智通財經APP獲悉，中信建投發布研報稱，為實現物流分揀作業，泛人形機器人(非完全人形)需要具備多模態感知和端到端大模型能力。當前硬件端泛人形機器人已經達到物流場景商業化的門檻，但國產具身模型端距離真正落地仍有一定提升空間。從經濟性來看，在2年收回成本的假設下，泛人形機器人的投入產出比與分揀工人已經持平。今年下半年泛人形機器人在物流場景會逐步從demo場景轉向交付客戶試用，等客戶驗證后明年有望迎來爆發增長。
中信建投主要觀點如下：
為實現物流分揀作業，泛人形機器人(非完全人形)需要具備多模態感知和端到端大模型能力。物流分揀動作主要分為包裹檢測、抓取與翻轉、條碼識別、路徑規劃、投遞歸位等步驟，需要人形機器人具備多模態感知能力(視覺、觸覺、力覺等)和自主決策的端到端大模型能力。
當前硬件端泛人形機器人已經達到物流場景商業化的門檻，但國產具身模型端距離真正落地仍有一定提升空間。從分揀效率來看，1)海外：Figure 02效率已接近正常工人�；贖elix神經網絡，Figure 02處理一件包裹的平均時間為4.05 秒。而正常熟練分揀工人的單個標準小件快遞分揀效率為3-5秒。2)國內：智元精靈G1分揀速度較熟練工人仍有一定距離。此外，也需要注意，在分揀質量和應對異常的處理上，泛人形機器人較熟練工人仍有差距。
經濟性方面，現階段分揀場景泛人形機器人替代工人處于臨界點。假設分揀場景的單個工位工人2班倒，一人工作8小時，單人年工資10萬元，而泛人形機器人成本40萬元，單日工作時長20小時，工作效率約為工人80%。在2年收回成本的假設下，泛人形機器人的投入產出比與工人已經持平，隨著泛人形機器人硬件成本和智能化水平提升(體現在產出效率)，終端客戶基于降本增效目的有替換工人的動力。
模型方面，Figure和智元具搭載自研具身模型。Figure 02搭載Helix具身智能模型。智元精靈G1由端到端數據驅動具身算法，通過海量真實數據訓練出的“大腦”，能像人類一樣實時感知環境、理解任務、并自主精準執行操作。數據采集和模型迭代方面，智元攜手德馬科技共建訓練與數據采集工廠，Figure在快遞流水線上進行實訓。
展望后續，今年下半年泛人形機器人在物流場景會逐步從demo場景轉向交付客戶試用，等客戶驗證后明年有望迎來爆發增長，海外由于人工成本更高昂，將會是物流場景落地的首選。建議關注有望憑借二次開發能力獲得超額溢價的整體方案解決商、商業化落地進展領先的本體廠對應的核心供應商。
風險提示
1、市場競爭加劇風險：當前人形機器人本體廠數量較多，倘若后續新加進入玩家持續增加，將進一步加劇競爭，或對相關公司盈利能力造成影響。
2、硬件降本不及預期風險：當前人形機器人硬件技術未收斂，若后續技術變動較大或行業硬件降本不及預期，將對人形機器人應用落地進度造成較大影響。
3、人工智能發展不及預期風險：人形機器人落地核心取決于人工智能發展，倘若人工智能發展緩慢，人形機器人的智能化水平提升將受到制約，會對行業落地造成負面影響。
