卧安机器人 6600.HK 2026年中期业绩说明会

投资者、分析师、媒体朋友，大家下午好。欢迎参加沃安机器人2026年中期业绩的发布会。我是今天的会议主持沃安的头冠总监戚楚阳。K今天在线上跟我一同参会的还有管理层有沃安董事会主席兼CEO李志成先生，以及执行董事兼c fo吴志东先生。下面的话由我来简要回顾一下2026年上半年的财务摘要。截止2026年上半年，公司收入5.22亿元，同比去年增加1.26亿元，同比增长了31.8%，市场的拓展是非常有成效的。其中人形机器人沃安的one柔H1 ace mate Carter friends作为三大巨身新品，开始成为AI巨身业务增长的主要增量来源。在报告期内，人形家庭机器人开始向客户进行交付，连同2025年下半年推出的AI运动机器人ismate和AI陪伴机器人Carter friends三条生产品线贡献收入占公司上半年总收入的13.1。上半年毛利端的情况的话，毛利额为2.63亿元，同比增加了4840万元，增速为22.5%。公司的盈利基础得到了夯实，上半年的毛利率为50.4，同比下降了3.8个百分点。上半年日元和美元对人民币分别同比走弱了10.8个百分比和4个百分点。在阶段性汇率承压的环境下，公司依然保持了较高的利润率水准。那么公司持续投入one model的训练核心技术，AI算力和数据采集，推动模型和数据能力跨产品的复用。上半年公司的研发费用约为1.02亿元，同比增加了4300万元，增速是73.3%。公司在期内的话是亏损3830万元，主要受到研发投的增长跟汇兑损失的影响。公司上半年发生了汇兑净损失4273万元，这主要是因为我们去年IPO募集资金形成了一定规模的港币存款，所以产生了一定的外币报表的折算损失。那么从全球市场的拓展来看，上半年我们在北美和欧洲市场高歌猛进，实现了大幅度的增长。其中北美市场收入8580万元，同比增长了85.7%。 欧洲市场收入1.34亿元，同比增长了97.5%。亚洲市场的收入的话是2.997亿元，同比增长了6.6。其他市场的收入250万元，同比增长145.4%。其中欧洲和北美收入的合计占比由上年同期的28.8%提升至今年的42.1。在保持亚洲市场基本盘的同时，欧美市场成为重要的增长动能。我们的全球收入的结构进一步趋于平衡。以上的话是我们的财务摘要的一个部分。下面环节的话我们有请公司CO李志成先生进行业务回顾和展望。大家好，我是公司董事会主席CEO李志成。接下来我介绍公司在聚生智能技术和商业化方面的最新进展。我们整个技术体系的起点就是我们一直强调的一脑多行。核心是用一个统一的机器人大脑驱动不同形态的机器人完成不同的任务。这样模型能力可以跨本体复用，任何一次模型的升级也能够同步迁移到多个产品的能力。One model基本从零开始，预训练模型中的世界模型VOA以及后训练强化学习等核心模块全部由团队自主研发。我们不仅训练模型，也自己定义机器人任务，建设数据体系，完成真机部署和结果验证。One model的一项关键进展是通过latent引变量把世界模型对未来状态的预测传递给下游。VOVOA让环境理解、任务规划和动作生成更加紧密的协同，同时保持很高的一个推理效率。这一页展示了倒咖啡豆、叠衣服、操作洗碗机、烤面包、摆放方块和整理书本等任务。它们分别覆盖精细的姿态控制、柔性物体理解、长时续规划抓取定位和多目标点位控制，这些任务都是同一个模型底座完成。我们不需要为每个任务重新开发一套独立的系统，而是通过不断的扩充同一个模型的任务词汇和物理经验，这就是一脑多行，能够持续积累、持续富有的价值，one model的每一次迭代都在实现三个变化，能够完成的任务更多，准确性更高，面对环境变化化的泛化能力更强。机器人进入家庭需要的正是这种不断扩大的能力边界。那任务数量变多只是第一步，大家更关心的是这些任务是否能够稳定准确的完成。在标准liber评测中，一个模型1.7取得了99%的平均任务成功率，领先页面中列势的派 0.5、第1.5组和open va等多项公开模型的基线，这说明one model在空间理解、物体交互和长时续操作等通用能力上已经达到了行业领先水平。同时，我们更加关注真实机器人上的表现，在洗斧、叠衣服和洗碗机等操作日常任务中，平均成功率约为99%。在拔萨试管、叠纸杯和倒咖啡豆等高精度任务中，平均成功率约为97%。在真人乒乓球对打这一高动态场景中，接球成功率也达到90%以上。标准评测解决的是模型之间的横向比较，真机任务验证的是模型能够是否产生真正的产品价值，两类结果放在一起，说明one model的能力已经同时经过。标准环境、日常操作、高精度控制和高动态任务的交叉验证。更重要的是这些能力没有停留在实验室数据上，模型已经进入H一等机器人本体，并在商业化交付中持续接受真实环境的检验，模型越来越接近索塔，任务覆盖越来越广，准确性越来越提高，意味着我们离机器人进入真正家庭更进一步。下一步要解决的问题是机器人完成预训练和交付之后能否持续学习。这就是下一页阿一I要回答的核心问题。这一页请大家看一段真实运行的一个视频，大家可以看到现场并不是一台机器人完成。重复完成一个固定的动作，而是多台H一和不同形态的机械臂在阵列式的环境中同时执行叠衣操作，螺性物体抓去放置和精细控制等不同任务。这段视频对应的就是我们在one model 1.7之后重点推进的REI，也就是recursiveembodied intelligence，我们称之为递归矩生智能。这里的recursive代表的是一个持续循环的学习过程，自主探索、任务执行、现实验证、策略更新，然后重新回到真实环境。机器人每完成一次任务，成功失败、路径效率和环境变化都会变成下一轮学习的输入。阵列式运行的价值不只是同时开动更多机器人，不同机器人可以并行探索不同的任务、不同物体、不同数字状态和不同的动作路径，在相同时间里产生更加丰富的物理经验。机器人会比较不同策略的成功率、稳定性和效率，持续寻找更优的任务完成方式。第二个关键能力是面对突发情况的重新判断。当物体位置发生变化，抓取出现偏差，或者原来的运作运动路径无法继续完成时，机器人会重新感知当前的状态，判断任务已经执行到了哪一步，再调整后续的动作，而不是机械的沿用预设轨迹。第三个能力是auto research，也就是自动研究系统可以自动检索和下载最新论文，识别可 能改善模型能力的方法，提出候选方案，再进入受控实验和评测。只有在真实任务中经过验证的改进，才会进入后续模型版本。Auto research让机器人接触到人类最新的研究成果，真实世界验证则告诉他们哪些方法真正有效，两者结合可以显著提高模型迭代的速度和质量，经过验证的经验会回流到one bo并，逐步复用到不同机器人本体上。一台机器人探索出来的新能力，可以成为整个机器人群体的共同能力。一批机器人的同时探索可以进一步加快整个系统的进化速度。家庭就是一个典型的不断变化的开放环境。我们不可能在进入家庭之前已经预先重举所有物体布局和突发情况。R1I的意义就是让机器人在安全边界内持续扩大自己的能力边界，预训练决定机器人从哪里出发，而EI会决定机器人最终能够走向多远。未来每一台交付的机器人，它既是一个产品，也是一个持续产生经验的学习节点。这也是我们推动巨生家庭机器人进入真实家庭的关键一步。这一页展示的是我们一脑多行在高动态运动场景中的应用，也是大家一直非常关注的一个方向。左侧是机械臂版本的s mate进行网球对打，它已经能够在标准的全场使用标准的网球与真轮进行高速对打，并完成正手、反手和往前截击等动作，整个过程不依赖外置的动作捕捉设备。机器人只依靠本体搭载的双目视觉和模型算法，自主完成排球感知、轨迹预测、实时决策和击球动作。从对手击球开始，机器人需要在很短的时间内完成对速度、方向和落点的判断，再生成相应的运动策略。行业里有一些运动机器人演示，需要在场地里面周围布置多组动作捕捉设备，由外部系统事先计算好球的位置，再把结果发送给机器人。机器人主要负责执行挥拍动作，一个是场地替机器人看球，一个是机器人自己看懂来球。二者在技术含量、部署成本和商业化边界存在本质的差别。真正能够进入球场、学校和训练机构的产品，必须脱离昂贵的外部定位系统，独立完成感知、判断和行动。右侧展示的SH一机器人与真人进行乒乓球对打，机械B版本的s mate和H一的形态完全不同，但底层的感知视觉轨迹预测和实时决策运动控制能力是相通的。 机器人是否智能，首先取决于它有没有一个独立的大脑，再看它是不是外形是否接近人。机器人的形态可以根据场景变化，底层智能必须能够独立运行划分机使用，这就是一脑多行的价值模型需要持续进化，必须有稳定、高质量并且能够反映真实任务的数据聚生，智能行业能否形成类似大圆模型的sc也，取决于真实世界数据能否持续扩大并稳定转化为模型能力。 这一页我们展示的是深圳前海智巨声智能训练中心。 结合惠州等训练场地，我们已经建立了覆盖任务设计、数据采集、清洗标注、质量评估、模型训练、征机部署和执行反馈的完整数据管线。 大家在上一页视频中看到阵列式的机器人的运行背后依靠的就是这套基础设施。 它能够让大量不同任务并行运行，同时记录视觉动作，控制指令任务结果和异常状态，为one model和REI提供持续迭代所需要的真实物理经验训练中心的价值取决于数据能否持续进入模型，并让更新后的模型重新回到真机接受验证。 每一次任务的成功、失败和环境变化都可以形成新的训练数据，推动one model进入下一轮迭代。 这套体系已经形成了模型数据本体场景的持续运转的闭环，它更像一座生产模型能力的工厂，而不只是一个摆放机器人的场地。 目前这套能力既能够服务one model和公司内部的机器人产品，也已经具备系统及对外交付的能力。 我们能够交付采集设备、软件平台、任务流程、质量标准和模型验证体系。 随着巨生智能产业的扩大，这种系统能力可以服务更多的机器人产品训练中心和真实的应用项目。 有了基础设施还要解决什么样的数据才是真正的有效数据，什么是真正有价值的数据。 这一页展示了我们三类主要数据采集方式，真机谣操作一狗第一视角、人类视角和屋米便携式视角。 三类数据承担着不同的作用，真机遥操作数据与目标机器人本体高度匹配，是一种同构谣槽，可以直接获取视觉动作和执行反馈数据，帮助模型学习人类的任务顺序、操作习惯和环境交互经验。 乌米能够以更加灵活的方式覆盖不同物体、环境和任务。 截至上半年，我们已经获得数十万小时的训练数据，全年仍然按照百万小时的目标推进。 因此在同一场景下，同一任务配置下，我们通常只会把采集控制在几个小时以内，随后快速切换各类目标和环境条件。 重复采集可以增加小时数，却不会同步增加模型需要的新信息。 同样是100万个小时的数据，我们更愿意覆盖100万种不同的场景和变化，而不是在一个场景里面反复堆积时长。 丰富的成功样本很重要，失败恢复边界状态和环境劳动数据依然同样重要。 因为这些数据决定机器人遇到陌生情况时能不能继续完成任务。 郭安，首先是一个模型的训练者，所以数据采集由模型的能力缺口反向定义，模型在哪里失败，我们就补拿里的数据，哪类数据的边际价值值下降，我们就及时去调整我们的采集方向，以及预训练和后训练中数据的配比。 在数据来源上，我们已经形成了自主采集、产业合作、海外投资和外部采购相结合的一个布局，并与58同城等具备数据组织能力的企业开展合作。 外部数据帮助我们扩大了我们的地域和场景，覆盖自有训练中心，保证数据的质量、针对性和本体匹配的程度。 数据可以买到，采集设备也可以复制，但什么数据真正有效，不同数据应该如何组合，以及怎样把数据转化为模型能力，需要长期的模型训练和真机验证，这个才是沃安在数据上真正的核心壁垒。 模型IEI还有数据基础设施，最终还是要回到商业化。 这一页展示的是H1、smate还有carfriends 3款新品的真实落地进展。 上半年，三款新品合计贡献收入约6840万元，占公司总收入的约3.1%，贡献了公司整体收入增量的一半以上，以及AI聚声家庭机器人系统产品收入增量的65%以上，这