 落地格局： 形成通用大模型与垂类小模型两种差异化路径。
  • 通用大模型： Pi0，处理多模态信息，以VLM为骨干转化输入为统一token序列，预训练含泛化训练。
  • 垂类小模型： Dyna Robotics，标准化专用设备，专注解决一个任务，逐步迈向通用具身AI。
• 具身智能路线之争： 与特斯拉世界模型对比，在算法、训练方式、数据来源、泛化能力等方面存在差异。
  • 算法： 三者均处理多模态信息，但感知层和决策层算法不同。
  • 训练方式： Pi0后训练，DYNA-1和特斯拉世界模型专业场景训练，但Pi0预训练含泛化训练。
  • 数据来源： 特斯拉和Pi0预训练可使用开源数据，DYNA-1使用机器人自主执行任务生成数据。
  • 泛化能力： Pi0泛化能力较强，可应对多个任务；DYNA-1泛化性较弱，针对同一或相似任务的不同环境；特斯拉通用世界模型泛化性体现在特定地点的通用方法。

四、投资建议

• 关注无人纺织领域的领头公司：杰克股份。
• 关注机器人零部件产业链的核心公司，如减速器、丝杆、传感器、灵巧手等。

五、风险提示

• 具身智能算法技术发展不及预期。
• 纺织场景机器人存在场景需求错配风险。