国金具身智能 数采深度专题

物理AI发展面临数据采集瓶颈，但数据基建建设将加速释放数采需求，市场空间有望爆发。

1. 物理AI数据采集的核心短板

   • 大语言模型训练需万亿级Token数据，而具身模型可用真实交互数据不足其万分之一（如GPT-3需1100万小时，具身智能至少需1000万小时多模态数据，实际需求或远超千万小时）。
   • 觅蜂将2030年数据采集目标提升至100亿小时，高质量真实交互数据严重不足成为核心短板。

2. 主流数据采集路线及设备

   • 整机：适配度高但成本最高、跨本体复用难；
   • EGO：轻量化、低成本、高通用性；
   • UMI：数据精度高但价格较高。
   • 关键传感器：相机、IMU、灵巧手、触觉传感器、VR眼镜重要性持续提升。

3. 产业链扩容及竞争格局

   • 数采设备：机器人整机、UMI、EGO及各类传感器；
   • 仿真平台：低成本、高效率，是物理AI重要训练方式；
   • 数采公司核心竞争力：场景资源、数据标准化能力、成本与质量；
   • 垂类应用：稀缺场景与专属数据库形成数据壁垒。

4. 投资建议

   • 重点关注高ASP、竞争格局较好的相机、IMU、触觉传感器等设备；
   • 具备数据成本与质量壁垒的数采公司；
   • 掌握细分行业场景资源的垂类应用企业。

5. 相关标的
   奥比中光、芯动联科、华依科技、日盈电子、凡拓数创、尚品宅配、海天瑞声、亿嘉和、天奇股份。