《計算機行業智聯汽車系列之31暨機器人系列之10：具身智能深度研究解耦還是耦合？從AI化到工程化！-230820（37頁）.pdf》由會員分享，可在線閱讀，更多相關《計算機行業智聯汽車系列之31暨機器人系列之10：具身智能深度研究解耦還是耦合？從AI化到工程化！-230820（37頁）.pdf（37頁珍藏版）》請在三個皮匠報告上搜索。

1、行業及產業 行業研究/行業點評 證券研究報告 計算機2023 年 08 月 20 日 具身智能深度研究：解耦還是耦合？從 AI 化到工程化！看好智聯汽車系列之 31 暨機器人系列之 10 相關研究 信創下的華為鏈：軟硬件+自動駕駛+鴻蒙 4，回歸與成長！-計算機行業周報20230807-20230811 2023 年 8月 12日 金融 IT 等順周期如期彈性，具身智能AI催 化頻 頻！-計 算機 行 業周 報20230731-20230804 2023 年 8 月 5日 證券分析師 劉洋 A0230513050006 屠亦婷 A0230512080003 戴文杰 A0230522100006

2、 王珂 A0230521120002 劉正 A0230518100001 楊海晏 A0230518070003 李蕾 A0230519080008 洪依真 A0230519060003 施鑫展 A0230519080002 黃忠煌 A0230519110001 李國盛 A0230521080003 林起賢 A0230519060002 研究支持 崔航 A0230122070011 聯系人 劉洋(8621)23297818 本期投資提示：繪制具身智能（智聯汽車+機器人+智能家居）的產業鏈格局圖，繪制汽車傳感器、機械傳感器、AI 感知、AI 推理+理解+運動的產業鏈位置。1）2020-2022 年

3、，大智聯汽車的傳感器環節是產業鏈重點。2）2022-2023 年，大機器人成為重點，催化劑為特斯拉機器人的進展。3）2022H2 至今，軟件能力、智慧能力，得到大幅度增強，主要是大模型的研發、營銷、工程化落地加速。其中 AI 3D 視覺的 Nerf/BEV/占用網絡大大增強，在正文 1.4-1.6論述。2023 年 6 月 CVPR2023 最佳論文、小鵬 XNGP 能力，增加了自動駕駛大模型的關注度，尤其端到端 AI，在 1.7 論述。具身智能的推理/理解/運動能力大幅增強（例如谷歌/微軟/李飛飛 VoxPoser），其“智慧性”體現在泛化和“零樣本”特征，在 1.8-1.11 論述。討論兩

4、大關鍵問題：耦合/解耦，鐘擺效應。1）部分投資者認為具身智能會“解耦“，即軟件、硬件（甚至制造和生產等）分離。我們認為：可能是兩套體系。尤其“東方式”、“西方式”產業鏈不同。2）正是由于“解耦”與“耦合”，均在較長時間內存在，但市場往往一段時間只傾斜一個，這就形成認知的鐘擺。TMT 很多領域是“耦合“的世界領軍利潤更多（例如安防、手機、工業 AI、半導體、GPU），也有較多領域中“解耦”的世界領軍利潤大（例如專用通信、手機、半導體）。部分領域兩種模式都有巨頭。3）最終兩種路徑往往互相學習、借鑒，形成“折中”的形態。模擬了智能汽車產業鏈中，傳感器、大模型兩套體系互相借鑒和折中的過程，并做了一些預

5、測。當前情況下，具身智能和 AI 軟件的工程化落地是關鍵。1）我們從歷史經驗中發現，現金流好的公司，創新勝率明顯更高。相關公司 1996-2006 年財務情況驗證了安全邊際的重要性：即使網景公司如日中天時，自由現金流也不佳。即使亞馬遜還在起步階段，2002年起自由現金流已經是正數。2）工程化能力雖然難以量化，但凈營業周期往往是很好的代替，就是經營周轉能力。往往反映了“研發+產品+工程+銷售+話語權”。正文提供了一些篩選。如上述 AI 下沉到具身智能（智能汽車、機器人、智能家居），較多領軍公司有機會。但投資者關注的解耦/耦合問題，軟硬件鐘擺問題，會較長時間帶來滲透率的提升，且產業大概率以“多樣性

6、”為結果。其中：1）屬于耦合商業模式的（AI 和軟件能力在服務商乙方本身）：螢石網絡(tmt&家電家居)、德賽西威（tmt&汽車）、中控技術（機械&tmt）、步科股份（申萬機械）。2）屬于解耦商業模式的軟件廠商（AI 和軟件能力在用戶甲方本身）：柏楚電子（申萬機械）、虹軟科技。3）屬于解耦商業模式的代工生產為主（乙方是代工生產為主）：立訊精密（申萬電子）、雙環傳動（申萬汽車&機械）、科博達（申萬汽車）風險：由于復工/宏觀環境等擾動，2022-2023 年內存在業績波動風險。智聯汽車、具身智能領域一向的風險依然是研究競爭、產業鏈地位與管理。若難以相對準確地把握，可能會選中了次好的公司，對投資產生

7、不良的結果。行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 2 頁 共 37 頁 簡單金融 成就夢想 本篇報告：1）解釋具身智能（智聯汽車+機器人+智能家居）的產業鏈格局圖，繪制汽車傳感器、機械傳感器、AI 感知、AI 推理+理解+運動的產業鏈位置。2）再涉及投資者關心的兩大問題：軟硬件解耦還是耦合、認識的“鐘擺效應”。3）技術和工程化的初步篩選；4）部分標的：好的屬于耦合商業模式的（AI 和軟件能力在服務商乙方本身）：螢石網絡(tmt&家電家居)、德賽西威（tmt&汽車）、中控技術（機械&tmt）、步科股份（申萬機械）。屬于解耦商業模式的軟件廠商（AI 和軟件能力在用戶甲方本身）：

8、柏楚電子（申萬機械）、虹軟科技。屬于解耦商業模式的代工生產為主（乙方是代工生產為主）：立訊精密（申萬電子）、雙環傳動（申萬汽車&機械）、科博達（申萬汽車）。1、產業鏈圖理解傳感器+大模型+具身智能 1.1 從框圖開始理解具身智能 AI 下面這張圖是 AI 感知的不同方式，包括傳感后融合、傳感前融合、AI 大模型等。圖 1：AI 感知：機器人+駕駛+具身智能的智能化曾都卡在這里，這里展示“傳感后融合-傳感前融合-AI 大模型”注：這張圖可以近似描述 L2-L3-L4 自動駕駛的信息。最上面是“傳感后融合“，傳感器數據處理后再融合、AVmVpVhVkZfWmOtRnO9PbP7NtRmMnPtQi

9、NpPvNjMpNqRaQnMnMvPoPrOMYrMtP 行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 3 頁 共 37 頁 簡單金融 成就夢想 預測、決策、控制。中間是“傳感前融合“，即數據先同步和融合后，再預測、決策、控制。下面近似為“端到端”，大大增加了預測、規劃、控制的數據處理。資料來源：申萬宏源研究 它尤其適用于描述 L2-L3-L4 自動駕駛的智能化處理方式。而自動駕駛是“具身智能”重要落地場景。最上面是“傳感后融合“，傳感器數據處理后再融合、預測、決策、控制。中間是“傳感前融合“，即數據先同步和融合后，再預測、決策、控制。下面近似為“端到端”，大大增加了預測、規劃、

10、控制的數據處理。如果這個問題擴張到更大的范疇，例如增加 AI 推理+理解+運動，把機器人也繪制進去，就得到下面的“具身智能產業鏈圖”。圖 2：把上述問題放到“具身智能”產業鏈圖，即“智能駕駛+機器人+智能家居”相關傳感器和AI 算法 資料來源：申萬宏源研究 1.2 傳感器：汽車傳感器 對于汽車傳感器（或智能駕駛域控制器），其上下有關系、波特五力情況如下圖。圖 3：汽車傳感器的上下游關系和波特五力 行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 4 頁 共 37 頁 簡單金融 成就夢想 資料來源：申萬宏源研究 圖 4：ADAS 系統在各級別智能汽車中的 ASP 估計（價格單位：元，數量

11、單位：個）資料來源：百度 Apollo 官網，申萬宏源研究 行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 5 頁 共 37 頁 簡單金融 成就夢想 1.3 傳感器：機器人傳感器 類似的，對于機器人傳感器，其上下有關系、波特五力情況如下圖。值得一提的是，2020-2022 年是智能汽車傳感器獲得高關注的階段，尤其“硬件預埋”趨勢下。2022-2023年是機器人傳感器獲得高關注的階段 圖 5：機器人傳感器的上下游關系和波特五力 資料來源：申萬宏源研究 1.4 AI 3D 視覺：NeRF，三維重建新范式 NeRF，即 Neural Radiance Fields（神經輻射場)。其通俗理解

12、：給予海量不同視角的二維圖，合成同一場景不同視角下的圖像。還可以通俗理解為 X-Y-Z到三維極坐標的轉化，第三視角到第一視角的轉化。NeRF 提出的隱式表達以空間點的坐標和觀察者的視角、位置作為輸入，輸出則是點的 RGB 信息和占用密度。占用密度這一點與占用函數相似，但沒有像占用函數那樣粗暴地用 0 和 1 表示一個點是否被占用，而是用 01 之間的數字表示點被占用的程度這樣可以大幅減少計算量。行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 6 頁 共 37 頁 簡單金融 成就夢想 輻射場：如果我們從一個角度向一個靜態空間發射一條射線，我們可以查詢到這條射線在空間中每個點（x,y,z

13、）的密度 ，以及該位置在射線角度(,)下呈現出來的顏色 c（c=(R,G,B)）。即 F(x,y,z,)(R,G,B,)。密度是用來計算權重的，對點上的顏色做加權求和就可以呈現像素顏色。給定 F(x,y,z,)直接查表獲得 RGB 值和密度，給體渲染方法。體渲染：對上述輻射場的密度和顏色做積分，就可以得到像素的顏色，并遍歷所有像素，這個視角下的圖像就渲染出來了。圖 6：NeRF:從相機焦點出發，往一個像素連出一條射線，獲取射穿過空間中每個點的屬性，進行積分得到這個像素的顏色 圖 7：NeRF:五維輸入，輸出顏色和密度，并且做端到端的訓練 資料來源：NeRF:Representing Scene

14、s as Neural Radiance Fields for View Synthesis，申萬宏源研究 資料來源：申萬宏源研究 1.5 AI 3D 感知：BEV，可用于具身智能感知 BEV 鳥瞰圖。BEV 的全稱是 Birds eye view（鳥瞰圖），我們以特斯拉為例：特斯拉車型使用多個攝像頭采集圖像，并進行有效的融合。系統直接通過將所有攝像頭采集圖像通過矯正后，統一輸入到神經網絡來提取特征。然后利用大模型的 Transformer，將這些特征進行關聯，之后再投影到一個向量空間之中。BEV 的通俗理解：把不同視角的觀察合成一個“天眼模式”整體圖，了解全局。尤其圖像是 2D 傳感，通過連

15、續序列，恢復出 3D 信息。行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 7 頁 共 37 頁 簡單金融 成就夢想 圖 8：BEV 方式解決多傳感器 3D 感知問題 資料來源：特斯拉 AI Day 發布，路咖汽車，申萬宏源研究 這種方式的優點有：減少硬件傳感器、提高純視覺精度、可復用多種數據源（甚至多模態），缺點是成本高。1）這種鳥瞰圖仿佛就是開了一個整體視角，讓車輛能夠把近處的感知統一放到一個平面中，盡可能的增大了感知的范圍和冗余度。2）但缺點是成本，2023年，如果要做 BEV 的城市輔助駕駛，可能需要投入超過百億元。3）BEV 可以結合國內的傳感器優勢。盡管國外通常利于 AI

16、 軟件優化智能駕駛，國內通常利用激光雷達等傳感器優化智能駕駛，但 BEV 可以融合激光雷達的點云，做到盡量統一。下圖就是一個案例：主要有兩個分支將點云數據轉換為 BEV 表示。上分支提取 3D 空間中的點云特征，提供更準確的檢測結果。下分支提取 2D 空間中的 BEV 特征（原始點云轉換），提供更高效的網絡。圖 9：BEV 融合激光雷達數據的一個案例 資料來源：自動駕駛之心，申萬宏源研究 行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 8 頁 共 37 頁 簡單金融 成就夢想 1.6 AI 3D 感知：占用網絡 占用網絡 Occupancy Network。Tesla 在 2022

17、年 10 月的 AI Day 中展現了Occupancy Network 感知技術?；镜乃枷胧菍⑷S空間劃分成體素（voxel），通過0/1 賦值對 voxel 進行二分類：有物體的 voxel 賦值為 1，表示 voxel 被物體占據；沒有物體的 voxel 被賦值為 0。當然實際中的賦值可以是概率值，表示 voxel 存在物體的概率，這個概率也可以理解成密度或者透明度。Occupancy Network 的通俗理解：兩維的鳥瞰 BEV，變為三維的鳥瞰。而增加運動序列預測。Voxel 的使用：1）voxel 其實是計算機圖形學和計算機視覺中早期使用的三維重建表達方式，主要用于一些對精度要求

18、不是很高的場景進行三維建模。2）Voxel 的屬性除了是否被占據，還包含語義信息和速度信息（Occupancy Flow）等。其中速度信息是一個三維向量，用于表述 voxel 運動的速度和方向，類似于 2D 圖像中的光流（Optical Flow）。這可以用于判斷物體是否運動。Occupancy 和 Occupancy Flow 都是底層層次信息，非常適合表示非剛體(non-rigid)場景。3）一個應用領域是汽車 AI，還一個領域是 CT 醫學圖像。Voxel 的表達方法存在分辨率、內存占用大、渲染效率的問題，在三維重建領域早已經被 mesh 所取代。但近些年來，隨著深度學習在三維重建領域中

19、的興起，voxel 的重建方案重新興起（以上來自自動駕駛之心2023 年 1 月觀點）。圖 10：Tesla AI day 發布的占用網絡 資料來源：特斯拉在 CVPR2022 公開發布，申萬宏源研究 在恢復空間特征后，融合、恢復高分辨率、復雜輸出是關鍵。特斯拉采用暫時對齊（Temporal Alignment）將不同時序的特征，對齊后融合。進而采用反卷積上采樣，恢復高分辨率。畢竟是分割 3D 空間的每個 voxel,信息量更加稠密，低分辨率可能會導致性能 行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 9 頁 共 37 頁 簡單金融 成就夢想 受限。接下來就是占用網絡的預測輸出（V

20、olume Outputs）。后面則可以做更多高級語義非任務和輸出（比如：Occupancy Flow,Semantic，Shape，Road Surface 等）?？梢愿鶕厮估?CVPR2022 workshop 的演講、特斯拉歷次 AI 發布會的披露，了解細節。占用網絡有雙重監督信號。第一是直接占用值的監督，第二是 NeRF 渲染的監督。智能汽車軟件進步還包括端到端能力、多模態、大模型規控算法等。2023 年 5 月，特斯拉推出 FSD v1.4，要現 FSD 端到端能力，即包含高速領航、城市道路領航和泊車的智駕功能。2023 年 6 月，多模態神經網絡可能成為后續特斯拉亮點，如攝像視

21、頻、地圖、導航、IMU（慣性測量單元）、GPS 等。雖然國內的傳感器方案較為領先，預計會越來越多的借鑒 Transformer、BEV、占用網絡等技術。2023 年 6 月，理想汽車家庭科技日的發布，可以作為國內汽車大模型發展的縮影:1）AD Max 3.0 基于 BEV 架構的車端感知模型已經可以在絕大多數路段實時生成穩定的道路結構信息，奠定擺脫高精地圖依賴的基礎。2)不止感知算法層面，規控算法也使用了大模型技術。3）其 NOA 技術架構特點可以理解為：使用 NPN 特征和 TIN 網絡增強 BEV 大模型，做到不依賴高精地圖，識別萬物；使用模仿學習讓規控算法做出更加擬人的決策；全自動、全閉

22、環的訓練平臺支撐大模型持續進化。1.7 從 AI 感知，到端到端+具身智能（感知+預測+推理+理解+運動）2023 年 6 月，Planning-oriented Autonomous Driving（以路徑規劃為導向的自動駕駛）獲得本屆 CVPR2023 年 最佳論文獎（Best Paper Award），其涉及的是自動駕駛大模型，很多思路可以同時用于未來智聯汽車、具身智能機器人。而上述難點 1）識別控制相關軟件、2）基于感知的運動、5）學習與控制交叉，也在本篇論文的思路中有所涉及。從分塊優化，變成一體化 AI 優化，即“端到端”。在過去自動駕駛 AI 中，一般將認為劃分為多模塊，例如感知、

23、預測、路徑規劃等。論文提出的“端到端”，即一體化訓練、一體化 AI（論文提出 Unified Autonomous Driving，即 UniAD）。它把感知、預測、規劃等三大類主任務、多種子任務（目標檢測、目標跟蹤、場景建圖、軌跡預測、柵格預測和路徑規劃）整合到統一的端到端網絡框架下。圖 11：自動駕駛大模型嘗試多種子任務（目標檢測、目標跟蹤、場景建圖、軌跡預測、柵格預測和路徑規劃）整合到統一的端到端網絡框架 行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 10 頁 共 37 頁 簡單金融 成就夢想 資料來源：Yihan Hu 等Planning-oriented Autonomo

24、us Driving，CVPR2023，申萬宏源研究 例如：1）在 backbone 環節，特征提取，其中涉及 BEV 和多模態等大模型技術。將一系列多相機圖像輸入特征提取器，并將生成的特征通過 BEVFormer 中的現成 BEV 編碼器轉換為統一鳥瞰圖(BEV)特征。UniAD 并不局限于特定的 BEV 編碼器，并且可以利用其他替代方案通過長期時間融合或多模態融合 來提取更豐富的 BEV 表示。2）在感知環節，目標檢測與跟蹤模塊可以實現對動態元素的特征提取、幀間物體跟蹤。檢測和跟蹤 agents。MapFormer 將 map queries 作為道路元素（例如，車道和分隔線）的語義抽象(

25、semantic abstractions)，并對地圖進行全景分割。3）預測模塊，實現動靜態元素交互與長時序軌跡預測，而且已經有“聯合訓練 AI”。占據柵格預測模塊實現了短時序全場景 BEV、實例級預測。由于每個單元的動作都會顯著影響場景中的其他，因此該模塊對所有考慮的單元進行聯合預測。4）在規劃模塊，基于軌跡預測，做防碰撞，其中涉及占用網絡（Occupancy network）等大模型技術?；谧陨淼能壽E預測和基于占據柵格的碰撞優化并使自己遠離 OccFormer 預測的占用區域(occupied regions)以避免碰撞。行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 11 頁

26、 共 37 頁 簡單金融 成就夢想 圖 12：論文指數也每個環節的重要指標，且指出“聯合訓練 AI”的作用，例如兩個識別子任務大大幫助了運動預測 資料來源：Yihan Hu 等Planning-oriented Autonomous Driving，CVPR2023，申萬宏源研究 此前，端對端 AI 訓練很容易出現的問題是：由于涉及環節太多、系統太復雜，很容易出現“局部最優”和“梯度下降”問題。我們本來以為會用殘差網絡（ResNet）增加反饋參數，來幫助自動駕駛大模型的訓練。而論文提出的“聯合訓練 AI”，即預測聯合訓練、預測規劃一體訓練，實現了“類似全局優化”，而“子任務”的引入也細化了環節

27、。這篇論文的趨勢可能會改變具身智能（智聯汽車+機器人+智能家居）的 AI 軟件訓練方式：嘗試端對端，并用一系列聯合訓練，來防止局部最優，達到更好的效果。1.8 具身智能：AI 推理+理解，例如谷歌+微軟等 作為科技巨頭，微軟的 chatGPT 也在努力滲透硬件載體，例如機器人軟件領域。而這些，恰恰將 AI 從感知，推進到推理和理解范疇。ChatGPT 在人機交互的 4 大潛在應用 1）Zero-shot task planning。根據自然語言指令，生成適用于不同機器人平臺和任務的代碼，無需任何預先訓練或微調。這種能力可以讓用戶快速地探索不同的機器人方案，而不需要了解底層的編程細節。場景：機械

28、臂操作、無人機導航、家庭助理機器人等。優點：可以實現跨平臺、跨任務的機器人控制缺點：可能存在代碼錯誤或效率低下的風險。2）User on the loop 交互式對話，以解決復雜的機器人任務，例如需要多步驟或多個目標的任務。用戶可以通過對話提供高層次的反饋、指導或修改指令，而 ChatGPT 可以根據用戶的意圖和上下文調整代碼或行為。這種能力可以讓用戶更靈活地控制機器人，而不需要一次性給出完整的指令。行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 12 頁 共 37 頁 簡單金融 成就夢想 場景：機器人協作、機器人教學、機器人規劃等。優點：可以提高機器人任務的成功率和魯棒性。缺點：可

29、能需要更多的對話輪次或用戶干預。3）Perception-action loops ChatGPT 可以利用視覺信息來指導機器人的動作，例如識別物體、估計距離、規避障礙等?？梢酝ㄟ^ XML 標簽或其他格式來接收和處理圖像數據，并生成相應的代碼或動作序列。這種能力可以讓機器人更好地適應復雜和動態的環境，而不需要預先定義所有可能的情況。適用場景包括機器人導航、機器人抓取、機器人搜索等。優點是可以增強機器人的感知和決策能力。缺點是可能存在視覺誤識別或動作不準確的風險。1）Reasoning and common-sense robotics tasks ChatGPT 可以利用常識知識和推理能力來解

30、決一些需要邏輯、幾何或數學思維的機器人任務，例如計算角度、判斷方向、選擇最優路徑等。ChatGPT 可以通過自然語言或數學表達式來表達和解決這些問題，并生成相應的代碼或動作序列。這種能力可以讓機器人更智能地執行一些抽象或難以描述的任務，而不需要用戶提供過多的細節。適用場景包括機器人推理、機器人游戲、機器人創造等。優點是可以拓展機器人的應用范圍和難度。缺點是可能存在常識錯誤或推理失敗的風險。圖 13：當用戶的指令模糊不清時，ChatGPT 會提出澄清問題 圖 14：工業檢查場景：Microsoft AirSim 模擬器ChatGPT 能夠有效解析用戶的高級意圖和幾何線索，準確控制無人機 資料來源

31、：申萬宏源研究 資料來源：微軟官方網站，申萬宏源研究 谷歌的 PaLM-E 會利于具身智能（Embodied AI）的發展。一方面，具身智能主要涉及機器人的感知、規劃、控制、導航等上層部分。另一方面，具身 AI 不再像傳統 AI 僅從圖像、視頻、文本等數據庫中學習，而是基于自身傳感器（多是視覺傳感器）感知環境并通過與環境交互進行學習。大模型 AI 發展后，其對具身智能的提升至少包括：行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 13 頁 共 37 頁 簡單金融 成就夢想 1）通過抽象的自然語言直接對機械智能控制。2）Zero shot 下的 CV 能力：圖像分類、語義分割、目標檢測

32、、實例分割、物體追蹤。3）更多跨模態的理解能力。其中，PaLM-E目前一大特色就是跨模態。PaLM-E(562 Billion parameters)=PalM(540B)+ViT(Vision Transformer,22B)。它本身是個多模態的大模型，不僅能理解文本，還能理解圖片（因為加了 ViT），可以理解圖片中的語義信息。Few-shot prompt 可以看懂笑話（左上角），zero-shot 可以具有圖文思維鏈 圖 15：PaLM-E 圖像分割、語義分割、目標檢測、實例分割四種任務 資料來源：PaLM-E:An Embodied Multimodal Language Model，

33、申萬宏源研究 1.9 具身智能：AI 理解+運動 上述微軟、谷歌等 AI 功能，似乎和運動執行、路徑規劃等更加聚焦的智能關聯度低，而以 UCLA 論文 Design of a Highly Dynamic Humanoid Robot、Development and Real-Time Optimization-based Control of a Full-sized Humanoid for Dynamic Walking and Running為例，涉及這些軟件較為深入。這些會啟發我們 2023H2 甚至未來多年，機器人軟件、AI 大模型的一些趨勢。計算單元分為控制安全接口、控制接口、攝

34、像感知接口、硬件接口等，均涉及軟件。圖 16：UCLA 機器人論文中 ARTEMISS 的軟件系統示意，包括安全接口、控制接口、攝像感知接口、硬件接口等。行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 14 頁 共 37 頁 簡單金融 成就夢想 資料來源：UCLADevelopment and Real-Time Optimization-based Control of a Full-sized Humanoid for Dynamic Walking and Running，申萬宏源研究 它們對 AI 機器人軟件的涉及包括：1）穩定性問題，可以歸納為識別、控制相關軟件。ARTEM

35、IS 的最初動機是一個可以進行超動態運動的平臺。本論文側重于這項努力的第一步，有力地行走和奔跑的能力。后續希望滿足跳躍/轉身等復雜問題，需要做一些延展。例如：其一為推廣運動生成流水線，使其不需要專家知識和平臺經驗（可以歸納為 zero-shot 經驗的運動生成），其二為提高穩定性的軟件（跟蹤潛在復雜和快速變化的魯棒控制器）。2）路徑規劃。當前已經有一定“泛化”能力，希望后續發展身體控制/路徑規劃/跨平臺運動（沒有感知數據、地面上存在重大障礙物時，ARTEMIS 也能夠保持平衡并在遇到意外時避免掉落。這是因為 ARTEMIS 的運動堆棧的反應性質）。但下一步可以在沒有運算指引的情況下，通過身體控

36、制、路徑規劃等，實現高效的運動(ARTEMIS 可以穩健地從 A 點移動到 B 點，但走 哪條路仍然是一個未完成的任務)。如果這樣做成，不僅限于 ARTEMIS，還為混合系統的路徑規劃領域開辟路徑。3）基于感知的運動，下一步有兩個路徑，一個是多步驟足跡規劃，一個是狀態估計。當前基于環境的運動有一定進展。當前先感知數據，以告知機器人腳可以定位的安全區域，這可以從頭部的立體相機或位于其身體的兩個立體相機獲得。感知數據可用后，下一個挑戰是呆在安全區域。一個解決方法是，更長的足跡規劃；另一個解決方法是，態估計。目前機器人浮動底座的位置狀態不可觀察，導致坐標系漂移。若將感知數據與定位上下文中的狀態估計結

37、合，則所有狀態都變得可觀察。行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 15 頁 共 37 頁 簡單金融 成就夢想 圖 17：ARTEMISS 平臺上的三維 ZED 視覺可以幫助基于視覺的路徑規劃 資料來源：UCLADevelopment and Real-Time Optimization-based Control of a Full-sized Humanoid for Dynamic Walking and Running，申萬宏源研究 圖 18：ZED 2 的三維視覺和兩個英特爾實感 D435i 拼接后，生成周圍環境的點云，幫助基于感知的路徑規劃。資料來源：UCLADe

38、velopment and Real-Time Optimization-based Control of a Full-sized Humanoid for Dynamic Walking and Running，申萬宏源研究 盡管這是當前領先的設計，但也做出下一步機器人軟件發展的趨勢展望：4）把物理接觸建模，在抓取/碰撞等任務中，問題會放大。工作控制器中，模擬建模和實際物理情況，經常有差距。模擬與現實之間的差距經常在學習社區中討論，但在機器人技術中卻很少被強調。這個問題可能會在碰撞檢查很重要的其他機器人領域反復出現，例如靈巧操 作和抓取領域。行業點評 請務必仔細閱讀正文之后的各項信息披露與

39、聲明 第 16 頁 共 37 頁 簡單金融 成就夢想 5）學習與控制交叉口。硬件上做上述測試，成本太高。在考慮魯棒性或隨機性的作品，但另一種方法可能是在管道中采用基于機器學習 AI 的方法。而且可以推測，一旦 AI 訓練資源足夠，很可能后續的動作會更加多樣。因為論文提到，“模型相關的計算負擔，模型中的非線性通常會禁止它們在在線規劃和控制中的使用”（“Additionally,nonlinearities in the models often prohibit their usage in online planning and control because of the computati

40、onal burden associated with them“）。6）人機交互（HRI）。ARTEMIS 也可 以成為一個有趣的平臺，可用于探討超動態運動以外的主題，其中之一就是人機交互。7）合成運動，也就是連續運動反映的意圖和情緒。運動發生的規模和速度可以暗示接下來的運動是什么。此外，運動的空間和時 間方面的差異也可以表示情緒和意圖。而其中 1）識別控制相關軟件、2）基于感知的運動、5）學習與控制交叉，正是下一章節論文涉及的。1.10 具身智能的零樣本嘗試：如李飛飛 VoxPoser 解決需要預定義動作、機器無法直接被 LLM（大語言模型）操控問題。2023 年 7 月VoxPoser:

41、Composable 3D Value Maps for Robotic Manipulation with Language Models中，指出：1）很多訓練需要預訓練、預定義。大語言模型 LLM 雖然取得了進展，但大多數人仍然依賴預定義的動作原語來與環境進行物理交互，這仍然是一個主要瓶頸。2）大語言模型直接輸出控制不可行。文本通常由高維空間中的高頻控制信號驅動，而機器人運動無法直接達到高維高頻率。本論文的解決思路是利用 LLM 的優點。LLM 在自由形式語言教學中，擅長推斷可能性和約束條件。而且，通過 LLM 可以具備代碼編寫能力。代碼能力可以與視覺語言模型（VLM）交互，以組成 3D

42、價值圖，將知識根植于觀察空間。然后將組合的值映射為機器人的軌跡（專業說法是，基于模型的、零樣本、具有動態擾動魯棒性的閉環機器人軌跡）。論文將這種方法稱為VOXPOSER。這是一種從LLM中提取可能性和約束的公式，用于在 3D觀察空間中組成體素（Voxel1）值圖，以引導機器人與環境交互。具體來看：1)從指令語言中，輸出語言的可供性和約束；2)轉化成 PYTHON 代碼；3)代碼調用 API；1 體素(voxel),是像素(pixel)、體積(volume)和元素(element)的組合詞,相當于 3D 空間中的像素。體素用于三維成像、科學數據與醫學影像等領域。概念上類似二維空間的最小單位像素。

43、也可以把它類比為點云（激光雷達的輸出）的簡化版本。行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 17 頁 共 37 頁 簡單金融 成就夢想 4)API操縱 3D 體素（Voxel）；5）AI 的獎勵機制（正文指出，有效地提供觀察空間中的“密集獎勵”，能夠在每一步都重新規劃）訓練動作；6）路徑規劃期目標函數，并合成路徑。圖 19：VoxPoser 算法示意圖 注：最上面一行展示了“感興趣的實體”是對象或零件的位置，值映射將引導它們指向目標位置。下面兩行展示了“感興趣的實體”是機器人末端執行器的任務。最底層的任務涉及兩個階段，這兩個階段也由 LLM 協調。資料來源：VoxPoser:C

44、omposable 3D Value Maps for Robotic Manipulation with Language Models，申萬宏源研究 圖 20：VoxPoser 的零樣本合成軌跡和錯誤分解 資料來源：VoxPoser:Composable 3D Value Maps for Robotic Manipulation with Language Models，申萬宏源研究 行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 18 頁 共 37 頁 簡單金融 成就夢想 1.11 具身智能的泛化嘗試：谷歌 RT1、RT2 我們分析了 2022 年 12 月RT-1:ROBO

45、TICS TRANSFORMER FOR REAL-WORLD CONTROL AT SCALE、2023 年 7 月 RT-2:Vision-Language-Action Models Transfer Web Knowledge to Robotic Control，做一些分析。2022 年 12 月RT-1:ROBOTICS TRANSFORMER FOR REAL-WORLD CONTROL AT SCALE，指出：1）難點是可擴展和大容量。AI 在視覺、NLP 等領域已經成功，從孤立的小規模數據模型轉向大型通用模型（預訓練過）。后續，要點是開放式任務不可知訓練，以及能夠吸收大規模數

46、據，形成高容量架構。2）難點是機器人的多任務模型。在有監督學習中，消除對大型特定任務數據集的訓練很有意義，但對于多任務訓練很難。在機器人領域，希望訓練一個強力的、大型的多任務骨干模型。圖 21：RT-1 的體系結構圖 注：該指令被轉換后，通過 FiLM 層調節預先訓練的 EfficientNet。生成的視覺語言標記由TokenLearner 精簡，輸入到 Transformer 中，輸出標記化動作 資料來源：RT-1:ROBOTICS TRANSFORMER FOR REAL-WORLD CONTROL AT SCALE，申萬宏源研究 具體來說：行業點評 請務必仔細閱讀正文之后的各項信息披露與

47、聲明 第 19 頁 共 37 頁 簡單金融 成就夢想 3）對圖像和語言，轉為標記 Token。模型建立在 Transformer 架構上，以圖像和任務描述的歷史作為輸入，并直接輸出標記化的動作。4）依賴圖像和語言的預訓練，這是后續可以改善的。圖像通過 ImageNet 預訓練的EfficientNet-B3（Tan&Le，2019）模型，該模型以 6 幅分辨率為 300300 的圖像作為輸入，并從最終卷積層輸出形狀為 99512 的空間特征圖。對于語言的預訓練，先通過Universal 語句編碼器嵌入（Cer 等人，2018）。然后轉為 FiLM 層（Perez 等，2018）的輸入。該層被添

48、加到預訓練的 EfficientNet 中，以調節圖像編碼器。5）經過 TokenLearner，到標記化動作。上述指令被轉換后，通過 FiLM 層調節預先訓練的 EfficientNet。生成的視覺語言標記由 TokenLearner 精簡，輸入到 Transformer中，輸出標記化動作。2023年7月 RT-2:Vision-Language-Action Models Transfer Web Knowledge to Robotic Control。1）增加互聯網學習能力，利于擴展。論文指出：研究了如何將基于互聯網規模數據訓練的視覺語言模型直接納入端到端機器人控制中。并使 RT-2

49、能夠從互聯網規模的訓練中獲得一系列緊急能力。這利于解釋機器人訓練數據中不存在的命令的能力（例如將對象放置在特定數字或圖標上），以及響應用戶命令執行基本推理的能力（如例如拾取最小或最大的對象或最接近另一對象的對象）。2）增加有效率的“泛化“能力。論文指出：為了將自然語言響應和機器人動作都適應相同的格式，將動作表示為文本標記，并以與自然語言標記相同的方式將其直接合并到模型的訓練集中。正文稱之為視覺語言動作模型（VLA）。值得注意的是，本文的 VLA/VLM 與李飛飛團隊定義的 VLM 的含義有相似之處，均為 vision language action model，只是 VLA 更強調動作 act

50、ion。3）強調了動作微調。為了使視覺語言模型能夠控制機器人，必須訓練它們輸出動作。論文采取了一種直接的方法來解決這個問題，將動作表示為模型輸出中的標記（類似語言標記）。動作空間主要包括機器人末端執行器的六自由度（6DoF）位置和旋轉位移。連續維度（除離散終止命令外）被均勻地離散為 256 個倉。因此，機器人動作可以使用離散倉的序數表示為 8個整數。為了使用這些離散化的動作將視覺語言微調為 VLA(視覺語言動作模型)，需要將模型的現有標記化中的標記與離散動作倉相關聯?？梢姡篟T-2 的發展，將“具身智能”的智能化繼續推進。它 1）延續了 RT-1 的多模態（視覺、指令、動作一體化智能），與李飛

51、飛團隊VoxPoser 的 VLM思路有相似之處。2）泛化和延展性大大增加，但在“0 樣本”和動作自由度上，依然有空間。行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 20 頁 共 37 頁 簡單金融 成就夢想 3）投資者 2022-2023 年機器人投資標的主要是減速器、傳感器等硬件，預計未來會走向大模型軟件等標的。4）相關標的：柏楚電子（申萬機械）、虹軟科技、中控技術（tmt&機械）、螢石網絡等。圖 22：RT-2 能夠概括到需要推理、符號理解和人類認知 資料來源：RT-2:Vision-Language-Action Models Transfer Web Knowledge

52、to Robotic Control,申萬宏源研究 圖 23：RT-2 在應急技能（左）、大小和訓練消融中（右）的定量表現 資料來源：RT-2:Vision-Language-Action Models Transfer Web Knowledge to Robotic Control,申萬宏源研究 1.12 產業鏈小結 可見：1）2020-2022 年，大智聯汽車的傳感器環節是產業鏈重點。2）2022-2023 年，大機器人成為重點，催化劑為特斯拉機器人的進展。行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 21 頁 共 37 頁 簡單金融 成就夢想 3）2022H2 至今，軟件能

53、力、智慧能力，得到大幅度增強，主要是大模型的研發、營銷、工程化落地加速。其中 AI 3D 視覺的 Nerf/BEV/占用網絡大大增強，在 1.4-1.6 論述。2023 年 6 月CVPR2023 最佳論文、小鵬 XNGP 能力，增加了自動駕駛大模型的關注度，尤其端到端AI，在 1.7 論述。具身智能的推理/理解/運動能力大幅增強，其“智慧性”體現在泛化和“零樣本”特征，在 1.8-1.11 論述。因此下圖基本就是當前“具身智能”產業鏈圖。圖 24：具身智能的產業鏈示意圖，近半年的學術和產業界進展迅速 資料來源：申萬宏源研究 2、兩大關鍵問題 本章討論兩大關鍵問題：耦合/解耦，鐘擺效應。2.1

54、 軟硬件耦合或解耦：可能是兩套體系 部分投資者認為具身智能會“解耦“，即軟件、硬件（甚至制造和生產等）分離。我們認為：可能是兩套體系。尤其“東方式”、“西方式”產業鏈不同。我們的科技 TMT 價值鏈往往屬于“東方式”，即下圖的右側。我們每個環節的價值鏈都相對平均，體現“行行出狀元”，也與“共同富?！备悠鹾?。這樣為了變強變大，往往需要在零件/產品/IT服務/品牌均較為出色，才能成為國內 tmt 領軍。這樣會促進“硬件 行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 22 頁 共 37 頁 簡單金融 成就夢想+軟件+生產一體化”，也會促進 tmt 領軍直接接觸客戶（下圖右半邊，用灰色部

55、分把多個產業鏈環節“耦合”起來）。而“西方式”的 tmt 往往是“解耦“的，某個細分領域成為世界領先即可，即使當前甚至較長時間不盈利。一旦持續收入較快增長，預計會在某個時間扭虧為盈，利潤率快速提升（例如 NFT、chatGPT、軟件等較為虛擬的事物在西方更流行）。圖 25：東西方 TMT 產業鏈的價值分配不同，所以具身智能是“解耦”還是”耦合”,有可能兩套體系 資料來源：申萬宏源研究 東方更偏重于固定資產定價，而西方更偏重無形資產定價。圖中，右邊“基礎軟件”的價值鏈 15%低于左邊的 30%。而數據要素的交易，可以讓軟件、無形資產定價，更加公允的給高附加值業務回報，也符合“全要素分配”的原理。

56、圖中左邊的情形是給予了無形資產更多的定價，即體現更多因素和貢獻，“數據要素“就在其中。數字經濟的內涵，至少要求我們兩者的 tmt產業鏈都要布局好。如果完成“數字經濟”，包括了“東西合璧”的科技布局，實際與”雙循環“息息相關。2.2 鐘擺效應 正是由于“解耦”與“耦合”，均在較長時間內存在，但市場往往一段時間只傾斜一個，這就形成認知的鐘擺。下表中，TMT很多領域是“耦合“的世界領軍利潤更多，也有較多領域中“解耦”的世界領軍利潤大。行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 23 頁 共 37 頁 簡單金融 成就夢想 表 1：實際上，ICT 的很多領域，解耦與耦合都有世界領軍。但投資

57、者的理解有“鐘擺效應”（單位：億美元）公司或領域 最新財年收入 最新財年利潤 公司或領域 最新財年收入 最新財年利潤 專用通信 解耦 億聯網絡 7 億美元 3 億美元 安防 AI 解耦-耦合 安防雙杰 160+億美元 21+億美元 手機 解耦 谷歌（安卓收入）420 億美元 210 億美元 耦合 蘋果 3943 億美元 998 億美元 工業 AI 解耦 艾斯本 10 億美元 虧損1億美元 耦合 中控技術 9.5 億美元 1.1 億美元 半導體 解耦 臺積電 319 億美元 126 億美元 耦合 英特爾 631 億美元 80 億美元 GPU 解耦-耦合（含 CUDA）英偉達 270 億美元 44

58、 億美元 注：為了方便國際級別比較，都采用億美元單位，并做一定近似 資料來源：Wind,bloomberg,申萬宏源研究 最終兩種路徑往往互相學習、借鑒，形成“折中”的形態。下圖模擬了智能汽車產業鏈中，傳感器、大模型兩套體系互相借鑒和折中的過程，并做了一些預測。圖 26：以智能汽車為例，兩種體系，往往互相借鑒和折中 資料來源：申萬宏源研究 行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 24 頁 共 37 頁 簡單金融 成就夢想 3、下一步：現金流和工程化 當前情況下，具身智能和 AI 軟件的工程化落地是關鍵。我們從歷史經驗中發現，現金流好的公司，創新勝率明顯更高。工程化能力雖然難以

59、量化，但凈營業周期往往是很好的代替，就是經營周轉能力。往往反映了“研發+產品+工程+銷售+話語權”。3.1“倉廩實而知禮節”：適用于具身智能+AIGC 從當前互聯網、互聯網+，都可以發現：有較好的現金流，對創新的勝率明顯提高。這也適用于具身智能、AIGC。眾所眾知，1995-2001 年“信息高速公路”，帶來了產業和股票都較大表現。但此后為“泡沫破裂”、“去偽存真”。最后崛起的代表例如微軟、亞馬遜、思科、英特爾；讓人惋惜的代表包括網景公司、Webvan、雅虎等。1）網景公司 Netscape。微軟在于網景競爭中逐漸處于上風。1998 年 11 月 24 日，美國在線以 42 億美元、免稅換股的

60、方式，收購網景。而在 2000 年美國在線又與時代華納合并。2007 年 12 月 28 日，美國在線在博客表示將停止網景瀏覽器的開發 2）雅虎。1998 年，雅虎本來有機會收購當時的谷歌雛形“BackRub（網絡爬蟲）”項目，谷歌創始人拉里佩奇和謝爾蓋布林要價 100 萬美元將項目賣給雅虎。但當時的雅虎只愿意在搜索方面跟它合作。2006 年，雅虎報價 10 億美元收購 Facebook，但最終收購價下調至 8.5 億美元，雅虎沒有收購。2008 年，微軟出價 446 億美金試圖收購雅虎，但沒有成功。我們認為，雅虎對技術的關注度高低、對長期發展的關注高低，決定了這幾次決策。3）Webvan。W

61、ebvan 是一家美國的網上雜貨零售商，曾經一度非常著名。當時，Webvan 一度開支巨大。Webvan 斥資 10 億美元建設先進的倉庫，但這并不能迅速帶來回報。Webvan 在 2001 年宣布破產。我們認為，1995-2001 年生存下來、甚至最終發展壯大為互聯網領軍的：第一點是長期主義，體驗在戰略和研發。1997 年亞馬遜的貝索斯開始寫致股東的信，希望創造一種“經久不衰的特許經營權”機制,一種通過釋放互聯網的力量，這體現著長期主義。這種精神，在最終互聯網領軍上均有體現。第二點是安全邊際，主要通過現金流體現。相關公司 1996-2006 年財務情況驗證了安全邊際的重要性：即使網景公司如日

62、中天時，自由現金流也不佳。即使亞馬遜還在起步階段，2002 年起自由現金流已經是正數。表 2:1999-2001 年，最后生存、成功，與不成功公司的差別除了戰略、技術，現金流很關鍵（單位：百萬美元）自由現金流（百萬美元）96A 97A 98A 99A 00A 01A 02A 03A 04A 05A 06A 網景公司(69)(61)(28)-行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 25 頁 共 37 頁 簡單金融 成就夢想 微軟(MICROSOFT)3225 4190 6224 11563 10547 12319 13739 14906 13517 15793 12826 亞馬

63、遜(AMAZON)(3)(7)3 (378)(265)(170)135 347 477 529 486 雅虎-(8288)Webvan (45)(209)(713)-倒閉，現金流斷裂關鍵-注 1：EDGAR 系統導出雅虎數據不夠完整，但 2006 年數據可以推測當時雅虎現金流不算充盈。注 2：從事電商的亞馬遜，2002 年自由現金流出色，較為關鍵 注 3：同樣從 2001 年風波后較好的思科、英特爾，必然是技術、戰略、現金流較好，因此不必羅列 資料來源：EDGAR，Wind，申萬宏源研究 2013-2015 年的“互聯網+”、“云計算大數據”，最終較為成功的公司包括東方財富、同花順，依然活躍的

64、公司包括浪潮信息、中科曙光、啟明星辰等。第一點同樣是長期主義，體驗在戰略和研發。這與 1995-2001 年互聯網經驗一致。第二點是安全邊際，主要通過現金流體現。實際上，自由現金流是商業模式決定的。根據“互聯網+”的自由現金流情況，可以在開始階段就預測未來的成功概率。而依據東方財富、同花順、浪潮信息、中科曙光、啟明星辰等的研發和現金流，當時就可以預測，成功概率相對高。表 3：2013-2015 年科技浪潮后，當時研發和自由現金流或能幫助篩選（單位：百萬元）研發投入 自由現金流 15A 13A 14A 15A 16A 17A 18A 19A 互聯網+300059.SZ 東方財富 149 449

65、2,350 352 -5,870 -6,409 2,470 11,644 300033.SZ 同花順 279 23 148 1,508 739 551 423 1,090 300226.SZ 上海鋼聯 26 -47 -455 -167 -790 -1,265 -346 -650 600571.SH 信雅達 301 -20 233 75 121 13 53 21 300130.SZ 新國都 131 -19 -182 189 221 3 224 198 300085.SZ 銀之杰 54 -24 10 15 29 -87 83 -72 002657.SZ 中科金財 142 75 188 333 23

66、2 64 -61 -146 300253.SZ 衛寧健康 89 29 21 -156 -194 -82 -43 42 300168.SZ 萬達信息 343 -129 -228 -360 -236 -454 -471 -243 云計算+大數據 000977.SZ 浪潮信息 525 -1,040 -543 -589 -328 -38 912 430 603019.SH 中科曙光 278 -75 -105 -193 -563 -551 -2 2,419 002439.SZ 啟明星辰 319 190 300 332 -64 146 186 329 002268.SZ 衛士通 148 36 34 -36

67、6 -771 -233 -120 -182 300297.SZ 藍盾股份 92 -90 -97 -126 -15 -782 -1,548 -561 600756.SH 浪潮軟件 131 27 -15 83 -3 -203 62 21 300302.SZ 同有科技 19 -67 12 265 -73 -193 -41 -22 300188.SZ 美亞柏科 111 27 138 147 279 121 -161 219 行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 26 頁 共 37 頁 簡單金融 成就夢想 注 1：市場普遍認為 2013-2015 年后，互聯網+、云計算大數據，大多數

68、公司是不成功的。自最后相對進展順利的公司，普遍研發投入較大，現金流較好。即 2015 年時應能預測哪些公司未來能生存和發展。注 2：云計算大數據公司，較多是硬件設備，開始自由現金流不佳。但隨著產業地位提高，2018 年后現金流都在變好 資料來源：Wind,申萬宏源研究 3.2 技術和工程能力的財務篩選 工程化能力雖然難以量化，但凈營業周期往往是很好的代替，就是經營周轉能力。往往反映了“研發+產品+工程+銷售+話語權”。表 4：用幾項指標近似分析工程化能力（百萬元，日）研發投入 自由現金流（百萬元）凈營業周期（日）22A 18A 19A 20A 21A 22A 18A 19A 20A 21A 2

69、2A 688475.SH 螢石網絡 603 436 337 -277 -88 398 -158 -59 55 67 688188.SH 柏楚電子 144 136 127 318 335 523 102 94 88 148 204 688777.SH 中控技術 692 418 451 639 22 203 261 261 268 243 215 688088.SH 虹軟科技 288 237 180 18 20 -83 -138 74 101 168 165 002920.SZ 德賽西威 1,663 489 4 8 167 -689 70 68 54 62 80 剔除原材料影響 后的自由現金流 7

70、48 -52 158 739 135 002475.SZ 立訊精密 8,447 -2,014 1,103 -629 -5,282 -857 42 17 7 7 13 剔除原材料影響 后的自由現金流-1,858 124 -1,732 1,521 002472.SZ 雙環傳動 298 -1,417 -221 167 -233 -417 161 168 145 113 115 603728.SH 鳴志電器 218 6 65 185 -14 -191 83 91 88 86 117 002050.SZ 三花智控 989 373 1,031 938 -396 -432 77 83 76 73 84 60

71、3197.SH 保隆科技 327 101 -97 -4 -173 -447 100 83 100 106 123 603786.SH 科博達 374 196 430 419 249 -225 144 152 152 189 215 剔除原材料影響 后的自由現金流 490 359 442 471 -92 注 1：工程化能力雖然數據上比較難以量化，但研發投入、周轉速度（反映技術+產品+工程+銷售+粘性）、現金流（收款+產業鏈話語權）可以做一個代替 注 2:2021-2022 年較多公司囤積上游芯片。因此把存貨中購買原材料的增量剔除后，得到修正后的自由現金流 資料來源：Wind，申萬宏源研究 4、產

72、業鏈和標的：解耦或耦合都有領軍 如上述 AI 下沉到具身智能（智能汽車、機器人、智能家居），較多領軍公司有機會。但投資者關注的解耦/耦合問題，軟硬件鐘擺問題，會較長時間帶來滲透率的提升，且產業大概率以“多樣性”為結果。其中：行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 27 頁 共 37 頁 簡單金融 成就夢想 1）屬于耦合商業模式的（AI 和軟件能力在服務商乙方本身）：螢石網絡(tmt&家電家居)、德賽西威（tmt&汽車）、中控技術（機械&tmt）、步科股份（申萬機械）。2）屬于解耦商業模式的軟件廠商（AI 和軟件能力在用戶甲方本身）：柏楚電子（申萬機械）、虹軟科技。3）屬于解耦

73、商業模式的代工生產為主（乙方是代工生產為主）：立訊精密（申萬電子）、雙環傳動（申萬汽車&機械）、科博達（申萬汽車）。4.1 螢石網絡：工程能力強+2C 機器人 螢石網絡短中長期邏輯均有較大看點：短期看，半年報業績超預期且高增有望持續；中期看，“SaaS+AI”拉動新增量，螢石云有望非線性加速；長期看，面向具身智能積極備戰，有望成為 2C 機器人“國家隊”。首先，公司近期發布 2023 半年報，利潤大超預期：2023 上半年收入 22.85 億元，同比增長 9.3%；歸母凈利潤 2.59 億元，同比增長 70.3%。其中 23Q2 收入 12.06 億元，同比增長 14.1%，歸母凈利潤 1.6

74、7 億元，同比增長 100%。我們在業績前瞻中預測 23Q2 收入 12 億元、歸母凈利潤 1.25 億元，實際收入完全符合預期，利潤大超預期。23Q2 毛利率同比大幅提升 8.6pct 至 44.6%，是利潤超預期的主要推動力。我們認為原因在于：1）公司通過對采購和訂單管理精細化，使得供應鏈成本下降；2）上半年主要電子元器件價格處于下行周期；3）收入結構上，毛利率水平偏低的專業客戶占比下降、高毛利率的物聯網云平臺業務占比提升、海外業務占比提升。以上 1）、3）兩點因素將在長周期維度上，持續提升公司毛利率中樞。圖 27：在管理和業務結構優化下，螢石的毛利率中樞有望持續提升 資料來源：wind、

75、申萬宏源研究 其次，“SaaS+AI”拉動新增量，螢石云有望非線性加速。此前云服務付費率不高（根據公司年報，2022 年 C 端持有螢石設備的年度累計活躍用戶數約 2100 萬，持有螢石設備的年度累計付費用戶數約 227 萬，付費率約 10.8%），主要由于能力單一（云存儲占絕對 行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 28 頁 共 37 頁 簡單金融 成就夢想 大頭）。當前變化正在發生，2022 年底公司推出了首款老人看護服務套包，此外面向寵物看護、兒童看護等特殊場景將持續推出 SaaS 化訂閱的 AI 算法包，通過為客戶提供增量價值、切中用戶剛需，實現云業務付費率、ARP

76、U 值的上行。并且在未來有望結合 AI 大模型，在改善體驗的同時增加收費點，進一步提升云服務收入增速和占比。圖 28：C 端 SaaS+AI 算法增值服務切中用戶剛需，實現付費率和 ARPU 提升 資料來源：螢石網絡 2022 年報、申萬宏源研究 第三，面向具身智能積極備戰，有望成為 2C 機器人“國家隊”。我們認為，公司發展具身智能已集齊多重有利因素：1）起步早、能力全。公司在 2023 半年報中，明確表示“針對 C 端具身智能機器人方面做積極的布局沉淀和前瞻性預研?！苯刂辽习肽暝谘械?9 大項目中，多數與具身智能相關，其中技術涉及硬件的運動控制、軟件的導航算法，以及大模型、云邊融合等，均將

77、為2C 機器人的研發奠定基礎。在智能服務機器人產品線上，目前公司已經布局了清潔機器人和陪伴機器人，未來產品線有望持續豐富。2）云能力+制造能力，兩道護城河。一方面，公司憑借稀缺的云服務能力，能夠為智能家居和機器人注入智慧的靈魂，提升用戶體驗，并實現快速迭代進化；另一方面，公司不斷強化制造能力，包括 IPO 募投的螢石智能制造重慶基地項目，將為 2C 機器人降低成本、快速迭代帶來關鍵優勢，有望更快實現“更低成本-更高市占-更多數據-更大競爭優勢”的飛輪，在 C 端具身智能領域占據領先位置。3）既有國家隊身份，又富有管理活力。螢石實控人為中電科，又背靠實力強勁的母公司，C 端機器人“國家隊”身份下

78、容易獲得各方資源支持；同時，公司管理團隊在長期的市場競爭中，已經充分證明了戰略和管理能力，并擁有高度市場化的激勵機制。表：螢石網絡在研項目大量在為具身智能儲備技術 項目名稱 進展或階段性成果 擬達到目標 技術水平 具體應用前景 基于特征報文識別的 ez-mesh 網絡自收斂技術研發項目 已完成特征報文識別與自收斂技術的算法設計與功能開發，已經能夠對 ez-mesh網絡中部分通過特征報文識別技術精確識別、過濾并分級智能家居系統中的各類報文，為 ez-mesh 網絡中各節點收斂領先于業內主流的智能家居系統 智能家居產品 行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 29 頁 共 37

79、頁 簡單金融 成就夢想 類型的節點生效 提供算法支撐 螢石邊緣計算能力升級研發 產品已經發布，逐步完善和迭代產品的兼容性、低延時等性能指標 南北向通過支撐豐富的接入協議以連接更豐富的產品，東西向通過互聯互通協議進行高效的、云邊結合的互操作通信 在協議兼容性方面逐步豐富，云邊結合的互操作能力保持領先 物聯網云平臺 基于智能視覺的新一代清潔服務機器人研發 產品正在進行測試驗證中，提升了導航與避障關鍵性能，提升了在掃、拖、集塵等重要性能 針對現有市場，布局新一代產品，并通過技術創新、形態創新，解決用戶使用痛點，滿足不同市場的用戶需求，升級體驗 實現高精度導航與定位；實現底盤運動控制模塊平臺化；將視覺

80、與其他類別傳感器融合，可檢測障礙物距離并智能識別障礙物 智能家居產品 基于智能視覺的掃拖洗機器人研發 正在進行產品預研工作 基于視覺的單線結構光避障技術，在導航與路徑規劃中檢測障礙物并精準地避開障礙物；優化掃地機器人清掃方案，升級用戶體驗 提升視覺的單線結構光避障技術，優化避障技術能力、回收清潔效率，具備自動清潔、裝卸等功能 智能家居產品 基于家庭邊緣計算的室內行為識別 已完成樣機制作，并進行數據采集及圖像優化，通過數據訓練和優化算法，驗證傳感器對室內行為的識別效果 通過室內智能家居攝像機及智能傳感器，基于保護用戶隱私的設計原則，結合家庭內設備的邊緣運算技術，為用戶推薦更精準的智能家居場景模式

81、，帶來更好的系統使用體驗 領先于業內主流智能家居全屋系統水平 智能家居產品 基于 AGI 的智能服務升級研發 已完成架構設計，已完成基于私域知識庫進行問答的原型開發 基于大模型技術，針對現有的人工智能技術進行升級，并探討對話及視頻領域的新的應用模式 提升現有多模態數據語義識別的精確度、降低訓練所需數據量 物聯網云平臺 數據挖掘能力升級研發 已完成項目可行性分析 運用深度學習、大模型等技術進行數據挖掘，實現更好的付費用戶轉化 在多參數的情況下，通過人工智能技術實現自動最優化匹配 物聯網云平臺 面向入戶場景的智能門鎖及解決方案研發 已完成新一代智能門鎖及入戶場景解決方案的設計與可行性評估 提供更豐

82、富的入戶場景解決方案，滿足用戶在家庭入口場景下對看人及看物的需求；使用云端大模型與端側邊緣算力并行，實現與用戶的高效互動，提升產品的可靠性、易用性，帶給用戶更加智能化的入戶體驗 率先應用云+端并行算法的智能門鎖設備，打破端側單一算力的性能局限，領先業內主流入戶門鎖系統水平 智能家居產品 螢石生產自動化設備研發 已完成大部分自動化產線、設備，并投入批量生產中 減少人工投入，提高生產效率及生產一致性 探索并實現更加高效、高性價比的人機結合自動化生產技術 智能家居產品 資料來源：螢石網絡 2023 半年報，申萬宏源研究 此外，公司在線上線下、國內國際渠道全面布局，助力上述邏輯加速兌現。1）國內電商渠

83、道方面，加大在常規的電商平臺上直播和優質達人帶貨，還積極開拓抖音等內容興趣電商的直播渠道銷售；2）國內線下渠道方面，公司形成了直營旗艦店、經銷商專賣店、下沉市場堡壘店等多層次的終端渠道架構，積極布局線下專賣體驗店，助力全屋智能系統業務；3）海外渠道方面，上半年在零售連鎖賣場、家居建材類連鎖店、專業經銷渠道和街邊店等多渠道中均取得了較好的增長，目前已在多個國家和地區實現線上與線下多渠道覆蓋。投資分析意見：我們認為公司的業績釋放、云業務加速、具身智能卡位等方面均值得期待，預計 2023-2025 年歸母凈利潤 5.72/7.60/10.78 億元，維持“買入”評級。行業點評 請務必仔細閱讀正文之后

84、的各項信息披露與聲明 第 30 頁 共 37 頁 簡單金融 成就夢想。4.2 柏楚電子（申萬機械）：具身智能領軍。切割主業高速成長+焊接新品或迎放量期 公司上市前主業為激光切割設備運控系統，上市后公司縱向延伸智能激光切割頭業務、橫向拓展智能焊接機器人控制系統業務。（一）業務 1：激光切割系統-柏楚方案降低行業準入門檻，綜合市占率持續提升 運動控制系統是激光切割設備、自動化生產設備的關鍵功能部件，一個完整的激光切割流程包括：第一步，使用控制系統提供商提供的激光專用設計軟件或第三方工業設計軟件如 AutoCAD、Solidworks 等繪制零件、裝配體的加工圖紙；第二步，將加工圖紙通過軟件進行后期

85、圖形處理及排版，生成加工的機床代碼；第三步，激光切割機床根據代碼指令執行切割任務，整個切割過程中涉及圖形編輯、工藝設置及具體加工工藝選擇、運動控制、切割頭和激光器等外設控制、加工控制、切割頭與切割部件之間焦距控制及隨動等各環節，最終完成零件、裝配體的加工。激光切割過程所需的關鍵技術包括 CAD、CAM、NC、傳感器技術等硬件設計技術：1）CAD 技術：通過計算機建?；驈膱D紙讀取數字模型，進行圖形識別、編輯和優化處理，生成零件并將零件通過計算機輔助在板材或型材上進行排版，并輸出待加工模型；2）CAM技術：根據工藝要求，通過計算機輔助生成所需的刀路軌跡以及光路、氣路、焦點等控制參數和自動化加工模型

86、，并生成指令；3）NC 技術：可以實現根據生成的機床代碼指令執行具體加工工序的功能，具體涉及加工過程中的運動/加工控制、切割頭和激光器等外部設備控制等；4）傳感器技術：通過傳感器技術實現切割過程中溫度、濕度、壓力、光電、視覺、氣壓、激光加工頭與被切割板材之間的間距等因素的控制，從而優化激光加工效率，提高智能化水平；5）硬件設計技術：針對激光行業特殊需求，定制開發相應硬件產品，合理的硬件設計和專業的檢測手段可以起到提高切割穩定性及抗干擾能力的作用。圖 29：激光切割需要運控系統等組件和 CAD、CAM、NC 等技術的相互配合 行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 31 頁 共

87、 37 頁 簡單金融 成就夢想 資料來源：公司公告、申萬宏源研究 柏楚產品推出后重新定義激光加工行業標準、降低切割設備操作門檻及學習成本。公司核心技術自主研發，完整地掌握了激光切割控制系統研發所需的 CAD 技術、CAM 技術、NC 技術、傳感器技術和硬件設計技術五大類關鍵技術。在柏楚電子推出“CAD、CAM 和NC 三合一激光切割控制系統”和“網絡通訊式隨動系統”兩項技術變革前，國際激光切割的完整流程通常為：利用 AutoCAD、Solidworks 等專用 CAD 設計軟件繪制零件圖，然后再導入美國 SigmaNest 或西班牙 Lantek 等專業排樣軟件中進行零件后處理和排版，生成加工

88、文件后導入德國倍福、德國 PA、西門子等數控系統中，搭配德國 Precitec 的電容隨動系統進行后續加工操作。柏楚電子推出上述技術變革后，為下游激光設備制造商提供了一站式的解決方案，重新定義了我國激光加工行業的標準，用戶可以在柏楚電子的控制系統中同時實現上述激光加工的全部流程，大幅降低激光切割設備的操作門檻和學習成本，簡化激光切割設備的裝機和調試過程。柏楚電子在激光切割領域保持強競爭力。1）中低功率激光切割控制系統：柏楚電子的中低功率產品在穩定性、可靠性、精度、速度、易用性等各方面均具備明顯優勢，市場占有率約為 60%。2）高功率激光切割控制系統：目前國際廠商依然占據絕對優勢，為中國市場主導

89、者，柏楚 2021 年市占率約 17%，近年隨著國內高功率激光切割市場發展及柏楚產品日益成熟，柏楚份額持續提升中。（二）業務 2：智能切割頭-搭載高功率切割設備，滲透率提升+國產替代 切割頭充當“四肢”的角色，與控制系統實現協同互補。激光切割控制系統與智能激光切割頭是大腦與四肢的關系，兩者軟硬結合，需要在信息收集、傳輸、反饋的同步性和精密性上達到很高的契合。切割頭在激光切割中的工作流程是：激光器產生激光，通過外光路傳輸，在切割頭內經聚焦鏡聚焦后，作用于被加工材料表面，將材料氣化或者在切割氣體輔助下形成熔池，以實現吹散被激光融化的金屬熔渣或助燃。由于高功率激光切割的工作環境惡劣，設備需要在高溫、

90、高濕、粉塵污染大的環境下運行，外部環境和切割頭內部任何微小的變化都會對設備性能和切割效果產生較大影響，因此及時將工況信息傳遞回控制系統，由控制系統進行實時調整，有助于最大程度保證激光切割設備的工作效率。行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 32 頁 共 37 頁 簡單金融 成就夢想 表 5：光纖激光切割機的切割頭由光學元件、機械加工元件等組成 光纖激光切割機 組件 功能 光纖連接塊 是光纖導入切割頭的接口部分 準直組件 將出自光纖的發散光收斂起來，將其拉直或準直。準直組件還包括準直對中部分和水冷卻部分 聚焦組件 將準直后平行的激光束聚焦，切割工件。通過聚焦組件的調焦部分可以

91、改變焦點位置，以滿足切割不同材料和不同厚度板材的需求。保護鏡盒 用于將外界與切割頭內部光路隔絕，保證光路密封，防止灰塵和雜質進入光路，延長光纖切割頭的使用壽命 傳感器與控制盒 能使切割頭與工件表面之間的距離長期、可靠地保持穩定，為獲得最佳的切割質量提供保證。割嘴 安裝在切割頭前端，是激光束和鋪助氣體的排出通道。輔助氣體經過割嘴內腔后形成高速氣流，將融熔材料吹走，達到切割的目的 資料來源：OFweek 激光網、光纖激光切割機切割頭關鍵技術及應用前景、申萬宏源研究 柏楚電子智能切割頭產品與高功率軟件搭載銷售，客戶認可度高、銷售額快速提升。目前我國整機制造廠商使用的高功率激光切割頭和三維激光切割頭主

92、要依賴進口，主要供應廠商分別為德國 Precitec 和德國 LT。且德國廠商生產的切割頭的傳感器數據無法與國產的激光切割系統進行實時的通訊，從而無法實現智能的閉環控制策略。公司激光切割頭具備安裝、調試簡易，傳感器齊全，將是目前市場為數不多的具備與國外同類產品競爭力的國產智能切割頭。從產業層面來看，公司原有主業激光切割頭軟件和智能激光切割頭在激光切割設備整機制造中屬于平行工序的關系，下游客戶高度重合?；诠驹诳刂葡到y細分領域內的龍頭位置，公司拓展智能激光切割頭具有渠道優勢，且客戶對于切割頭評價反饋較高，子公司波刺自動化（切割頭業務主體）營收快速增長。2020 年波刺自動化子公司營收進 0.1

93、1 億元，2023 年上半年營收達到 1.54 億。（三）業務 3：智能焊接機器人控制系統-機器換人大勢所趨、柏楚產品或迎放量期 鋼構非標場景屬性，倒逼智能焊接機器人需求。智能焊接機器人產品為電弧焊焊接機器人。按照機器人加工路徑生成的方式不同，焊接機器人產品可以分為示教焊接機器人和智能焊接機器人兩類。示教焊接機器人主要需要人工示教來編輯焊縫的加工的路徑；智能焊接機器人通過離線編程來生成焊縫加工路徑。目前國內焊接行業自動化水平較低，現有進口產品成本過高，且對操作調試人員的技術能力具備較高的要求。而隨著我國鋼結構產業的持續快速發展，鋼構產品產量增加將直接帶動鋼構焊接市場需求。與此同時，焊工工種的持

94、續短缺，使得鋼構企業對于焊接自動化解決方案的需求與日俱增，智能焊接機器人替代人工為行業趨勢。完整的鋼結構零件焊接加工流程及公司核心技術在焊接工藝的應用情況如下：第一步、從 Tekla，Revit 等建筑設計軟件里導出需要焊接的鋼結構零件模型。第二步、對鋼結構零件模型進行編輯，設置焊縫，生成坡口并設置焊道順序。第三步、在數字孿生系統中編輯 行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 33 頁 共 37 頁 簡單金融 成就夢想 機器人焊接動作，進行運動仿真，確認加工路徑正確沒有碰撞。并生成焊接加工站運行指令。第四步、3D 相機掃描整個工件，對工件進行識別和空間定位，并校正焊縫的加工位

95、置數據。然后機器人根據焊接指令運動到焊縫起始位置進行焊接。焊接過程涉及機器人姿態自適應調整，動態規劃路徑以及自動避障，焊接工藝選擇匹配，焊縫跟蹤傳感器控制，圖像信號處理，焊縫跟蹤過程以及焊接工藝動作實時調整，最終完成零件的焊接。圖 30：完整的焊接流程需要 CAD、CAM、NC 等五大底層核心技術的配合 資料來源：公司公告、申萬宏源研究 切割與焊接為上下道工序，柏楚切割場景積累技術工藝可部分復用于焊接場景。切割與焊接在鋼結構產品生產制造中屬于上下游工序的關系。由于焊接與切割在 CAD 技術、CAM 技術、NC 技術、傳感器技術和硬件設計在智能制造和自動化領域的共通性，公司在切割領域所積累的核心

96、技術儲備為進軍智能焊接機器人及控制系統領域奠定了堅實的基礎。目前，國產焊接機器人大多數為需要人工示教的半自動化模式，公司通過開發工件視覺定位系統、智能焊縫跟蹤系統通過視覺傳感器識別工件和焊縫，智能焊接離線編程、控制系統通過 CAD 技術、CAM 技術、NC 技術進行焊接機器人加工工藝控制，達到取代人工示教模式進行自動化智能焊接的效果。當前下游鋼構企業迫于產能及成本壓力，對于智能焊接機器人需求迫切，隨著公司產品成熟度提升及積極市場推廣，未來焊接產品或將迎來放量期。維持盈利預測。預計公司 23-25 年營收分別為 13.20、18.16、25.32 億元，對應同比增速分別為 46.9%、37.6%

97、、39.5%，預計 23-25 年歸母凈利潤分別為 6.83、9.70、13.58億元。風險提示：行業景氣需求放緩，行業競爭加劇，焊接市場放量不及預期等。4.3 德賽西威（tmt&汽車）：從中國領先 tier1 走向世界級 德賽西威是中國領先的汽車 tier1，從事智能座艙、智能駕駛、智能互聯業務。預計未來要沖擊成為世界級 tier1 行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 34 頁 共 37 頁 簡單金融 成就夢想 公司成長來自乘用車銷量、智能化滲透率、智能化 ASP、客戶結構四重因子的成長。收入增長的持續強勁驗證了滲透率和 ASP 的增加?，F金流的優秀、減配壓力下較強的毛

98、利率（剔除匯兌影響）體現優質客戶結構的增加。而 2023 年 5 月開始，車市恢復狀態中。2）2023H2-2024，預計德賽西威即將迎來 IPU02 增長、第四代座艙電子、高階 ADAS 量產、ADAS 出海等新型機會。4.4 虹軟科技：工程化能力強+車載 AI 虹軟科技在 AI 底層視覺優化較好，適用于手機+車載+VRAR+商戶 AIGC 等領域。伴隨特斯拉視覺 AI 大模型熱議，投資者尋找 BEV 路線圖的標的。而虹軟科技官方網站實際披露了虛擬 BEV 幫助停車。我們認為 BEV 和占用網絡分成軟件到硬件等多種工業實現級別，虹軟科技可能已經布局較早較深，是特斯拉視覺 AI 路線圖技術路線

99、的核心標的。圖 31：虹軟科技官網有虛擬 BEV 示意圖 資料來源：虹軟科技官網，申萬宏源研究 4.5 立訊精密（申萬電子）：被低估的汽車 tier1 向汽車 Tier1 進軍：十年厚積薄發，可簡單歸納為“投資“、“產品”擴張+客戶“、“合作+研發”等幾大階段。2012-2014 年，其通過投資試水。2015-2019 年，在提高汽車業務在公司的戰略優先級，產品線也在拓展，但主要在連接器與線束。2019-2020 年報指出“汽車向智能汽車演進的過程中將迎來黃金十年”，開始清楚的繪制產品線矩陣圖。2021-2022 年，在規模擴張、產品拓展、商務合作（主要是奇瑞與華為）的同時，執著于下一代研發成

100、為特色：2021 年年報指出“線束、連接器、動力、智能網絡等”，2022 年報指出“FAKA 線束、高壓線束、二充電槍、MCU”。汽車 Tier1 空間：單車 ASP 1 萬元，峰值 4 萬元，預計空間 2000+億。產品覆蓋汽車線束、連接器、智能網聯、智能座艙及新能源汽車動力系統等核心零部件，形成六大產品系列：汽車線束、連接器、智能新能源、智能網聯、智能駕艙、智能制造等。我們依照其披露的產品，得到單車 ASP 價值約 4 萬元。行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 35 頁 共 37 頁 簡單金融 成就夢想 4.6 雙環傳動（汽車&機械）：精密齒輪制造平臺公司，機器人減速

101、機打開新空間 公司深耕齒輪行業 40 余年，齒輪技術和工藝積累深厚，由傳統燃油車到自動變速器、新能源車、商用車，再到工業機器人，平臺化模式持續打開成長空間。乘用車齒輪：在新能源車的齒輪精度提升背景下，主機廠需求向有優質產能的第三方供應商轉移，預計 25 年市場空間 107 億。公司核心工藝+高端設備+二次開發能力構成護城河，保障領先地位。預計 23-25 年乘用車齒輪收入為 47.1/56.5/67.3 億元，同比+29%/+20%/+19%。商用車齒輪：國內商用車 AMT 滲透率遠低于歐美，在景氣回升+汽車油耗排量標準的驅動下，滲透率有望快速提升，預計 25 年市場規模 19 億元；公司綁定

102、大客戶有望享受超額成長。預計 23-25 年收入為 8.6/11.4/13.3 億元，同比+67%/+32%/+16%。工業機器人：RV 減速器目前尚未市場大規模國產化，公司產品已有 40+型號，產能超10 萬臺，22 年市占率提升至 14%，在國產品牌中最高。人形機器人：目前尚處于 0-1 階段，主流硬件方案尚未收斂，執行機構持續優化改進，公司具備齒輪加工經驗+機器人行業深刻理解+客戶資源，在機器人減速器領域潛力巨大！預 計 公 司2023-2025年 歸 母 凈 利 潤8.15/10.56/13.32億 元，同 比 增 速40.1%/29.6%/26.1%。作為智能化賽道上執行端的核心標的

103、，重點推薦。4.7 中控技術（tmt&機械）：智能制造軟件領軍 中控技術是基于流程制造業智能制造的解決方案領軍，其軟件能力近年大大增強。根據 Wind,公司始終堅持通過自主創新打破跨國公司的技術壁壘，持續加大研發投入及研發平臺建設，成功取得了一系列發明專利、技術獎項、產品認證及國際標準和國家標準。公司曾獲得國務院授予的國家科學技術進步獎二等獎、一項中國標準創新貢獻一等獎和多項省部級以上科技進步類獎項，牽頭或參與制定國際標準、國家標準多項。2014 年公司成為首批被推薦的兩化融合管理體系貫標咨詢服務機構，首次通過 CMMI5 級軟件能力成熟度認證；2017 年，公司入選全國首批智能制造系統解決方

104、案供應商推薦目錄和全國首批 30 家服務型制造示范企業名單；2018 年，入選中國智能制造系統解決方案供應商聯盟第一批供應商推薦目錄；2019 年，被工信部評為國家技術創新示范企業，被國家發改委認定為國家企業技術中心。4.8 科博達（申萬汽車）:汽車電子優秀系統方案提供商 根據 Wind，公司是汽車智能、節能電子部件的系統方案提供商，立足全球汽車產業平臺并全面參與全球高端市場的競爭，專注汽車電子及相關產品在智能領域的技術創新與產業 行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 36 頁 共 37 頁 簡單金融 成就夢想 化，致力成為全球汽車電子高端產業鏈中富于創新和競爭力的卓越企業

105、，公司是少數幾家進入國際知名整車廠商全球配套體系，同步開發汽車電子部件的中國本土公司。公司終端用戶主要包括大眾集團(包括其下屬子公司奧迪公司、保時捷汽車、賓利汽車和蘭博基尼汽車)、戴姆勒、捷豹路虎、一汽集團及上汽大眾等數十家全球知名整車廠商，且部分新產品已進入福特汽車、寶馬汽車、雷諾汽車的供應商體系，在全球汽車電子尤其是汽車照明電子領域中享有較高的知名度。5、風險 由于復工/宏觀環境等擾動，2022-2023 年內存在業績波動風險。智聯汽車、具身智能領域一向的風險依然是研究競爭、產業鏈地位與管理。若難以相對準確地把握，可能會選中了次好的公司，對投資產生不良的結果。表 6：計算機估值簡表（單位：

106、億元，元）證券代碼 證券簡稱 2023/8/18 PB Wind 一致預期 EPS PE 收盤價(元)總市值（億元）2021A 2022A 2023E 2024E 2021A 2022A 2023E 2024E 688475.SH 螢石網絡 44.00 248 5.0 0.59 0.96 1.29 55 74 46 34 688188.SH 柏楚電子 244.99 358 7.9 3.28 4.76 6.54 65 75 51 37 688777.SH 中控技術 51.67 406 4.6 1.02 1.37 1.81 70 51 38 29 688088.SH 虹軟科技 35.00 142

107、5.4 0.14 0.34 0.52 101 246 102 68 002920.SZ 德賽西威 139.57 775 11.3 2.13 2.80 3.89 93 65 50 36 002475.SZ 立訊精密 31.01 2,212 4.8 1.28 1.70 2.13 31 24 18 15 002472.SZ 雙環傳動 30.72 262 3.8 0.68 0.94 1.23 80 45 33 25 603728.SH 鳴志電器 57.41 241 8.9 0.59 0.95 1.44 86 98 60 40 002050.SZ 三花智控 26.50 989 6.4 0.69 0.84

108、 1.03 59 38 32 26 603197.SH 保隆科技 53.54 112 4.4 1.02 1.89 2.53 42 52 28 21 603786.SH 科博達 78.01 315 7.7 1.11 1.58 2.06 81 70 49 38 資料來源：Wind,申萬宏源研究 行業點評 請務必仔細閱讀正文之后的各項信息披露與聲明 第 37 頁 共 37 頁 簡單金融 成就夢想 信息披露 證券分析師承諾 本報告署名分析師具有中國證券業協會授予的證券投資咨詢執業資格并注冊為證券分析師，以勤勉的職業態度、專業審慎的研究方法，使用合法合規的信息，獨立、客觀地出具本報告,并對本報告的內容和

109、觀點負責。本人不曾因，不因，也將不會因本報告中的具體推薦意見或觀點而直接或間接收到任何形式的補償。與公司有關的信息披露 本公司隸屬于申萬宏源證券有限公司。本公司經中國證券監督管理委員會核準，取得證券投資咨詢業務許可。本公司關聯機構在法律許可情況下可能持有或交易本報告提到的投資標的，還可能為或爭取為這些標的提供投資銀行服務。本公司在知曉范圍內依法合規地履行披露義務?？蛻艨赏ㄟ^ 索取有關披露資料或登錄 信息披露欄目查詢從業人員資質情況、靜默期安排及其他有關的信息披露。機構銷售團隊聯系人 華東 A 組 茅炯 021-33388488 華東 B 組 李慶 021-33388245 華北組 肖霞 010

110、-66500628 華南組 李昇 0755-82990609 L 股票投資評級說明 證券的投資評級：以報告日后的 6 個月內，證券相對于市場基準指數的漲跌幅為標準，定義如下：買入（Buy）增持（Outperform）中性(Neutral)減持(Underperform)：相對強于市場表現20以上；：相對強于市場表現520；：相對市場表現在55之間波動；：相對弱于市場表現5以下。行業的投資評級：以報告日后的6個月內，行業相對于市場基準指數的漲跌幅為標準，定義如下：看好（Overweight）中性(Neutral)看淡(Underweight)：行業超越整體市場表現；：行業與整體市場表現基本持平；

111、：行業弱于整體市場表現。我們在此提醒您，不同證券研究機構采用不同的評級術語及評級標準。我們采用的是相對評級體系，表示投資的相對比重建議；投資者買入或者賣出證券的決定取決于個人的實際情況，比如當前的持倉結構以及其他需要考慮的因素。投資者應閱讀整篇報告，以獲取比較完整的觀點與信息，不應僅僅依靠投資評級來推斷結論。申銀萬國使用自己的行業分類體系，如果您對我們的行業分類有興趣，可以向我們的銷售員索取。本報告采用的基準指數：滬深300指數 法律聲明 本報告僅供上海申銀萬國證券研究所有限公司（以下簡稱“本公司”）的客戶使用。本公司不會因接收人收到本報告而視其為客戶?？蛻魬斦J識到有關本報告的短信提示、電話

112、推薦等只是研究觀點的簡要溝通，需以本公司 http:/ 網站刊載的完整報告為準，本公司并接受客戶的后續問詢。本報告首頁列示的聯系人，除非另有說明，僅作為本公司就本報告與客戶的聯絡人，承擔聯絡工作，不從事任何證券投資咨詢服務業務。本報告是基于已公開信息撰寫，但本公司不保證該等信息的準確性或完整性。本報告所載的資料、工具、意見及推測只提供給客戶作參考之用，并非作為或被視為出售或購買證券或其他投資標的的邀請或向人作出邀請。本報告所載的資料、意見及推測僅反映本公司于發布本報告當日的判斷，本報告所指的證券或投資標的的價格、價值及投資收入可能會波動。在不同時期，本公司可發出與本報告所載資料、意見及推測不一

113、致的報告?？蛻魬斂紤]到本公司可能存在可能影響本報告客觀性的利益沖突，不應視本報告為作出投資決策的惟一因素?？蛻魬灾髯鞒鐾顿Y決策并自行承擔投資風險。本公司特別提示,本公司不會與任何客戶以任何形式分享證券投資收益或分擔證券投資損失，任何形式的分享證券投資收益或者分擔證券投資損失的書面或口頭承諾均為無效。本報告中所指的投資及服務可能不適合個別客戶，不構成客戶私人咨詢建議。本公司未確保本報告充分考慮到個別客戶特殊的投資目標、財務狀況或需要。本公司建議客戶應考慮本報告的任何意見或建議是否符合其特定狀況，以及（若有必要）咨詢獨立投資顧問。在任何情況下，本報告中的信息或所表述的意見并不構成對任何人的投資建議。在任何情況下，本公司不對任何人因使用本報告中的任何內容所引致的任何損失負任何責任。市場有風險，投資需謹慎。若本報告的接收人非本公司的客戶，應在基于本報告作出任何投資決定或就本報告要求任何解釋前咨詢獨立投資顧問。本報告的版權歸本公司所有，屬于非公開資料。本公司對本報告保留一切權利。除非另有書面顯示，否則本報告中的所有材料的版權均屬本公司。未經本公司事先書面授權，本報告的任何部分均不得以任何方式制作任何形式的拷貝、復印件或復制品，或再次分發給任何其他人，或以任何侵犯本公司版權的其他方式使用。所有本報告中使用的商標、服務標記及標記均為本公司的商標、服務標記及標記。