2目錄C

O

N

T

E

N

T

S人形機器人小腦（運控）介紹誰有望搶占小腦發展的制高點？小腦在垂直場景有望率先成熟，小模型性價比凸顯投資邏輯：

聚焦二開本體廠商及動捕企業123431人形機器人小腦（運控）介紹1.1、人形機器人“小腦”概念人形機器人“小腦”：目前產業界對人形“小腦”的定義并沒有形成統一共識，一般認為“小腦”就是運動控制，即由軟硬件構成，硬件包括控制器、驅動系統、編碼器等，軟件主要為部署在硬件上的控制和感知算法等。人形運控與傳統運控最大的區別在于：后者是根據已編程好的軌跡去完成實時控制，而前者需要通過各種場景的實時判斷來生成實時運動軌跡（即AI大模型訓練學習后，實時生成運控軌跡的指令），進而實現控制。圖表1:機器人“小腦”構成來源：雷賽智能招股書、整理41.1、人形機器人“小腦”概念“小腦”的主要功能：與“大腦”主要負責環境感知和智能交互不同，“小腦”更多地關注于機器人的運動控制和平衡調節，通過接收來自傳感器（如視覺傳感器、力覺傳感器、觸覺傳感器等）的信息，對這些信息進行處理和分析，進而指導機器人的運動。主要功能可以分為四類：運動執行、協調運作、反饋調節和動態平衡。圖表2:人形機器人“小腦”主要功能來源：茶派科技公眾號、繪制51.2、人形機器人“小腦”的控制技術包括三類：①模型控制（MPC）?；诰_的運動學和動力學模型，實現對機器人動作的精準控制，適用于特定任務的自動化執行，即傳統運控范疇。②強化學習。通過在復雜環境中的自主探索，學習最優控制策略，顯著提升了上肢和下肢在復雜任務中的效率、精度和適應性。③模仿學習。通過模仿人類行為，減少對環境探索的依賴，利用人類行為數據訓練智能體（動捕是關鍵，即數據獲?。@著提升任務執行能力。圖表3:“小腦”的控制技術介紹來源：《人形機器人技術與產業發展研究》、繪制61.3、人形機器人“小腦”案例來源：茶派科技公眾號、整理制造商產品名稱控制技術控制系統方案本田ASIMO機器人模仿學習基于零力矩點（ZMP）判據及預觀控制算法，通過精確計算零力矩點（ZMP），規劃機器人的運動軌跡，確保在行走和運動過程中保持平衡和穩定AIST-模仿學習通過ZMP判據及預觀控制算法，實現對自身運動的精確控制，確保在不同的工作場景下都能穩定、高效地完成任務AgilityRoboticsDigit機器人強化學習利用強化學習算法，通過在仿真環境中不斷進行訓練和優化，學習各種運動技能北京理工大學-學習采用模仿學習算法，以人機關節軌跡相似為目標，通過非線性最優化求解的動作映射，規劃出合理的運動方案案例：目前業界基于強化學習和模仿學習已進行多種嘗試，以美國Agility

Robotics的Digit機器人為例，其利用強化學習算法，通過在仿真環境中不斷進行訓練和優化，學習各種運動技能（行走、奔跑、轉彎、上下臺階）。在實際應用場景中，Digit機器人與亞馬遜合作，負責倉庫物流，能夠根據環境的變化和任務需求，自主規劃路徑，快速準確地完成物品的搬運和分揀。Digit在物流領域中的成功應用，不僅提高物流效率，還降低人力成本，為物流行業的發展帶來了新的解決方案。圖表4:人形機器人制造商“小腦”環節方案（部分）71.4、人形機器人“小腦”面臨的挑戰來源：茶派科技公眾號、整理挑戰：主要包括如何進一步提高AI模型在機器人控制中的實時性、魯棒性和可解釋性，以確保機器人在復雜環境中的穩定運行和安全可靠。此外，如何將控制與感知、決策和規劃更緊密地結合，構建端到端的自主系統，亦是未來重要的研究方向。圖表5:“小腦”面臨的挑戰面臨的問題詳細內容實時性問題機器人需要對環境變化做出快速響應，但在復雜環境中快速行走、躲避障礙物或與人類進行實時交互時，大模型的計算和推理過程可能會產生較大的延遲。實時性問題的產生主要源于大模型的復雜性和計算量。魯棒性難題現實世界中，環境容易變化，如光線、溫度、地形、障礙物分布等，這些因素都會對機器人的運動控制產生影響，進而導致運動規劃和控制出現偏差。可解釋性缺失AI的告訴發展使得越來越多復雜算法和模型被應用于機器人的運控中，但它們往往是黑盒模型，難以理解其決策過程和輸出結果的依據。其他方面“小 、決策和規劃的結合方面存在不足，這些環節往往存在脫節的現象，導致機器人的整體性能受到影響，嚴重阻礙了構建端到端的自主系統。89小腦在垂直場景有望率先成熟，小模型性價比凸顯2.1、人形機器人落地難度和市場規模：To

C

＞To

B來源：搜狐網、中國信息通信研究院、整理TO

B有望率先落地和放量，原因：技術適配與需求剛性：B端客戶，如工業、醫療、物流等需求明確且結構化，技術更易適配。例如，工廠中的搬運、質檢等任務對機器人的運動控制、環境感知能力要求較高，但場景相對封閉，無需復雜的人機交互。ToC場景家庭環境復雜多變，需要高度靈活性與自然交互能力。成本與價格敏感度：企業用戶注重性價比，TO

B產品量產萬臺后價格預計可降至20-30萬元（以優必選機器人為例），而C端對性能要求高，目前To

C主流產品售價在9.9萬元-65萬元（以宇樹科技機器人為例）。政策與法規支持：政策明確支持工業場景開放與標準化；To

C場景下，隱私、安全等倫理問題尚未解決，制約C端場景落地。圖表6：B端和C端機器人場景對比 圖表7：人形機器人未來規模預測來源：思瀚產業研究院，繪制To

B場景 To

C場景應用場景 工業、醫療、物流 作為家庭助手，幫助用戶完成家務、陪伴老人和兒童等任務價格 量產萬臺后價格預計可降至20-

主流產品售價在9.9萬元-65萬30萬元 元2024年約2000臺，預計在2030

預計2030、2035年分別達到2銷售量 、2035年分別達到15萬臺、80- 萬臺、120-130萬臺90萬臺技術成熟度 諧波減速器/傳感器國產化率高

雙足行走/情感交互技術未閉環深圳市推出“雙一百”政策：

倫理法規待完善，暫無明確政政策支持 開放100個應用場景與百億基金 策持續發力推動人工機器人發展10來源：繪制2.2、TO

B場景下，開發統一的底層大模型難度大機器人下肢：運動關節相對固定，更容易形成一個統一的模型，可以設置“不摔倒、走得快”等作為獎勵函數來強化學習。目前主流的下肢算法是英偉達的Issac

Gim底層算法+強化學習。機器人上肢：屬于精細運動范疇，尤其是靈巧手關節的控制，不同應用場景下運動軌跡的規劃千差萬別，開發統一的底層大模型面臨兩大難題：①開發難度大，訓練成本高，高能耗以及在特定場景下的性能瓶頸等；②高質量的訓練數據獲取難。

圖表8：機器人上肢和下肢特征及對應算法

人形機器人下肢上肢特征

運動關節固定，有統一底層算法精細運動，沒有統一底層算法特征算法 Issac

Gim底層算法+強化學習難題①開發難度大，訓練成本高；②訓練數據缺失11來源：繪制2.3、難度①：上肢的底層運控算法人形運控產業未來將由一次開發(一開)商和二次開發(二開)商兩部分構成。一開企業如特斯拉、華為、宇樹等做人形運控算法的一次開發（即平臺型通用機器人企業），類似于iOS之于蘋果，不同廠商硬件規格和方案不同，運控算法不兼容，因此運控產業是平臺型企業的兵家必爭之地；二開企業是應用廠商，類似于APP應用開發商，在一開企業軟硬件基礎上，開發針對特定應用場景的機器人（如針對教育、養老、消防、?；⒌V山、電力、冶金等領域開發機器人）。

圖表9：人形運控產業一次開發商和二次開發商的關系

人形運控產業教育(二開)商企業：特斯拉、二次開發華為、宇樹、figuer、1X、智元等，即平臺型企業公司：科大訊飛、優必選等一次開發(一開)商養老消防?；V山其他公司：麥迪科技、歐圣電氣等公司：青鳥消防等公司：博實股份等公司：運機集團、華榮股份等電力、智能家居等領域12132.3、難度①：上肢的底層運控算法針對特定應用場景開發小模型有望漸成主流。隨著Deepseek的出現，通過蒸餾技術縮小模型規模，進而將小模型植入人形端部成為可能，未來特定場景應用的小模型會越來越多。小模型優勢：小模型適用于特定場景，如工業制造、醫療護理、家庭服務等，能顯著降低開發與部署成本。相較于通用大模型需要海量數據和算力支持，小模型可以通過遷移學習或微調快速適配特定任務，減少數據標注和訓練周期。并且這種針對性的強化學習，使得垂直模型決策邏輯更貼近實際需求。

圖表10：小模型優勢

來源：賢集網、整理優勢主要內容成本效益顯著大模型的訓練成本呈指數增長，從早期Transformer到如今谷歌Gemini

Ultra模型近2億美元訓練成本。而一些小模型通過精心設計和優化，在保證性能的前提下，極大地降低了訓練所需的計算資源和時間成本部署靈活性高小模型所需的計算資源和存儲空間較少，這使得AI技術能夠更貼近用戶，實現本地化的智能處理，減少對云端服務器的依賴，提高響應速度專業性與針對性強與通用的大模型不同，小模型可以針對特定的專業領域或具體業務需求進行定制化訓練，從而在特定任務上展現出卓越的性能。美國生物技術公司Path

AI利用小模型在圖像處理方面的優勢，對病理圖像進行自動化分析，輔助醫生進行疾病診斷，其專業性和準確性在實際應用中得到了有效驗證能源消耗低由 算復雜度相對較低，對高性能硬件資源的需求較少，因此在運行過程中能耗大幅降低2.3、難度①：上肢的底層運控算法特定應用場景小模型一般是基于通用底層大模型進行的二次開發。為了給模型注入特定領域知識，就需要用該領域內的語料進行繼續的預訓練，進而通過SFT激發模型理解該領域內各種問題并逐漸具備回答的能力，最后通過RLHF可以讓模型的回答對齊人們偏好，比如行文的風格。

圖表11：特定應用場景小模型開發的基本思路

來源：機器學習社區、142.3、難度①：上肢的底層運控算法小模型應用案例：工業質檢場景：小模型可基于少量缺陷樣本實現高精度識別，開發成本較通用模型顯著降低。醫療護理場景：養老機構中，小模型結合多模態傳感器數據（語音、觸覺、體溫），實現老人跌倒檢測與應急響應，誤報率降低，響應時間縮短。家庭服務場景：1X的NEOGamma家用機器人通過垂直模型實現衣物分類與清潔力度自適應調節，識別準確率提升，能耗降低。農業與物流場景：農業采摘機器人通過小模型識別果實成熟度，結合地形感知調整抓取路徑，采摘效率提升，同時損壞率降低。15162.4、難度②：數據采集行業痛點：人形機器人訓練數據嚴重短缺數據需求激增：在特斯拉2024年第四季度財報電話會上，馬斯克指出，人形機器人所承擔的任務及用途，相較汽車自動駕駛而言復雜得多，大概有1000倍之多，所需的訓練數據規模也會隨之擴大至10倍左右。數據現狀難以支撐訓練：目前可用于訓練人形機器人的開源數據集，無論是在數量上還是規模上都極為匱乏，難以支撐高效訓練。圖表12:人形機器人與自動駕駛開源訓練數據集大小對比來源：51CTO、整理自動駕駛數據集數據集描述人形機器人數據集數據集描述Waymo包含1150個場景、2030個20s片段、1260萬個3D標注框RoboSet包括7500條軌跡BDD100K 包含10萬段40s高清視頻Open

X-EmbodimentGoogle整合的60個已有機器人數據集，包含22個機器人的527個技能訓練數據DetectionBoxy

Vehicle

包含20萬張高分辨率圖像G1宇樹G1人形機器人擰瓶蓋倒水、疊三色積木等5種操作Lyft

L5包含1805個場景、4.6萬張圖像、約130萬個3D標注框AgiBot

World

智元機器人開源數據集，涵蓋80余種日常生活動作nuScenes包含1000個20秒場景，140萬張相機圖像，39萬次激光雷達掃描Argoverse包含多個城市的駕駛場景數據4.4萬張圖像數據、約99萬個3D標注框ALOHA

2.0 ALOHA機器人的操作HumanPlus 結合了機器人仿真數據和人類運動數據2.4、難度②：數據采集來源：VR圈中圈，整理數據來源與采集方式：雙軌并行：真實數據+數字孿生。人形機器人的數據來源主要為真實人類運控數據采集及數字孿生兩類，需要兩者結合，即先在孿生環境中將真實數據進行倍增，跑通基礎模型，再通過sim

to

real的遷移學習，疊加真實人類運動數據采集矯正，從而完成一套動作學習。真實數據采集來源為動捕及傳感器信息輸入。動捕系統通過捕捉目標對象關鍵點位位移信息，并將其轉化為數字信號，進而生成三維空間中的運動數據。采集工具包含vision

pro、動捕裝置等，在精細程度、環境約束條件、成本上有所差異。數字孿生：虛擬環境模擬，通過“sim-to-real”遷移學習提升模型泛化能力。

圖表13：穿動捕服進行數據捕捉

圖表14：RoboGen流程來源：新智元公眾號，整理172.4、難度②：數據采集來源：Chen

Wang

etal,

MimicPlay:

Long-Horizon

mitationLeaming

by

Watching

Human

Play,

2023、A1

寒武紀公眾號、新智元公眾號、整理真實數據采集依賴動捕設備：動作捕捉按技術路線可以分為慣性式、光學式、光慣混合式與搖操作式（VR頭顯加手柄）。其中，慣性式和光學式是目前較為主流的兩種技術路線，分別適用于不同的動捕場景。光慣混合式結合了慣性式和光學式兩種方式。搖操作式因精度和維度較小，只適用于做簡單的多模態感知訓練，不適用于復雜應用。國內各大人形機器人本體廠均采用光學動捕與慣性動捕結合的方式進行數據采集。

圖表15:光學動捕和慣性動捕的差異點對比表

特性光學動捕慣性動捕原理通過攝像頭捕捉標記點或物體的位置和運動通過慣性傳感器（如加速度計、陀螺儀）測量運動18精度高精度，尤其在靜態環境下精度較高，但可能隨時間累積誤差實時性實時性較好，但可能受處理速度影響實時性非常好，延遲極低環境要求需要特定環境（如光線、空間、無反光干擾）對環境要求低，可在各種環境下使用設備復雜度設備復雜，需要多個攝像頭和標記點設備簡單，只需佩戴傳感器成本成本較高，尤其是高精度系統成本相對較低便攜性便攜性差，安裝和校準復雜便攜性好，易于攜帶和安裝機器人領域適用場景上肢等精細運動的捕捉

全身運動的捕捉192.4、難度②：數據采集全球動捕市場由海外廠商主導。根據MarketsandMarkets數據，2023年動作捕捉市場規模約32億美元，其中Vicon占38，OptiTrack占25

，Motion

Analysis占15

。來源：各公司官網，整理中國瑞立視基于自主研發的紅外光學相機硬件和動作捕捉算法，為多個領域提供沉浸式交互應用解決方案荷蘭Xsens慣性動捕領軍企業，動捕系統精度高，不易受外界環境干擾中國諾亦騰自主研發的慣性傳感器+光學/慣性混合運動測量兩大核心技術圖表16:競爭格局技術路線 地區廠商名稱優勢光學動捕英國Vicon全球視覺運動捕捉技術領域處于領導地位，擁有先進的紅外攝像技術和計算機視覺算法，實時追蹤記錄三維運動數據美國Optitrack具備高精度、低延遲和實時數據處理能力，廣泛應用于電影、游戲、VR等領域的高端動作捕捉美國MotionAnalysis光學動作捕捉系統具備高精度、高可靠性，在科研、影視制作等領域具有很強的競爭力瑞士Qualisys提供高速精度動作捕捉相機以及先進的動作數據跟蹤分析軟件，專門為醫療和工業領域提供光學動作捕捉平臺中國度量科技自主研發、制造和銷售三維動作捕捉系統中國凌云光自主研發的

FZMotion

動捕系統精度高中國青瞳視覺自主研發并生產的紅外光學動作捕捉系統具有高精度、低延時、遠距離、高魯棒性等優勢慣性動捕2.4、難度②：數據采集國內市場：光學動捕國內品牌和國外品牌各占部分市場份額。人形機器人應用領域：國內主要做光學動捕的企業包括：度量科技、青瞳視覺和凌云光等。圖表17:國內動捕設備廠商在人形機器人領域的產品應用來源：各公司官網，整理動捕設備廠商動捕產品合作人形機器人本體廠商凌云光動捕產品Fzmotion可實現0.01精度的穩定捕捉，擁有先進骨骼結算算法，在遮擋情況下能實現數據自動修復宇樹科技、優必選、小米20諾亦騰PN

Studio慣性動作捕捉套裝低成本、環境適應性強，HybridTrack

光學運動測量系統具有強魯棒性和高精度智元機器人、千尋智能度量科技Mars系列、Plotu系列、Orbit系列、VRT系列以及水下動作捕捉相機青瞳視覺MC系列、R系列、K系列、D系列以及U系列捕捉相機2.4、難度②：數據采集產業鏈價值分布：光學動捕設備：高精度光學攝像頭+光學標記點+輔助硬件+軟件與算法。其中,高精度光學攝像頭單價高，占絕大部分硬件成本；光學標記點單價低但用量大，需定期更換，屬消耗品。核心壁壘：軟件算法+高精度傳感器技術來源：產業鏈調研、整理圖表18:產業鏈價值分布表主要構成 價值量占比高精度光學攝像頭30

-40技術特點 代表廠商紅外攝像頭為主，需高幀率（如120- Vicon（英國）、OptiTrack（美1000Hz）、高分辨率及低延遲 國）、Qualisys（瑞典）光學標記點5-10分為被動反光球（低成本）或主動發光標記（高精度場景）輔助硬件5-10包括校準設備、支架、同步控制器等，技術門檻較低，競爭激烈軟件與算法20

-30包括數據采集、實時跟蹤、噪聲濾波、骨骼綁定等功能模塊，算法優化（如遮擋處理）為核心競爭力21Motion

Analysis（光學）、Xsens（側重慣性+光學融合）223 誰有望搶占小腦發展的制高點？來源：整理人形運控有五大玩家：①本體企業（一開企業）：負責機器人基礎硬件和軟件架構設計（如特斯拉Optimus骨骼動力學模型）、核心控制器開發、傳感器標定等。②應用企業（二開企業）：基于本體企業軟硬件平臺，進行二次開發，應用企業需針對不同行業需求，優化控制算法，提升機器人在特定場景的性能與安全性。③傳統工控企業：負責執行層面，與傳統機器人控制類似，但人形需要更高密度的驅動技術和力控融合技術等，如SCHUNK的EcoGrip

60系列觸覺夾持器，實現精準力控與柔順操作。④第三方“小腦”企業：提供SLAM+運動規劃融合方案，通過運控算法給機器人企業進行通用性賦能。⑤動捕企業：前文已有詳細介紹，不再贅述。

圖表19：人形機器人運控五大玩家存在“數據-算法-硬件”的關聯關系 3.1、人形機器人運控重要環節的玩家動捕數據第三方算法訓練本體硬件集成應用企業部署場景驗證反饋工控執行器適配23來源：Unitree宇樹科技、整理3.2、人形機器人運控①：本體企業（一開廠商）如特斯拉已經打通了FSD和機器人的底層模塊，實現復雜動作支撐與平衡，為機器人運動奠定基礎。本體企業設計的架構需適應多場景，如工業、服務領域，滿足不同負載與運動需求。如宇樹M107高精度電機，關節動態響應精度顯著提升（誤差<0.1°）。全身動力學實時解算能力，確保機器人在動態環境中快速響應與穩定運行。本體企業（一開廠商）是運控產業鏈核心，軟硬件結合構筑核心壁壘。前文提到，類似于iOS之于蘋果，本體企業將硬件和底層算法集成，以硬件為例，高精度關節模組是關鍵，如宇樹M107電機，關節動態響應精度顯著提升（誤差<0.1°）。圖表20：本體企業通過軟件結合構筑壁壘，位居運控產業鏈核心位置基礎架構設計 核心硬件開發 技術壁壘24本體企業通過以高精度關節模組為代表的硬件與動力學解算技術，構建技術壁壘，不僅保護自身優勢，還為產業鏈上下游合作提

供穩定基礎與標準。應用企業基于一開廠商產品進行二次開發，以滿足特定下游需求。應用企業（二開廠商）需要基于本體企業硬件平臺，針對不同行業需求，優化控制算法，提升機器人在特定場景的性能與安全性。此外，應用企業亦可以與工控企業聯合，針對特定場景定制末端執行器，如汽車廠焊接機器人的耐高溫夾爪，滿足特定工藝需求。3.2、人形機器人運控②：應用企業（二開廠商）來源：萬國企業網、整理基于本體企業硬件平臺，開發行業專用控制協議，如醫療機器人手術臂適配ISO

13482安全規范。應用企業需針對不同行業需求，優化控制算法，提升機器人在特定場景的性能與安全性。圖表21：應用企業基于一開廠商產品進行二次開發場景適配開發 聯合定制模式與工控企業聯合定制末端執行器，如汽車廠焊接機器人的耐高溫夾爪，滿足特定工藝需求。聯合定制模式促進產業鏈協同，提升機器人在復雜工業場景的應用效率與可靠性。商業價值拓展25應用企業通過場景適配與定制，提升機器人在各應用領域的滲透率與市場份額。商業價值拓展不僅依賴技術適配，還需與上下游企業建立緊密合作關系，實現互利共贏。3.2、人形機器人運控③：工控企業（終端執行器企業）來源：SCHUNK官網、整理高密度驅動技術：如Harmonic

Drive的諧波減速器，提升執行器功率密度與精度；力控融合技術：如SCHUNK的EcoGrip60系列觸覺夾持器，實現精準力控與柔順操作。工控企業需與本體或應用企業適配開發執行器。在終端執行器層面，人形機器人和傳統工業機器人差異并不明顯，只需配合本體或應用企業開發適用于特定應用場景的關節模組，如高密度的驅動技術和力控融合技術。圖表22：工控企業在人形時代需要開發特定執行器技術攻堅突破 模塊化接口策略26通過模塊化接口，如ISO/TS

15066標準快拆頭，實現跨本體平臺兼容，拓展市場應用范圍。模塊化接口策略降低用戶更換成本，提升工控企業在產業鏈中的競爭力與靈活性。3.2、人形機器人運控④：第三方“小腦”企業來源：橋介數物官網、第三方“小腦”企業類似于Android至于手機廠商，賦能機器人企業。iOS之于蘋果屬于閉源生態，在開源生態模式中，獨立第三方企業可以通過開發“小腦”底層運控算法，賦能機器人企業。如橋介數物，其是國內領先的具身智能控制系統開發公司，致力于構建足式機器人的通用控制系統平臺，公司已幫助多家人形機器人公司完成從0到1的強化學習運動控制demo開發，并在2024年8月的世界機器人大會上，27家中有11家人形機器人廠商采購了其運控解決方案。圖表23：搭載橋介數物“小腦”方案的機器人 圖表24：搭載橋介數物“小腦”方案的機器狗來源：橋介數物官網、人形機器人運控⑤：動捕企業，前文已有詳細介紹，不再贅述273.6、小結：小腦發展圍繞本體廠商展開，應用落地是關鍵在整個人形機器人運控產業鏈條中，本體廠商的軟硬件進步驅動行業發展，動捕和工控企業的硬件進步助推本體廠商持續迭代。隨著人形機器人量產時代來臨，尋找應用場景成為關鍵（即生產出來的人形機器人賣不賣的出去），二次開發的廠商具備三大優勢：①綁定某一細分領域客戶；②對特定下游（如電力、消防、礦山、養老等）工況有獨特理解；③有特定應用場景的數據，并基于本體企業產品進行訓練，進而滿足終端客戶需求。因此我們認為，2025年基于應用場景進行二次開發的企業將成為最先放量，且最具彈性的方向。28294 投資邏輯：聚焦二開本體廠商及動捕企業4.1、聚焦①：二開本體廠商環節具體業務公司名稱公司代碼2025/3/12EPS（元）PE最新評級股價（元）2023A2024A/E2025E2026E2023A2024A/E2025E2026E教育科研領域家庭養育陪伴，情感陪伴，stem教具科大訊飛002230.SZ51.800.280.250.370.51190.32209.29144.03104.49未評級優必選9880.HK96.95(3.05)-------未評級養老康養領域養老陪護、康養陪護麥迪科技603990.SH15.63(0.88)(0.66)0.280.34--57.8247.62未評級優必選9880.HK96.95(3.05)0.00(1.86)(1.04)----未評級歐圣電氣301187.SZ41.340.961.391.782.2545.8029.7124.7019.54未評級安防巡檢領域復雜場景簡單業務邏輯處理?？低?02415.SZ33.281.521.711.722.0022.1119.5119.5316.80未評級大華股份002236.SZ18.812.311.011.221.427.8718.6114.9012.80未評級特定領域巡檢電網能源領域業億嘉和603666.SH37.21(0.05)0.170.670.87-222.9559.4345.77未評級300853.SZ32.40(0.69)0.00(0.78)0.10---302.50未評級核電領域-景業智能688290.SH64.170.351.511.472.15203.4342.5848.4433.12未評級302025年，人形機器人關注度已逐漸從供給端轉向需求端，在量產的大背景下，具備垂直應用場景的二開本體廠商無疑是最有可能放量的環節，預期差大，建議重點關注二開本體企業，包括：教育、養老、消防應急、危化、防爆、礦山、