智能體專題報告之二：智能體時代來臨具身智能有望成為最佳載體-241106（31頁）.pdf

《智能體專題報告之二：智能體時代來臨具身智能有望成為最佳載體-241106（31頁）.pdf》由會員分享，可在線閱讀，更多相關《智能體專題報告之二：智能體時代來臨具身智能有望成為最佳載體-241106（31頁）.pdf（31頁珍藏版）》請在三個皮匠報告上搜索。

1、 計算機計算機|證券研究報告證券研究報告 行業深度行業深度 2024 年年 11 月月 6 日日 強于大市強于大市 公司名稱公司名稱 股票代碼股票代碼 股價股價 評級評級 評級評級 索辰科技 688507.SH 人民幣 65.95 買入 索辰科技 688507.SH 人民幣 65.95 買入 資料來源：Wind，中銀證券 資料來源：Wind，中銀證券 以2024年11月5日當地貨幣收市價為標準 以2024年10月8日當地貨幣收市價為標準 相關研究報告相關研究報告 AI 加持，外骨骼機器人加速起跑加持，外骨骼機器人加速起跑20241105 華為鴻蒙行業事件點評華為鴻蒙行業事件點評20241020

2、 網絡安全行業事件點評網絡安全行業事件點評20240930 中銀國際證券股份有限公司中銀國際證券股份有限公司 具備證券投資咨詢業務資格具備證券投資咨詢業務資格 計算機計算機 證券分析師：楊思睿證券分析師：楊思睿(8610)66229321 證券投資咨詢業務證書編號：S1300518090001 證券分析師：劉桐彤證券分析師：劉桐彤(8610)83949543 證券投資咨詢業務證書編號：S1300524040002 智能體專題報告之二智能體專題報告之二 智能體時代來臨，具身智能有望成為最佳載體 智能體時代智能體時代來臨來臨，小型端側設備無法消化大模型大參數，小型端側設備無法消化大模型大參數，而而

3、具身智能具身智能則則有望有望成為最佳載體。從具身智能訓練層面成為最佳載體。從具身智能訓練層面看看，仿真，仿真軟件軟件可為大模型提供海量、低可為大模型提供海量、低成本數據，成本數據，解決真實數據高成本、難收集的問題，解決真實數據高成本、難收集的問題，仿真軟件有望實現大范圍仿真軟件有望實現大范圍應用。相比于剛性物體的仿真，柔性、流體的仿真技術壁壘更高，具備相關應用。相比于剛性物體的仿真，柔性、流體的仿真技術壁壘更高，具備相關技術積累的廠商優勢突出。從具身智能商業化路徑來看，我們認為目前商業技術積累的廠商優勢突出。從具身智能商業化路徑來看，我們認為目前商業落地途徑落地途徑主要包括三種：主要包括三種：

4、（1）通用機器人路徑對于資金和技術要求較高，目通用機器人路徑對于資金和技術要求較高，目前特斯拉等行業巨頭正加速布局。前特斯拉等行業巨頭正加速布局。（2）純軟件純軟件路徑的路徑的核心是設計通用的操作核心是設計通用的操作系統使多個硬件廠商共享同一套軟件系統使多個硬件廠商共享同一套軟件，英偉達，英偉達 Project GR00T 以及華為鴻蒙以及華為鴻蒙操作系統操作系統核心合作廠商有望深度受益核心合作廠商有望深度受益。（3）垂直領域軟硬一體垂直領域軟硬一體路徑能夠使公路徑能夠使公司司形成數據壁壘形成數據壁壘，細分領域龍頭具備核心優勢，細分領域龍頭具備核心優勢。支撐評級的要點支撐評級的要點 智能體時代

5、來臨，具身智能有望成為最佳載體。智能體時代來臨，具身智能有望成為最佳載體。自 ChatGPT 發布后，AI 模型參數量越來越高，從 GPT-1 到 GPT-4，參數量由 1.1 億增長至1.8 萬億。從目前市場上的端側大模型來看，通常設備端越大（功能越多），其端側大模型的參數量也越大。然而可穿戴設備、手機等無法消化大模型大算力，相比小型端側設備，具身智能機器人有望成為智能體最佳載體。仿真有望大范圍應用于具身智能訓練，建議關注具備柔性、流體仿真等仿真有望大范圍應用于具身智能訓練，建議關注具備柔性、流體仿真等技術的廠商。技術的廠商。主流的具身智能訓練方法主要包括遙操作、動捕、大模型等。其中，單一的

6、遙操作或動捕需由人類操作員直接控制，無法實現機器替人。大模型和機器人實體的結合則具備較強的泛化性。在大模型訓練數據的選擇上，可采用仿真數據或真實數據。仿真通過構建虛擬環境生成大量數據，成本較低，適合在新的環境中大范圍學習技能；而利用真實數據能夠形成細分場景的數據壁壘，但成本及獲取難度相對較高。相比于剛性物體的仿真，柔性、流體的仿真對于算法的穩定性和收斂性的要求大幅提高。具身智能商業化路徑：建議關注純軟件和垂直領域軟硬一體路徑。具身智能商業化路徑：建議關注純軟件和垂直領域軟硬一體路徑。目前具身智能商業化路徑主要包括三種：第一種是通用機器人路徑，其核心是采用通用的硬件和軟件來應對各種多變的使用場景

7、，該種路徑對于資金和技術要求較高，目前 1X、Figure 以及特斯拉等行業巨頭正加速布局。純軟件路徑的是設計通用的操作系統，硬件廠商通過 API 接口即可接入機器人“大腦”，從而實現多種硬件平臺共享同一套軟件架構。并且隨著機器人的大規模部署，其邊際成本可以無限趨近于 0。對于純軟件路徑，我們建議關注英偉達、華為合作廠商。第三種路徑是垂直領域軟硬一體，目前機器人硬件與數據仍處于耦合階段，公司通過收集傳感器數據能夠形成細分領域的數據壁壘。對于該種路徑，建議關注細分領域龍頭廠商。投資建議投資建議 從具身智能訓練層面，建議關注具備柔性、流體仿真等技術的廠商，如索辰科技。從具身智能商業化路徑層面，建議

8、關注英偉達、華為合作廠商，如九號公司、中堅科技、高新興、潤和軟件、安聯銳視等以及細分領域龍頭廠商如?？禉C器人。評級面臨的主要風險評級面臨的主要風險 技術突破不及預期；機器人成本下降不及預期；數據收集不及預期。2024 年 11 月 6 日 智能體專題報告之二 2 目錄目錄 具身智能臨近具身智能臨近 IPHONE時刻時刻.5 具身智能有望成為智能體最佳載體.5 智能體使機器人由被動編程控制走向主動決策.6 智能體可實現機器人底層控制.7 仿真為智能體賦能的主流路徑仿真為智能體賦能的主流路徑.10 仿真軟件有望實現大范圍應用.10 CAE 用于工業仿真模擬，國產化率正快速提升.12 具身智能商業化

9、落地：關注軟件和垂直領域軟硬結合路徑具身智能商業化落地：關注軟件和垂直領域軟硬結合路徑.15 數據是具身智能發展的核心.15 商業化路徑一：通用機器人技術難度高，行業巨頭加速布局.16 商業化路徑二：純軟件路徑建議關注英偉達、華為合作廠商.17 商業化路徑三：垂直領域軟硬結合建議關注細分龍頭.20 投資建議及風險提示投資建議及風險提示.22 投資建議.22 風險提示.22 索辰科技.23 2024 年 11 月 6 日 智能體專題報告之二 3 圖表目錄圖表目錄 圖表圖表 1.具身智能由本體和智能體組成具身智能由本體和智能體組成.5 圖表圖表 2.不同大模型參數對比不同大模型參數對比.5 圖表圖

10、表 3.機器人向智能化、通用化發展機器人向智能化、通用化發展.6 圖表圖表 4.大模型逐步應用到具身智能中大模型逐步應用到具身智能中.7 圖表圖表 5.大模型使智能體由被動編程控制走向主動決策大模型使智能體由被動編程控制走向主動決策.7 圖表圖表 6.分層框架示意圖分層框架示意圖.8 圖表圖表 7.RT-2 模型采用端到端架構模型采用端到端架構.8 圖表圖表 8.端到端架構與分層架構優劣對比端到端架構與分層架構優劣對比.9 圖表圖表 9.自動駕駛自動駕駛早期分層框架發展更快早期分層框架發展更快.9 圖表圖表 10.具身智能訓練方法對比具身智能訓練方法對比.10 圖表圖表 11.Mobile A

11、LOHA 遙操作系統遙操作系統.10 圖表圖表 12.Optimus 動捕演示動捕演示.11 圖表圖表 13.X-Embodiment 數據集數據集.12 圖表圖表 14.CAE 軟件構成軟件構成.12 圖表圖表 15.2021 2026 年中國年中國 CAE 市場規模市場規模.13 圖表圖表 16.2022 年中國年中國 CAE 市場份額市場份額.13 圖表圖表 17.國內外國內外 CAE 廠商對比廠商對比.14 圖表圖表 18.語言模型中的語言模型中的 Scaling Law.15 圖表圖表 19.特斯拉影子模式加速數據采集特斯拉影子模式加速數據采集.16 圖表圖表 20.具身智能商業化廠

12、商對比具身智能商業化廠商對比.16 圖表圖表 21.1X Neo 機器人針對日常家庭輔助場景機器人針對日常家庭輔助場景.17 圖表圖表 22.優必選機器人操作系統優必選機器人操作系統 ROSA 介于應用層和硬件層之間介于應用層和硬件層之間.18 圖表圖表 23.算法與硬件結合的算法與硬件結合的機械臂控制機械臂控制.18 圖表圖表 24.NVIDIA 形機器人通用基礎模型形機器人通用基礎模型 Project GR00T.19 圖表圖表 25.九號機器人與英偉達聯合開發九號機器人與英偉達聯合開發 Nova Cater AMR.19 圖表圖表 26.國內機器人操作系統國內機器人操作系統.19 圖表圖

13、表 27.ROS 2 實現軟硬件集成實現軟硬件集成.20 圖表圖表 28.基于移動機器人的?？抵悄茏詣踊锪飨到y基于移動機器人的?？抵悄茏詣踊锪飨到y.20 圖表圖表 29.2017-2027 年中國年中國 AGV 市場規模及預測市場規模及預測.21 圖表圖表 30.?？禉C器人整體技術框架?？禉C器人整體技術框架.21 股價表現股價表現.23 投資摘要投資摘要.23 圖表圖表 31.CAE 市場替換需求測算市場替換需求測算.24 圖表圖表 32.公司公司多學科仿真軟件可實現航天飛行器熱多學科仿真軟件可實現航天飛行器熱-結構耦合仿真分析結構耦合仿真分析.25 圖表圖表 33.2023 年公司主要產

14、品類型以及相關指標年公司主要產品類型以及相關指標.25 圖表圖表 34.公司公司 2023 年前五大客戶情況年前五大客戶情況.26 2024 年 11 月 6 日 智能體專題報告之二 4 圖表圖表 35.公司六維力與力矩傳感器性能參數公司六維力與力矩傳感器性能參數.26 圖表圖表 36.索辰科技索辰科技 2019-2023 年度主營業務收入及增速年度主營業務收入及增速.27 圖表圖表 37.索辰科技索辰科技 2019-2023 年度歸母年度歸母凈利潤及增速凈利潤及增速.27 圖表圖表 38.索辰科技索辰科技 2019-2023 年度三費及費率變化年度三費及費率變化.27 圖表圖表 39.索辰科

15、技索辰科技 2019-2023 年毛利率與凈利率年毛利率與凈利率.27 圖表圖表 40.盈利預測盈利預測.28 圖表圖表 41.可比公司估值可比公司估值.28 利潤表利潤表(人民幣人民幣 百萬百萬).29 現金流量表現金流量表(人民幣人民幣 百萬百萬).29 財務指標財務指標.29 資產負債表資產負債表(人民幣人民幣 百萬百萬).29 2024 年 11 月 6 日 智能體專題報告之二 5 具身智能具身智能臨近臨近 IPHONE時刻時刻 具身智能有望成為智能體最佳載體具身智能有望成為智能體最佳載體 具身智能由本體和智能體組成。具身智能由本體和智能體組成。具身智能是一種基于物理身體進行感知和行動

16、的智能系統，其通過智能體與環境的交互獲取信息、理解問題、做出決策并實現行動。具身智能的核心要素包括本體和智能體。本體作為實際的執行者，在物理或虛擬世界負責感知和執行任務，而智能體則是具身于本體之上的智能核心，負責感知、理解、決策、控制等核心工作。區別于機器人，具身智能具備自我決策能力。根據盧策吾教授在機器之心 AI 科技年會上發表的具身智能是通往 AGI 值得探索的方向中提到，智能體通過感知器和執行器與環境進行交互后，能夠實現獲取信息、理解問題等功能，并根據環境的變化做出相應的決策和行動。圖表圖表 1.具身智能由本體和智能體組成具身智能由本體和智能體組成 資料來源：新程序員具身智能計算系統，機

17、器人時代的 Android，中銀證券 小型端側設備無法消化大模型大算力，具身智能有望成為智能體最佳載體。小型端側設備無法消化大模型大算力，具身智能有望成為智能體最佳載體。2023 年，GPT-4 Turbo發布，其參數量高達 1.8 萬億。2024 年 4 月，國內商湯科技“日日新”大模型體系正式發布，其中中文語言大模型參數達 1800 億。隨著大模型參數量的大幅增長，傳統穿戴設備、手機等無法消化大模型大算力。從目前市場上的端側大模型來看，通常設備端越大（功能越多），其端側大模型的參數量也越大。例如，面壁智能聯合清華 NLP 實驗室發布的開源端側大模型面壁 MiniCPM 參數規模為 20 億

18、；小米手機大模型參數達 13 億；榮耀端側平臺級 AI 大模型參數規模 70 億。而具身智能需要處理更復雜的任務，如環境感知、運動控制、決策制定等，其算法和模型需要快速處理大量數據并做出決策，因此具身智能需要更大的模型參數來支持其更廣泛的功能和更高的智能需求。谷歌開發的 PaLM-E 具身多模態大模型參數量達 5620 億；華為盤古 Pangu S 大模型參數達萬億。相比小型端側設備，具身智能機器人能夠消化大模型、大算力。圖表圖表 2.不同大模型參數對比不同大模型參數對比 類型類型 公司公司 模型名稱模型名稱 應用場景應用場景 參數參數 輕量化模型 谷歌 Gemini Nano 手機/移動設備

19、 1.8B/3.25B Gemma 手機/移動設備 2B/7B 面壁智能&清華 MiniCPM 手機/移動設備 2.4B 小米 MiLM 手機/智能家居 1.3B 榮耀 魔法大模型 手機 7B 具身大模型 谷歌 PaLM-E 機器人 562B 華為 Pangu S 全場景 1000B 資料來源：36氪，IT之家，澎湃新聞，第一財經，金融界，中銀證券 2024 年 11 月 6 日 智能體專題報告之二 6 智能體使機器人由被動編程控制走向主動決策智能體使機器人由被動編程控制走向主動決策 由專機專用走向通用智能，大模型有望實現機器人系統的重構。由專機專用走向通用智能，大模型有望實現機器人系統的重構

20、。2010 年以前，機器人更接近于專機型的自動化和智能化設備，以特定的機械結構解決針對性場景的作業問題，適用于相對單一、固定的結構化場景，泛化和遷移能力有限。并且由于機器人缺乏對于任務目標的深入理解，工程師需要進行大量的任務分解和編程工作，機器人的控制高度依賴人工編程。而且當任務對象或環境發生任意變化時，需要工程師重新對機器人進行編程和部署。2010-2022 年間，機器人開始擁有初步的感知和規劃能力，并逐步實現智能化。這一階段，機器人在以下幾個方面實現了單點突破：SLAM 技術與激光雷達結合產生了自主移動能力的 AGV（自動引導車）和 AMR（自主移動機器人）；2012 年全球首家輕量級協作

21、機械臂優傲（Universal Robots）進入中國市場，協作機械臂開始興起；結合 AI 與 3D 視覺技術后，機器人能夠自動進行物體識別和定位，規劃最優路徑，實現了上下料、拆碼垛、無序分揀、焊接等非標自動化場景的人工替代。2022 年后，大模型逐步與機器人結合。不同于上個階段的單點性驅動，大模型所展現的泛化能力有望對機器人感知、決策、控制的整體系統能力帶來全面重構，實現機器人的通用化。圖表圖表 3.機器人向智能化、通用化發展機器人向智能化、通用化發展 資料來源：綠洲資本、36氪，中銀證券 大模型與機器人快速融合。大模型與機器人快速融合。2022 年 8 月，谷歌 PaLM-SayCan 首

22、次將語言模型與物理機器人結合，通過預訓練在大型語言模型（LLM)中提取知識，讓機器人依據高級文本指令完成物理任務。隨后，機器人與大模型的融合逐步加深。2023年7月，谷歌DeepMind推出了Robotics Transformer 2(RT-2)，是全球第一個控制機器人的視覺-語言-動作（VLA）模型。RT-2 可使機器人直接通過拍攝或感知環境的方式獲取視覺信息，并理解人類語言指令，然后通過動作執行模塊進行相應的動作操作。2024年3月，Figure發布OpenAI大模型加持的機器人Figure 01，Figure 01采用端到端神經網絡，由OpenAI大模型提供高級視覺和語言智能功能，神經

23、網絡進行底層的控制，能夠與人類進行對話交互，理解并執行人類指令。2024 年 11 月 6 日 智能體專題報告之二 7 圖表圖表 4.大模型逐步應用到具身智能中大模型逐步應用到具身智能中 資料來源：綠洲資本，36氪，中銀證券 大模型使智能體由被動編程控制走向主動決策。大模型使智能體由被動編程控制走向主動決策。與智能體結合后，具身智能以任務目標為導向，不僅僅是機械地完成程序，其可以根據環境變化，對行動細節進行實時修正，并消除在特定條件下為特定任務反復編程的需要。依托大模型的涌現能力，具身智能能夠從原始訓練數據中學習并發現新的特征和模式，在僅僅依靠網絡數據知識的情況下就可以對從未見過的對象或場景執

24、行操作任務。以微軟ChatGPT for Robotics:Design Principles and Model Abilities為例，操控者只需準備好機器人底層的函數庫，并將任務目標告訴 ChatGPT，ChatGPT 即可自動完成代碼并指揮具身智能機器人行動。圖表圖表 5.大模型使智能體由被動編程控制走向主動決策大模型使智能體由被動編程控制走向主動決策 資料來源：微軟ChatGPT for Robotics:Design Principles and Model Abilities，中銀證券 智能體可實現機器人底層控制智能體可實現機器人底層控制 智能體對機器人進行控制主要分為兩種路徑，

25、一種是分層決策模型、二是端到端的具身模型。智能體對機器人進行控制主要分為兩種路徑，一種是分層決策模型、二是端到端的具身模型。分層框架的核心是將復雜的長時程任務拆解成可以直接完成的小任務。分層框架的核心是將復雜的長時程任務拆解成可以直接完成的小任務。與機器人結合的大模型可分為兩類：Foundation Models for Robotics 和 Robotics Foundation Models。前者可與機器人結合但其應用領域并不局限于機器人，其主要功能是作為“大腦”對機器人進行任務分解和規劃。后者是結合機器人數據訓練生成到小腦層的基礎模型，即機器人具身大模型，其作用是結合各種傳感器的信息以及

26、宏觀指令進行運動指令生成。以擦桌子為例：機器人接到任務后，首先將其拆解成一系列的子任務，即找到抹布、拿起抹布、擦桌子傳統的任務規劃通常由工程師來進行，而大模型由于具備高層次抽象能力，可直接實現機器人的任務定義、拆解，使其實現自主任務規劃。任務分解完成后，需要對機器人進行動作軌跡規劃，例如從 A 點到 B 點進行 10 次圓周運動。傳統控制通過直接驅動或電機控制來實現基礎動作控制，需要工程師進行編程，而神經網絡可以直接使用機器人編程語言完成應用程序的編寫、調優和部署。2024 年 11 月 6 日 智能體專題報告之二 8 圖表圖表 6.分層框架示意圖分層框架示意圖 資料來源：綠洲資本，36氪，中

27、銀證券 區別于分層架構，端到端大模型能夠直接輸出控制信號。區別于分層架構，端到端大模型能夠直接輸出控制信號。以谷歌的 RT-2 為例，RT-2 是視覺-語言-動作（VLA）模型，能夠從網絡和機器人數據中進行學習，并將這些知識直接轉化為機器人控制的通用指令。RT-2 以視覺-語言模型（VLMs）為基礎，VLMs 在 web-scale 數據上進行預訓練，能夠準確識別視覺或語言模式并跨不同語言進行操作。在此基礎上，谷歌將動作表示為類似于語言標記的標注，以實現在機器人數據上訓練 VLM 模型。RT-2 能夠理解復雜的指令并將其轉化為機器人的動作，其接收機器人攝像頭圖像作為輸入，直接預測機器人要執行的

28、動作，實現了從視覺到動作的端到端控制。圖表圖表 7.RT-2 模型采用端到端架構模型采用端到端架構 資料來源：Google，中銀證券 端到端的架構具備更好的泛化性，分層架構可解釋性更強。端到端的架構具備更好的泛化性，分層架構可解釋性更強。RT-2 能夠處理機器人數據中從未見過的對象或場景，例如執行“拿起即將從桌子上掉下來的袋子”或“將香蕉移動到 2 加 1 的和”等。但端到端需要構建海量數據訓練，且消耗大量計算資源。數據規模越大，調用大模型頻率就越高，機器人決策實時性效果越差。分層架構可將復雜的問題分解為更小、更易于管理的部分，相比端到端技術難度更低，并且系統擁有更好的可擴展性和可維護性。但是

29、其信息在不同層級之間傳遞時有可能會存在損失，因此會影響系統的整體性能和響應速度。2024 年 11 月 6 日 智能體專題報告之二 9 圖表圖表 8.端到端架構與分層架構優劣對比端到端架構與分層架構優劣對比 架構類型架構類型 定義定義 優勢優勢 劣勢劣勢 端到端架構 一個神經網絡完成從任務目標輸入到控制信號直接輸出的全過程 具備通用性 需要海量數據 全局最優，性能上限高 計算資源消耗量大 更好的泛化性 決策速度降低 減少人工編碼依賴 調用模型頻率高 分層架構 分解成不同層級的模塊，以多個神經網絡訓練，再以 pipeline 的方式組合 可擴展性與可維護性 信息存在損失 底層解釋性強 性能上限更

30、低 適合數據量少，實現難度低 步驟間的對齊性與一致性問題 資料來源：綠洲資本，36氪，網易新聞，中銀證券 參考自動駕駛發展路徑，在早期機器人數據不足的情況下，分層架構發展更為迅速。參考自動駕駛發展路徑，在早期機器人數據不足的情況下，分層架構發展更為迅速。自動駕駛屬于具身智能子集，是具身智能移動能力的體現。在自動駕駛初期發展階段，分模塊快速發展，在這種技術范式下，感知、決策、控制由開發人員各自完成，具備更強可解釋性。而端到端雖然以全局最優為導向，相比傳統分模塊的方式具備更高性能上限，但實現難度較高，且需要海量數據做支撐。圖表圖表 9.自動駕駛自動駕駛早期分層框架發展更快早期分層框架發展更快 資料

31、來源：Patrick Langechuan Lius talk at CVPR23 E2EAD Workshop，賽博汽車，中銀證券 2024 年 11 月 6 日 智能體專題報告之二 10 仿真為智能體賦能的主流路徑仿真為智能體賦能的主流路徑 仿真仿真軟件軟件有望實現大范圍應用有望實現大范圍應用 主流的具身智能訓練方法主要包括遙操作、動捕、大模型等。其中，單一的遙操作或動捕需由人類操作員直接控制，無法實現機器替人。大模型和智能體深度融合，具備較強泛化型。在數據選擇上，可采用仿真數據或真實數據。仿真通過構建虛擬環境生成大量數據，成本較低，適合在新的環境中大范圍學習技能；利用真實數據能夠形成細分

32、場景的數據壁壘，但成本及獲取難度相對較高。圖表圖表 10.具身智能訓練方法對比具身智能訓練方法對比 訓練方法訓練方法 訓練過程訓練過程 優勢優勢 缺點缺點 遙操作 專用設備將人類動作遷移到機器人身上，機器人通過傳感器收集數據，以達到雙向反饋的目的 精準、高效地模仿人類動作 由人類操作員直接控制，數據采集成本較高 實時捕捉傳輸關節角度、速度等關鍵狀態信息 解決工業、極端危險等應用場景的剛需 無法實現機器替人 動捕 動捕人員穿好動作捕捉套裝，衣服電位器和電腦相連接，全身運動數據記錄后供機器人學習 人類的動作能夠直接遷移到機器人 無法實現機器替人 大模型 利用大量真實數據或仿真數據訓練大模型 大模型

33、具備較強泛化性 仿真數據存在 sim-to-real gap 仿真數據成本低，可以大規模獲取 真實數據效果最好 真實數據耗費大量人力和硬件成本 資料來源：AI科技評論，東南大學，大象機器人，澎湃新聞，中銀證券 遙操作（遙操作（Teleoperation）能夠直接有效解決工業、極端危險等應用場景的剛需，但無法實現機器替）能夠直接有效解決工業、極端危險等應用場景的剛需，但無法實現機器替人。人。遙操作主要是通過專用設備將人類的動作直接遷移到機器人身上，再由機器人通過傳感器收集數據，以達到雙向反饋的目的。在該種控制方式下，機器人由人類操作員直接控制，人類用戶負責高級規劃或認知決策，而機器人負責下層的控

34、制和執行，并通過觸覺傳感器來感知即將抓取的物體。通過遙操作系統，可以實現機器人的遠程控制。遙操作的優勢在于能夠精準、高效地模仿人類動作，并且實時捕捉傳輸關節角度、速度等關鍵狀態信息，相比其他訓練路徑更為直接有效，且能夠解決工業、極端危險等應用場景的剛需。但遙操作由人類操作員直接控制，數據采集成本較高；并且單純依靠遙操作無法實現機器替人。圖表圖表 11.Mobile ALOHA 遙操作系統遙操作系統 資料來源：Mobile ALOHA斯坦福官網，中銀證券 2024 年 11 月 6 日 智能體專題報告之二 11 動捕能夠將人類動作直接遷移到機器人身上，但同樣無法真正實現機器替人。動捕能夠將人類動

35、作直接遷移到機器人身上，但同樣無法真正實現機器替人。動捕一般是由演示人員穿好動作捕捉套裝，衣服上的電位器通過數據線和電腦相連接，因此演示人員的的全身運動數據會被記錄下來，供機器人學習。特斯拉在 2023 年股東大會上展示 Optimus 的進展時，視頻中工作人員穿戴動捕服進行演示，人類的動作能夠直接遷移到機器人身上，機器人再通過傳感器收集數據，以達到輸入的目的。動捕的優勢在于人類的動作能夠直接遷移到機器人身上，在實際訓練中，動捕往往與遙操作結合使用，因此尤其適合人形機器人訓練。但與遙操作類似，單一動捕無法真正實現機器替人。圖表圖表 12.Optimus 動捕演示動捕演示 資料來源：機器人大講堂

36、，中銀證券 大模型具備較強泛化性，仿真數據有望大范圍應用。大模型具備較強泛化性，仿真數據有望大范圍應用。谷歌 RT 采用該種技術路徑。谷歌在 RT-1 和RT-2 的框架上使用 X-Embodiment 數據集進行訓練，該數據集包含在 22 個機器人上采集的能夠完成16 萬個任務的上百萬條數據。其中，RT-1 充當小腦層級的控制器，由大模型負責頂層理解和指令分解，例如打開抽屜、將物體從抽屜里拿出來等。RT-2 采取端到端路徑，將語言、動作 tokens 進行對齊，微調后得到 VLA 模型，使得模型能夠通過視覺輸入和語言指令生成正確的動作標記序列。大模型使機器人從 Model-Based 向 L

37、earning-Based 轉變，在解決復雜和高維度的運動控制問題上具備更高的上限。但是大模型的訓練需要海量數據，按數據來源分類，可分為真實數據和仿真數據。真實數據效果最好，但需要耗費大量人力和硬件成本。仿真數據成本低，可以大規模獲取，但通常存在 sim-to-real gap。2024 年 11 月 6 日 智能體專題報告之二 12 圖表圖表 13.X-Embodiment 數據集數據集 資料來源：CSDN，中銀證券 CAE 用于工業仿真模擬，國產化率正快速提升用于工業仿真模擬，國產化率正快速提升 CAE 屬于研發設計類軟件，用于工業仿真模擬。屬于研發設計類軟件，用于工業仿真模擬。CAE 軟

38、件分為前處理、求解器和后處理三大模塊，其中求解器為 CAE 軟件的核心。前處理過程中，用戶在 GUI 為求解器提供/生成實際的幾何模型和空間網格，選擇物理模型和數值求解算法及其參數，并根據實際工況設置求解的邊界條件；求解器是針對特定場景，如結構變形、液體流動等，用數字算法模型的方式實現對物理規律、數學原理的客觀還原；求解結束后，后處理模塊為客戶提供可視化界面，對模擬結果進行提取、分析和多方式展示。圖表圖表 14.CAE 軟件構成軟件構成 資料來源：索辰科技招股說明書，中銀證券 跨學科能力不斷增強，國內市場規?？焖僭鲩L?？鐚W科能力不斷增強，國內市場規?？焖僭鲩L。CAE 軟件集成了物理學、數學、計

39、算機科學和工程學等多領域的知識，隨著其跨學科融合能力的不斷增強，CAE 軟件能夠處理多物理場耦合問題，并提高產品研發的效率，并通過模擬和分析來優化設計來減少實際制造過程中的迭代次數。從而在汽車、航空航天、國防軍工、電子裝備等高端制造業中得到更為廣泛的應用。根據 IDC 的中國核心工業軟件市場預測，中國 CAE 軟件市場規模將從 2021 年的 32.1 億元增長到 2026 年的 74.8 億元，5年復合增長率達到 18.4%。2024 年 11 月 6 日 智能體專題報告之二 13 圖表圖表 15.2021 2026 年年中國中國 CAE 市場規模市場規模 資料來源：IDC，中銀證券 專用領

40、域搶占市場份額，國產化率快速提升。專用領域搶占市場份額，國產化率快速提升。目前 CAE 軟件國產化程度較低，根據 IDC 的中國設計研發類工業軟件之 CAE 市場廠商份額，2022：流水爭先，2022 年市場份額排名前三分別為Ansys、西門子和達索系統，均為國外廠商。但由于 CAE 軟件涉及結構、流體、電磁、噪聲等各類不同專業領域，頭部廠商很難擁有全物理場的通用仿真產品，國產廠商加大投入，從專用領域搶占市場份額，國產化率持續提升。根據智研咨詢的計算，CAE 國產化率從 2016 年的 7.0%增長至 2022年的 16.2%，同比增加 9.2 Pcts。圖表圖表 16.2022 年年中國中國

41、 CAE 市場市場份額份額 資料來源：IDC，中銀證券 柔性、流體仿真具備較高技術壁壘。柔性、流體仿真具備較高技術壁壘。流體等具有高度的非線性特性，因此其運動和變形模式較為復雜，難以用簡單的數學模型來描述；而柔性物體在受力作用下可能會發生大變形，因此需要仿真模型能夠準確捕捉到這些變形，傳統的小變形理論可能不再適用。因此在進行柔性、流體仿真時，對于算法的穩定性和收斂性大幅提升。國內廠商如索辰科技在流體領域具備深厚技術積累，其 Aries通用流體力學仿真軟件包含笛卡爾網格 CFD、非結構網格 CFD 等多種求解器，支持氣動噪聲、燃燒、多相、熱輻射等多物理場仿真計算，已為航空航天、船舶海洋等領域提供

42、多個解決方案。2024 年 11 月 6 日 智能體專題報告之二 14 圖表圖表 17.國內外國內外 CAE 廠商對比廠商對比 廠商類型廠商類型 CAE 廠商廠商 成立時間成立時間 主要產品細分領域主要產品細分領域 專注 CAE 廠商 Ansys 1970 年 結構、流體、電磁、聲場 達索系統 1981 年 流體、電磁、結構 ?？怂箍?1992 年 流體、結構、聲場、材料 索辰科技 2006 年 流體、結構、光學、聲場、電磁、CAD 延伸至 CAE 西門子 1947 年 流體、電磁、機械 中望軟件 1998 年 結構、電磁 CAE 代理廠商 安世亞太 2003 年 結構、流體、電磁、聲場 資料

43、來源：Ansys、西門子、達索、安世亞太、中望軟件官網，e-works數字化企業網，軟服之家，同花順，金融界，清華五道口，新浪財經，智能制造之家，中銀證券 注：1996年安世亞太以代理ANSYS仿真軟件起步，2004年開始自研CAE軟件。2024 年 11 月 6 日 智能體專題報告之二 15 具身智能商業化具身智能商業化落地落地：關注軟件和垂直領域軟硬結合路徑：關注軟件和垂直領域軟硬結合路徑 數據是具身智能發展的核心數據是具身智能發展的核心 小模型時代算法的數量和質量對于機器人至關重要；然而大模型的小模型時代算法的數量和質量對于機器人至關重要；然而大模型的 Scaling Law 表明通過增

44、加數據表明通過增加數據量、擴大模型規模以及延長訓練時間，可以實現模型性能的持續提升，數據重要性凸顯。并且不同量、擴大模型規模以及延長訓練時間，可以實現模型性能的持續提升，數據重要性凸顯。并且不同于語言、圖像或視頻等二維模型的訓練，具身智能底層模型的訓練，需要在物理世界絕對坐標系下于語言、圖像或視頻等二維模型的訓練，具身智能底層模型的訓練，需要在物理世界絕對坐標系下的精確測量數據，數據獲取難度、成本、標注周期都遠超語言模型。從產業發展進程看，類比自動的精確測量數據，數據獲取難度、成本、標注周期都遠超語言模型。從產業發展進程看，類比自動駕駛，特駕駛，特斯拉大規模采集的數據推動了斯拉大規模采集的數據

45、推動了 FSD 性能的提升，具身智能產業發展的核心在于數據。性能的提升，具身智能產業發展的核心在于數據。大模型的廣泛使用再次凸顯數據重要性。大模型的廣泛使用再次凸顯數據重要性。2022 年以前，算法的數量和質量對于機器人重要性更強。因為在傳統的小模型中，模型性能會隨著訓練次數的增加而趨于飽和，甚至出現過擬合的情況，導致性能不升反降。而通過對算法進行優化，能夠找到最佳的模型配置。進入大模型時代，Scaling Law 表明通過增加數據量、擴大模型規模以及延長訓練時間，可以實現模型性能的持續提升。圖表圖表 18.語言模型中的語言模型中的 Scaling Law 資料來源：Johns Hopkins

46、 University、OpenAIScaling Laws for Neural Language Model，中銀證券 類比自動駕駛，數據驅動產業發展。類比自動駕駛，數據驅動產業發展。在產業發展初期，自動駕駛系統由規則驅動，即通過工程師人工編寫規則代碼使汽車對不同行駛狀況作出決策。隨著神經網絡智駕算法的崛起，自動駕駛進入數據驅動時代。以特斯拉 FSD 為例，V12 版本 C+代碼量僅為 2000 行，相比 V11 代碼減少了 99%以上，其原理是通過大量數據訓練出能夠高度模擬人類駕駛習慣的人工智能，在達到一定的仿真閾值后，得出一套根據可靠性和符合人類乘車習慣的系統。特斯拉通過影子模式進行數

47、據收集，將系統決策與駕駛員行為不斷進行比對，當兩者不一致時，系統將場景判定為“極端工況”，進而觸發數據回傳。因此特斯拉收集的數據越多，對于人類駕駛習慣的模擬就越精準，進而加速特斯拉車端的部署，形成數據閉環。2024 年 11 月 6 日 智能體專題報告之二 16 圖表圖表 19.特斯拉影子模式加速數據采集特斯拉影子模式加速數據采集 資料來源：特斯拉、汽車之家，中銀證券 商業化路徑一：通用機器人技術難度高，行業巨頭加速布局商業化路徑一：通用機器人技術難度高，行業巨頭加速布局 具身智能獲取數據的關鍵在于實現商業化落地具身智能獲取數據的關鍵在于實現商業化落地。區別于大模型可以從網絡中獲取數據并進行訓

48、練，具身智能如果想要具備高泛化性和可靠性，則需要在真實物理世界里獲取數據來完善模型，而獲取真實物理世界的數據的關鍵就在于商業化落地。根據 1X AI 副總裁 Eric Jang 在個人博客網站上發表的“All Roads Lead to Robotics”一文，具身智能的商業化路徑主要包括三種：通用場景軟硬結合、軟件路徑、以及垂直領域軟硬結合。圖表圖表 20.具身智能商業化廠商對比具身智能商業化廠商對比 商業化類型商業化類型 代表廠商代表廠商 主要機制主要機制 商業化模式商業化模式 通用場景軟硬結合 1X、Figure、特斯拉 采用通用的硬件和軟件來應對各種多變的使用場景 銷售整個機器人或進行

49、訂閱、租賃 純軟件路徑 NVIDIA 向硬件廠商提供 API 接口 根據接口收費 垂直領域軟硬結合 ?？禉C器人 垂直領域部署機器人軟件和硬件 銷售整個機器人或進行訂閱、租賃 資料來源：?？禉C器人官網，澎湃新聞，機器之心，極客公園，中銀證券 通用路線技術難度高，商業模式是向通用路線技術難度高，商業模式是向 B 端或端或 C 端銷售帶有智能能力的完整的機器人。端銷售帶有智能能力的完整的機器人。通用技術路徑的核心是采用通用的硬件和軟件來應對各種多變的使用場景，但是需要開發可重構的硬件，以便快速調整以適應不同的任務需求；同時還要設計能夠適應不同硬件配置和外圍設備的通用軟件，確保它們能夠在各種硬件上無縫

50、運行。1X、Figure 以及特斯拉均采用該種路徑。2024 年 11 月 6 日 智能體專題報告之二 17 圖表圖表 21.1X Neo 機器人針對日常家庭輔助場景機器人針對日常家庭輔助場景 資料來源：機器之心，中銀證券 以 Figure AI 為例，其目標是設計可以應用于人類環境的通用型機器人，讓機器人可以執行各種不同的任務。2024 年 8 月，Figure 02 發布。在大腦上，Figure 02 集成了 OpenAI 的 GPT-4o 多模態大模型，相比較于 01 使用 GPT4 將進一步地提升機器人的常識推理能力，使其能夠更好地理解和響應復雜指令，機載計算和 AI 推理能力提升 3

51、 倍。該集成使其在多模態推理和任務執行方面更具智能性和適應性，提升其在視覺、聽覺和語言交互方面的能力，使其能夠執行復雜的端到端任務，適用于工業制造、倉庫物流等側重于輕載搬運和分揀轉移的混合任務場景。小腦層面，Figure 02 延續使用類似 01 產品類似的 RT-X 機器人控制模型，使用模型預測控制器來確定腳步位置和保持平衡并遵循所需的機器人軌跡所需的力，結合步態控制以完成機器人的基本運動，全身控制策略則確保了機器人在執行動作時的安全性和平衡性，未來將持續優化提升動作執行能力。商業化路商業化路徑二：純軟件路徑建議關注英偉達、華為合作廠商徑二：純軟件路徑建議關注英偉達、華為合作廠商 軟件路徑能

52、夠實現機器人的快速部署和迭代，商業模式主要是向硬件廠商或綜合型廠商提供軟件路徑能夠實現機器人的快速部署和迭代，商業模式主要是向硬件廠商或綜合型廠商提供 API接口。接口。純軟件路徑的核心是開發 Cross-Embodiment Foundation Model（CEF），以實現跨硬件平臺的無縫兼容，機器人硬件廠商通過提供的 API 接口即可接入機器人的“大腦”。該路徑能夠克服傳統機器人開發中的局限性，即每個硬件平臺需要獨立的軟件開發流程，開發者在一次編寫后，可在多種硬件平臺上部署和運行。無論是精密的人形機器人、高效的輪式機器人，還是靈活的無人機，都能夠共享同一套軟件架構。因此節省了高昂的時間和

53、成本投入，并且隨著機器人的大規模部署，其邊際成本可以無限趨近于 0。2024 年 11 月 6 日 智能體專題報告之二 18 圖表圖表 22.優必選機器人操作系統優必選機器人操作系統 ROSA 介于應用層和硬件層之間介于應用層和硬件層之間 資料來源：智東西，中銀證券 但該種路徑需要實現小腦層的軟硬解耦。傳統機器人模型通常分為“大腦”和“小腦”兩部分，其中“大腦”負責對任務進行理解，并根據感知的傳感器信息對任務進行分解以及規劃，生成執行策略；“小腦”負責核心的運動控制，在大腦的策略下實現機器人動作的執行和反饋。不同于“大腦”層模型的訓練可以脫離特定硬件形態，“小腦”層則通常需要進行算法與硬件端的

54、強耦合訓練。要打造 CEF，需要實現控制層的軟硬解耦。除此之外，訓練有效的具身智能模型，還需要獲取大量高質量的數據。圖表圖表 23.算法與硬件結合的算法與硬件結合的機械臂控制機械臂控制 資料來源：IEEE，中銀證券 向硬件廠商或綜合型廠商提供 API，或通過項目制與它們合作。除初創企業外，在 2024 年的 GTC大會上，NVIDIA 發布人形機器人通用基礎模型 Project GR00T，該平臺主要包括生成式 AI 基礎模型、仿真工具以及 AI 工作流基礎設施，其中Isaac Manipulator提供基礎模型和 GPU 加速庫；Isaac Lab 基于 Isaac Sim 構建，用于運行數

55、千個用于機器人學習的并行仿真；Isaac Perceptor 用于感知，提供多攝像頭和 3D 環繞視覺功能。2024 年 11 月 6 日 智能體專題報告之二 19 圖表圖表 24.NVIDIA 形機器人通用基礎模型形機器人通用基礎模型 Project GR00T 資料來源：藍鯨TMT，中銀證券 九號機器人與英偉達合作開發自主機器人平臺。九號機器人與英偉達合作開發自主機器人平臺。2024 年國際消費電子展（CES 2024）上，九號機器人推出與英偉達共同開發的自主機器人平臺 Nova Cater AMR。Nova Cater AMR 是一款可定制的自動駕駛研發平臺，由英偉達提供算力與軟件平臺支

56、持，九號機器人提供底層智慧移動能力支持以及整合量產支撐。Nova Cater AMR 依托九號機器人最具優勢的機器人移動平臺（RMP），可實現倉庫AMR 建圖、倉庫運輸、科研仿真等。圖表圖表 25.九號機器人與英偉達聯合開發九號機器人與英偉達聯合開發 Nova Cater AMR 資料來源：新報觀察，中銀證券 國內廠商中，華為鴻蒙 HarmonyOS 是面向萬物互聯的全場景分布式操作系統,支持手機、平板、智能穿戴、智慧屏等多種終端設備運行,提供應用開發、設備開發的一站式服務的平臺。2024 世界人工智能大會（WAIC 2024）期間，國內首款搭載鴻蒙操作系統的全尺寸人形機器人樂聚“Kvavo”

57、亮相。該機器人采用華為開源鴻蒙系統，不僅能夠實現全方位視覺感知，還具備跳躍能力，能夠多地形行走。圖表圖表 26.國內機器人操作系統國內機器人操作系統 技術路線類型技術路線類型 公司名稱公司名稱 產品類型產品類型 主要客戶主要客戶 與英偉達合作 九號公司 機器人產品 Nova Carter 倉儲物流 中堅科技 除草機器人 To C 與華為合作 高新興 巡邏機器人 公共安全行業 潤和軟件 坑道作業機器人 工業 安聯銳視 機器視覺解決方案 機器人制造 自主研發 優必選 工業人形機器人 Walker S1 工業 資料來源：新報觀察，界面新聞，搜狐科技tech，雷鋒網，財聯社，IT之家，中銀證券 202

58、4 年 11 月 6 日 智能體專題報告之二 20 商業化路徑三：垂直領域軟硬結合建議關注細分龍頭商業化路徑三：垂直領域軟硬結合建議關注細分龍頭 垂直領域軟硬結合能夠積累細分數據壁壘。垂直領域軟硬結合能夠積累細分數據壁壘。高工機器人產業研究所（GGII）所長盧瀚宸在 2024 中國人形機器人技術應用峰會上表示，具備高壁壘的核心硬件長期來看將是“香餑餑”。機器人領域硬件與數據強綁定，例如通過定制化的處理器或通信接口，公司能夠收集和處理特定類型的數據，這些數據對于機器人的性能至關重要，但難以被競爭對手復制。同時，硬件和軟件緊密集成形成高度優化的系統，這種集成化設計可以提高數據的收集效率和處理速度，

59、從而形成數據壁壘。圖表圖表 27.ROS 2 實現軟硬件集成實現軟硬件集成 資料來源：CSDN，中銀證券 軟硬協同，?？禉C器人具備從機器人本體到業務調度系統的全面產品覆蓋。軟硬協同，?？禉C器人具備從機器人本體到業務調度系統的全面產品覆蓋。公司在硬件方面具備機器人設計、無線通訊及自動充換電技術，在軟件方面具備嵌入式技術、平臺軟件技術以及移動機器人定位導航、運動控制、調度規劃等通用智能技術。公司機器人產品矩陣包括：移動機器人本體、自動充換電系統、通訊系統、機器人調度系統和業務系統。其中移動機器人本體是硬件核心，具備定位、導航和一定的自主決策能力；通訊系統主要負責機器人群體和機器人調度系統之間的無線

60、通訊，一般以 WIFI 或 5G 訊號進行鏈接；充換電系統主要負責給機器人補充電能；機器人調度系統既是軟件的核心也是整個系統的核心，主要負責將工廠的作業任務分配給合適的機器人，并負責整個機器人群體的交通調度；業務系統負責將工廠的需求指令轉換為機器人的搬運指令，并下發給機器人調度系統。圖表圖表 28.基于移動機器人的?？抵悄茏詣踊锪飨到y基于移動機器人的?？抵悄茏詣踊锪飨到y 資料來源：?？禉C器人，中銀證券 2024 年 11 月 6 日 智能體專題報告之二 21 AMR 市場高速增長，公司市占率領先。市場高速增長，公司市占率領先。根據 GGII 的預測，2022 年我國自主移動機器人市場規模約

61、為 96.7 億元。由于叉車替換需求、倉儲機器人需求等較為旺盛，預計我國移動機器人市場在 2027年將超過 460 億元，10 年 cagr 達 35%。根據 GGII 的統計，2022 年中國移動機器人市場的市場銷量8.14 萬臺，其中?？禉C器人市場占有率超過 15%，位居第一，具備較強先發優勢。圖表圖表 29.2017-2027 年中國年中國 AGV 市場規模及預測市場規模及預測 資料來源：GGII，?？禉C器人，中銀證券 機器視覺賦能，打造長期壁壘機器視覺賦能，打造長期壁壘。區別于傳統的自動導航車輛（AGV）依賴于預設的路線和人工監督，AMR 需要利用機器視覺技術進行實時的導航和路徑規劃，

62、以實現自主移動。因此 AMR 對于機器視覺的要求大大提高。根據 Omdia 報告，?？禉C器人公司的母公司?？低曔B續 8 年蟬聯視頻監控行業全球第一，占全球視頻監控市場份額的 24.1%。公司在機器視覺方面具備深厚技術積累，擁有2D 視覺、智能 ID、3D 視覺三大硬件產品線。其中 2D 系列產品中的工業相機作為公司最早布局的核心成像產品，在市場占有率及產品性能方面均居于業內領先地位。圖表圖表 30.?？禉C器人整體技術框架?？禉C器人整體技術框架 資料來源：?？禉C器人，中銀證券 23.08 34.96 40.13 52.1 78.12 96.73 131.56 180.23 253.6 350.

63、44 462.47 51.47%14.79%29.83%49.94%23.82%36.01%36.99%40.71%38.19%31.97%0.00%10.00%20.00%30.00%40.00%50.00%60.00%0.050.0100.0150.0200.0250.0300.0350.0400.0450.0500.0201720182019202020212022 2023E 2024F 2025F 2026F 2027F2017-2027年中國年中國AGV市場規模及預測市場規模及預測 中國AGV市場規模（億元）同比增長 2024 年 11 月 6 日 智能體專題報告之二 22 投資建

64、議投資建議及風險提示及風險提示 投資建議投資建議 從具身智能訓練層面，建議關注具備柔性、流體仿真等技術的廠商，如索辰科技。從具身智能商業化路徑層面，建議關注英偉達、華為合作廠商，如九號公司、中堅科技、高新興、潤和軟件、安聯銳視等以及細分領域龍頭廠商如?？禉C器人。風險提示風險提示 1.技術突破不及預期。具身智能的落地需要算力、多模態、傳感器感知等多領域的協同發展，如果技術突破不及預期，將會影響智能體商業化落地進程。2.機器人成本下降不及預期。目前機器人成本較高，尚未實現大規模部署，如果機器人成本控制不及預期，具身智能將無法形成商業化閉環。3.數據收集不及預期。具身智能的訓練需要大量數據進行支撐，

65、如果數據采集不及預期，將會影響具身智能性能。計算機計算機|證券研究報告證券研究報告 首次評級首次評級 2024 年年 11 月月 6 日日 2022 年年 XX 月月 XX 日日 2022 年年 XX 月月 XX 日日 688507.SH 買入買入 市場價格市場價格:人民幣人民幣 65.95 板塊評級板塊評級:強于大市強于大市 股價表現股價表現 (%)今年今年至今至今 1 個月個月 3 個月個月 12 個月個月 絕對(1.6)0.8 1.6(3.6)相對深圳成指 0.2 3.2 9.0(1.0)發行股數(百萬)89.11 流通股(百萬)45.50 總市值(人民幣 百萬)5,876.72 3 個

66、月日均交易額(人民幣 百萬)46.08 主要股東 陳灝 26.68 資料來源：公司公告，Wind，中銀證券 以2024年11月5日收市價為標準 中銀國際證券股份有限公司中銀國際證券股份有限公司 具備證券投資咨詢業務資格具備證券投資咨詢業務資格 計算機：計算機設備計算機：計算機設備 證券分析師：楊思睿證券分析師：楊思睿(8610)66229321 證券投資咨詢業務證書編號：S1300518090001 證券分析師：劉桐彤證券分析師：劉桐彤(8610)83949543 證券投資咨詢業務證書編號：S1300524040002 索辰科技索辰科技 主業受益于國產化浪潮，大力布局機器人軟件 數據安全“國家

67、隊”，密碼與個保業務齊發力 近日，工信部發布工業重點行業領域設備更新和技術改造指南，提出重近日，工信部發布工業重點行業領域設備更新和技術改造指南，提出重點更新計算機輔助工程（點更新計算機輔助工程（CAE）等研發設計、生產制造、經營管理、運營維）等研發設計、生產制造、經營管理、運營維護相關軟件，釋放的替換需求有望超護相關軟件，釋放的替換需求有望超 50 億元。目前億元。目前 CAE 市場國產化率低，市場國產化率低，作為首家國產作為首家國產 CAE 軟件上市公司，軟件上市公司，索辰科技有望索辰科技有望充分受益于國產化浪潮。充分受益于國產化浪潮。首首次覆蓋，給予次覆蓋，給予買入買入評級。評級。支撐評

68、級的要點支撐評級的要點 國產替代需求有望超國產替代需求有望超 50 億元億元，公司或將充分受益。，公司或將充分受益。2022 年我國 CAE 市場規模為 37.6 億元，國產化率為 16.2%。公司 2022 年營業收入達 2.68 億元，對應市場份額為 7.13%，與排名第三的達索系統市場份額接近，公司在國產廠商中具備領先優勢。近日，工信部發布工業重點行業領域設備更新和技術改造指南，假設工業軟件替換比例與 CAE 市場規模占比一致，目前市場上一套 CAE 軟件價格從萬元到百萬元不等，按 5 萬元保守測算，釋放的替換需求有望超 50 億元。軍用客戶基本盤穩健，軍用客戶基本盤穩健，機器人技術掀起

69、產業潮機器人技術掀起產業潮。公司是國內首家成功上市的國產 CAE 軟件企業，具備核心技術優勢。公司產品涉及流體、結構、光學、聲學、電磁等多個方向。公司產品分為工程仿真軟件和仿真產品開發兩大類，公司客戶群體涵蓋九大軍工集團及中科院下屬的科研院所。公司 24 年 2 月成立機器人事業部，其軟件涵蓋從機器人的功能設計、構型綜合、性能分析到結構設計優化的完整研發過程，已有巡檢機器人項目落地。軟件收入占比大幅提升，保持高研發投入。軟件收入占比大幅提升，保持高研發投入。公司近 4 年收入復合增速達28.9%。2020-2022 年受益于國防科技、航空航天等領域仿真產品開發業務需求增多，公司仿真產品收入大幅

70、增長。2023 年，公司加大工仿軟件營銷力度，公司軟件業務實現收入同比上升 39.4%，占主營業務比例大幅提升,2023 年公司繼續加大研發投入，研發費用同比增長 20.1%。估值估值 預計 24-26 年歸母凈利為 0.70、1.03、1.53 億元，EPS 為 0.78、1.16、1.72元，對應 PE 分別為 84X、57X、38X。公司是國內首家國產 CAE 上市公司，有望充分受益于國產化浪潮，首次覆蓋，給予公司買入買入評級。評級面臨的主要風險評級面臨的主要風險 政策落地不及預期；民用市場推進不及預期；技術研發不及預期。Table_FinchinaSimple_index1 投資摘要投

71、資摘要 年結日：年結日：12 月月 31 日日 2022 2023 2024E 2025E 2026E 主營收入(人民幣 百萬)268 320 453 619 829 增長率(%)39.1 19.5 41.5 36.5 33.9 EBITDA(人民幣 百萬)45 37 39 105 165 歸母凈利潤(人民幣 百萬)54 57 70 103 153 增長率(%)6.8 6.9 21.6 47.8 48.4 最新股本攤薄每股收益(人民幣)0.60 0.65 0.78 1.16 1.72 市盈率(倍)109.3 102.2 84.1 56.9 38.3 市凈率(倍)11.2 2.0 2.0 1.9

72、 1.9 EV/EBITDA(倍)(1.3)162.6 90.5 33.7 21.5 每股股息(人民幣)0.2 0.4 0.3 0.5 0.7 股息率(%)0.3 0.5 0.7 1.1 資料來源：公司公告，中銀證券預測 (18%)(5%)7%20%32%45%May-22 Jul-22 Aug-22 Sep-22 Oct-22 Nov-22 Dec-22 Jan-23 Feb-23 Mar-23 Apr-23 May-23 電科網安 深圳成指 2024 年 11 月 6 日 索辰科技 24 國產替代需求有望超國產替代需求有望超 50 億元億元，公司或將充分受益，公司或將充分受益 CAE 國產

73、替代空間廣闊，公司在國產廠商中具備領先優勢。國產替代空間廣闊，公司在國產廠商中具備領先優勢。根據 IDC 發布的中國設計研發類工業軟件之 CAE 市場廠商份額，2022：流水爭先和智研咨詢產業研究，2022 年我國 CAE 市場規模為 37.6 億元，國產化率為 16.2%。公司 2022 年營業收入達 2.68 億元，對應市場份額為 7.13%，與排名第三的達索系統市場份額接近，公司在國產廠商中具備領先優勢。國產替代浪潮至，國產替代浪潮至，國產替代需求有望超國產替代需求有望超 50 億元億元。近日，工信部發布工業重點行業領域設備更新和技術改造指南，提出重點更新計算機輔助設計（CAD）、計算機

74、輔助工程（CAE）、計算機輔助制造（CAM）、制造執行系統（MES）、企業資源計劃（ERP）等研發設計、生產制造、經營管理、運營維護相關軟件。到 2027 年，完成約 200 萬套工業軟件和 80 萬臺套工業操作系統更新換代任務。根據賽迪發布的數說 IT和 IDC 發布的中國設計研發類工業軟件之 CAE 市場廠商份額，2022：流水爭先，2022 年研發設計類軟件（包括 CAD、CAE 等）市場規模為 247.2 億元，其中 CAE 市場規模為 37.6 億元人民幣，根據 IDC 和智研咨詢的IDC 中國制造業 MES 市場分析及廠商份額，2022：行業為王和2024-2030 年中國 ERP

75、 軟件行業市場研究分析及投資前景評估報告，2022年中國 MES、ERP 市場規模分別為 46.2、408.5 億元。假設工業軟件替換比例與 CAE 市場規模占比一致，目前市場上一套 CAE 軟件價格從萬元到百萬元不等，按 5 萬元保守測算，釋放的替換需求有望超 50 億元。圖表圖表 31.CAE 市場替換需求測算市場替換需求測算 測算指標測算指標 數據數據 2022 年細分市場規模年細分市場規模 研發設計類 247.2 億元 MES 46.2 億元 ERP 408.5 億元 2022 年相關工業軟件市場規模之年相關工業軟件市場規模之和和 701.9 億元 CAE 規模規模 37.6 億元 C

76、AE 占比占比 5.4%擬替換工業軟件擬替換工業軟件 200 萬套工業軟件 CAE 單價單價 5 萬元/每套 釋放替換需求釋放替換需求 54 億元 資料來源：索辰科技2023年年報，IDC，賽迪咨詢，工信部，智研咨詢，36氪，中國政府采購網，福建理工大學，中銀證券 軍工客戶基本盤穩健，機器人軍工客戶基本盤穩健，機器人技術掀起產業潮技術掀起產業潮 公司是國內首家成功上市的國產公司是國內首家成功上市的國產 CAE 軟件企業，具備核心技術積累。軟件企業，具備核心技術積累。公司產品涉及流體、結構、光學、聲學、電磁、測控、多學科等多個方向，并開發出多類型工程仿真軟件，能實現對多物理場工程應用場景的仿真。

77、公司堅持核心技術的自主創新，在流體仿真領域擁有基于氣體動理學模型的三套先進算法，分別是氣體動理學算法（GKS）、直接模擬蒙特卡洛（DSMC）方法、光滑粒子流體動力學（SPH）方法，均為基于高性能計算的行業前沿算法，核心技術具有較強的先進性。2024 年 11 月 6 日 索辰科技 25 圖表圖表 32.公司公司多學科仿真軟件可實現航天飛行器熱多學科仿真軟件可實現航天飛行器熱-結構耦合仿真分析結構耦合仿真分析 資料來源：索辰科技招股說明書，中銀證券 公司產品分為工程仿真軟件和仿真產品開發兩大類。公司產品分為工程仿真軟件和仿真產品開發兩大類。其中，工程仿真軟件屬于通用型仿真工具軟件，近三年收入占比

78、達 50%以上，毛利率高達 95%以上。工程仿真軟件可進一步細分為單一學科仿真軟件、多學科仿真軟件和工程仿真優化系統。單一學科軟件是公司用于流體、結構、聲學、電磁、光學、測控等領域仿真軟件的統稱，可以單獨實現不同場景、不同工程環境的仿真模擬計算，是通用型工具軟件。多學科仿真軟件是將多類別的仿真軟件與多類型的仿真系統集成在一個仿真環境下運行，幫助客戶提升復雜工程整體設計的效率，多學科仿真軟件以單一學科軟件為基礎。工程仿真優化系統是在產品系統及詳細設計、試驗驗證、生產等階段引入仿真分析方法，實現產品設計、生產全周期的仿真驅動，提升解決工程實際問題的能力。仿真產品開發業務主要為軍工單位及科研院所等客

79、戶提供定制化的仿真解決方案，主要包括解決特定工程問題的純仿真軟件產品開發，仿真-試驗融合驗證系統、高性能平臺、仿真云平臺等。圖表圖表 33.2023 年公司主要產品類型以及相關指標年公司主要產品類型以及相關指標 產品大類產品大類 產品類型產品類型 代表性細分產品代表性細分產品 對應產品主要用途對應產品主要用途 2023 收入占收入占比（比（%）2023 年毛利年毛利率（率（%）工程仿真軟件 單一學科仿真軟件 流體仿真軟件、結構仿真軟件、聲學分析軟件等單一學科仿真軟件 實現不同場景、不同學科的仿真模擬計算 58.6 95.1 多學科仿真軟件 熱-結構耦合、熱-流體-結構耦合、熱-結構-光學耦合仿

80、真等 工程仿真優化系統 仿真數據管理、試驗數據管理、制造系統仿真、需求分析等軟件 為產品/工程設計提供需求分析、仿真數據管理、試驗數據管理、知識管理、制造系統仿真等產品全周期管理服務 仿真產品開發 仿真-試驗融合驗證系統、仿真云平臺、高性能計算平臺 根據客戶需求，為客戶開發多種類型的仿真云平臺、高性真產品，滿足客戶多樣化、專用化的開發需求和仿真系統建設 40.9 33.2 資料來源：索辰科技2023年年報，中銀證券 公司具備優質軍工客戶資源，基本盤穩固。公司具備優質軍工客戶資源，基本盤穩固。公司客戶群體涵蓋中國航發、中國船舶、航空工業、航天科技、航天科工、中國電子、中國電科、中核集團、中國兵工

81、等九大軍工集團及中科院下屬的科研院所，國防軍工領域對于自主可控要求較高，國外廠商難以進入。根據公司招股說明書，公司前五大客戶主要集中于軍工領域，軍工單位及科研院所客戶是公司收入的主要來源，公司擁有十余年服務軍工行業客戶的經驗積累，客戶資源優勢突出。2024 年 11 月 6 日 索辰科技 26 圖表圖表 34.公司公司 2023 年前五大客戶情況年前五大客戶情況 序號序號 客戶名稱客戶名稱 銷售金額銷售金額（萬元）（萬元）收入占比收入占比(%)銷售內容銷售內容 1 航空工業及其下 屬單位 2,843.85 8.88 單一學科、多學科工程仿真軟件：仿真-試驗融合驗證系統 2 航天科技及其下 屬單

82、位 1,968.58 6.14 單一學科、多學科工程仿真軟件 3 客戶 C 1,701.56 5.31 仿真計算平臺 4 中國電科及其下 屬單位 1,591.96 4.97 仿真-試驗融合驗證系統：多學科工程 仿真軟件 5 中國兵工及其下 屬單位 1,509.22 4.71 單一學科、多學科工程仿真軟件：仿真-試驗融合驗證系統 資料來源：索辰科技2023年年報，中銀證券 機器人已有訂單落地。機器人已有訂單落地。公司 24 年 2 月成立機器人事業部，其軟件將涵蓋從機器人的功能設計、構型綜合、性能分析到結構設計優化的完整研發過程。除此之外，公司還將提供專為機器人設計的仿真解決方案。無論是基于模型

83、(Model Based)還是人工智能（AI Learning Based）的技術路線，機器人運動控制算法的開發都需要仿真的支持。一方面軟件若想克服對硬件的依賴，實現同步開發，需要借助仿真進行測試驗證；另一方面，用于機器學習訓練的豐富而多樣的場景也需要通過虛擬仿真來提供。公司將提供一個虛實融合的機器人仿真解決方案，通過環境交互機制、虛擬-現實誤差迭代技術實現更精準的仿真。根據公司在互動平臺上的回復，公司機器人事業部的六維力和力矩傳感器已經實際運用在工程項目，比如數字孿生中信息采集。此外，公司還與聯想研究院（上海分院）簽訂了機器人訂單，目前應用場景為電力巡檢。圖表圖表 35.公司六維力與力矩傳感

84、器性能參數公司六維力與力矩傳感器性能參數 資料來源：索辰科技公眾號，中銀證券 軟件收入占比大幅提升，保持高研發投入軟件收入占比大幅提升，保持高研發投入 收入高速增長，軟件收入占比大幅提升。收入高速增長，軟件收入占比大幅提升。公司近 4 年收入復合增速達 28.9%。2020-2022 年受益于國防科技、航空航天等領域仿真產品開發業務需求增多，公司仿真產品收入大幅增長。2023 年，公司加大工仿軟件營銷力度，公司軟件業務實現收入同比上升 39.4%，占主營業務比例大幅提升。2024 年 11 月 6 日 索辰科技 27 圖表圖表 36.索辰科技索辰科技 2019-2023 年度主營業務年度主營業

85、務收入收入及增速及增速 圖表圖表 37.索辰科技索辰科技 2019-2023 年度年度歸母歸母凈利潤及增速凈利潤及增速 資料來源：iFind，中銀證券 資料來源：iFind，中銀證券 保持高研發投入，盈利能力逐步恢復。保持高研發投入，盈利能力逐步恢復。公司 2020-2023 年歸母凈利復合增長率為 20.7%，2022 年公司歸母凈利增速放緩主要是由于工業仿真開發需求增多導致毛利率下降以及研發投入加大，2023 年公司軟件收入占比大幅提升，帶動毛利率提升 6.0Pcts。2023 年公司繼續加大研發投入，研發費用同比增長 20.1%，截至 2023 年 12 月 31 日，公司研發人員數量為

86、 202 人，占比達 63.92，研發投入占營業收入的比例達到 32.9。圖表圖表 38.索辰科技索辰科技 2019-2023 年度三費及費率變化年度三費及費率變化 圖表圖表 39.索辰科技索辰科技 2019-2023 年毛利率與凈利率年毛利率與凈利率 資料來源：iFind，中銀證券 資料來源：iFind，中銀證券 盈利預測盈利預測 我國 CAE 行業國產化率目前仍處于較低水平，隨著新一輪工業軟件替換的浪潮開啟，國產 CAE 軟件替換進程加快，公司工仿軟件和仿真產品開發業務有望同步受益，預計工仿軟件 2024、2025、2026年收入增速分別為 43.0%、40.7%、38.2%，仿真產品開發

87、收入增速分別為 40.5%、30.4%、27.1%，預計營業總收入分別為 4.5、6.2、8.3 億元。隨著產品規?；潭鹊奶嵘约肮I仿真云的推進，未來公司毛利有望持續提升，預計工仿軟件 2024、2025、2026 年毛利率為 95.2%、95.3%、95.5%，仿真產品開發毛利率為 31.9%、32.7%、33.9%，整體毛利率為 69.5%、71.0%、72.8%。0.0%10.0%20.0%30.0%40.0%50.0%60.0%0.00.20.40.60.81.01.220192020202120222023管理費用 研發費用 銷售費用 管理費用率(億元)64.8%82.0%73.

88、3%63.4%69.4%-10.9%20.2%26.1%20.1%18.1%-11%9%29%49%69%89%20192020202120222023毛利率 凈利率 2024 年 11 月 6 日 索辰科技 28 圖表圖表 40.盈利預測盈利預測（億元）（億元）2024 2025 2026 營業收入 4.5 6.2 8.3 YOY（%）41.5 36.5 33.9 綜合毛利率(%)69.5 71.0 72.8 工仿軟件收入 2.7 3.8 5.2 YOY（%）43.0 40.7 38.2 毛利率（%）95.2 95.3 95.5 仿真產品開發收入 1.8 2.4 3.1 YOY（%）40.5

89、 30.4 27.1 毛利率（%）31.9 32.7 33.9 資料來源：萬得，中銀證券 估值估值 我們選取具備相似業務的中望軟件以及同屬工業設計的華大九天以及廣立微作為可比公司。我們采用 PE 進行估值，以 2024 年 11 月 5 日收盤價計算，公司 2024、2025、2026 年 PE 分別為 84X、57X、38X，低于可比公司平均水平。公司屬于 CAE 細分行業龍頭，工業軟件替換有望進一步助力業績增長，首次評級，給予買入買入評級。圖表圖表 41.可比公司估值可比公司估值 股價股價(元）元）EPS（元）（元）PE（倍）（倍）23A 24E 25E 26E 23A 24E 25E 2

90、6E 中望軟件 688083.SH 97.15 0.51 0.64 0.94 1.34 192 151 103 72 華大九天 301269.SZ 100.04 0.37 0.23 0.43 0.65 271 439 233 154 廣立微 301095.SZ 65.91 0.64 0.71 1.03 1.42 102 93 64 46 平均平均 0.44 0.53 0.80 1.14 188 228 133 91 索辰科技索辰科技 688507.SH 65.95 0.65 0.78 1.16 1.72 102 84 57 38 資料來源：萬得，中銀證券 注：中望軟件、華大九天EPS來自萬得一

91、致預期，股價與市值以2024年11月5日收盤價為準 風險風險 1.政策落地不及預期政策落地不及預期。CAE 軟件替換進程受政策影響，如果國產替代政策不及預期，公司業績增速將會受到負面影響。2.民用市場推進不及預期民用市場推進不及預期。民用市場有望為公司打造第二增長曲線，如果公司民用市場客戶拓展不及預期，將會影響公司長期發展前景。3.技術研發不及預期。技術研發不及預期。CAE 軟件屬于技術密集型，且國內公司和海外公司在技術上仍存在較大差異，如果公司技術研發不及預期，將會在市場競爭中處于劣勢。2024 年 11 月 6 日 索辰科技 29 Table_FinchinaDetail_index1 利

92、潤表利潤表(人民幣人民幣 百萬百萬)現金流量表現金流量表(人民幣人民幣 百萬百萬)年結日：年結日：12 月月 31 日日 2022 2023 2024E 2025E 2026E 年結日：年結日：12 月月 31 日日 2022 2023 2024E 2025E 2026E 營業總收入 268 320 453 619 829 凈利潤 54 58 72 106 158 營業收入 268 320 453 619 829 折舊攤銷 19 23 27 31 35 營業成本 98 98 138 179 225 營運資金變動(63)(143)(13)(71)(94)營業稅金及附加 2 2 2 3 4 其他(

93、9)5(60)(31)(31)銷售費用 12 20 39 43 58 經營活動現金流經營活動現金流 1(57)26 36 68 管理費用 28 38 54 62 84 資本支出(31)(35)(28)(29)(30)研發費用 88 105 163 208 278 投資變動 30(50)(10)(10)(10)財務費用 2(30)(60)(32)(31)其他 0(12)(1)(1)(1)其他收益 31 12 3 6 9 投資活動現金流投資活動現金流(1)(97)(39)(40)(41)資產減值損失 1 0 1 1 1 銀行借款 26(71)90 10 4 信用減值損失(14)(43)(46)(4

94、9)(50)股權融資(9)2,249 28(42)(62)資產處置收益 0 0 0 0 0 其他(6)33 60 31 32 公允價值變動收益 0 0 0 0 0 籌資活動現金流籌資活動現金流 11 2,210 178 0(26)投資收益 0(1)(1)(1)(1)凈現金流凈現金流 11 2,057 165(4)1 匯兌收益 0 0 0 0 0 資料來源：公司公告，中銀證券預測 營業利潤 56 56 74 111 170 營業外收入 2 0 0 0 0 財務指標財務指標 營業外支出 0 0 0 0 0 年結日：年結日：12 月月 31 日日 2022 2023 2024E 2025E 2026

95、E 利潤總額 58 56 74 111 170 成長能力成長能力 所得稅 4(2)2 4 12 營業收入增長率(%)39.1 19.5 41.5 36.5 33.9 凈利潤 54 58 72 106 158 營業利潤增長率(%)(1.2)0.1 31.5 50.6 53.0 少數股東損益 0 1 2 3 5 歸 屬 于 母 公 司 凈 利 潤 增 長 率(%)6.8 6.9 21.6 47.8 48.4 歸母凈利潤 54 57 70 103 153 息稅前利潤增長率(%)(7.3)(45.7)(15.9)509.3 74.7 EBITDA 45 37 39 105 165 息稅折舊前利潤增長率

96、(%)2.9(17.9)4.8 169.6 56.7 EPS(最新股本攤薄，元)0.60 0.65 0.78 1.16 1.72 EPS(最新股本攤薄)增長率(%)6.8 6.9 21.6 47.8 48.4 資料來源：公司公告，中銀證券預測 獲利能力獲利能力 息稅前利潤率(%)10.0 4.5 2.7 12.0 15.7 資產負債表資產負債表(人民幣人民幣 百萬百萬)營業利潤率(%)20.9 17.5 16.3 17.9 20.5 年結日：年結日：12 月月 31 日日 2022 2023 2024E 2025E 2026E 毛利率(%)63.4 69.4 69.5 71.0 72.8 流動

97、資產流動資產 543 2,779 3,031 3,139 3,325 歸母凈利潤率(%)20.1 17.9 15.4 16.7 18.5 貨幣資金 169 2,227 2,392 2,388 2,389 ROE(%)10.2 2.0 2.3 3.4 4.9 應收賬款 331 510 575 686 846 ROIC(%)5.3 2.4 1.8 9.5 14.3 應收票據 0 1 1 1 1 償債能力償債能力 存貨 4 11 10 17 17 資產負債率 0.3 0.1 0.1 0.1 0.1 預付賬款 8 0 11 4 15 凈負債權益比(0.2)(0.8)(0.8)(0.7)(0.7)合同資

98、產 11 8 19 16 28 流動比率 3.4 17.7 11.0 9.7 8.0 其他流動資產 19 22 22 27 28 營運能力營運能力 非流動資產非流動資產 182 309 319 328 333 總資產周轉率 0.4 0.2 0.1 0.2 0.2 長期投資 0 50 60 70 80 應收賬款周轉率 1.0 0.8 0.8 1.0 1.1 固定資產 94 93 106 115 121 應付賬款周轉率 5.1 3.6 3.6 3.8 4.1 無形資產 45 62 57 51 44 費用率費用率 其他長期資產 43 104 97 93 89 銷售費用率(%)4.5 6.3 8.7

99、7.0 7.0 資產合計資產合計 725 3,087 3,350 3,467 3,658 管理費用率(%)10.5 11.8 11.8 10.1 10.1 流動負債流動負債 161 157 277 323 417 研發費用率(%)32.7 32.9 35.9 33.6 33.6 短期借款 37 0 45 50 52 財務費用率(%)0.8(9.5)(13.1)(5.1)(3.8)應付賬款 80 97 152 171 235 每股指標每股指標(元元)其他流動負債 44 60 79 102 129 每股收益(最新攤薄)0.6 0.6 0.8 1.2 1.7 非流動負債非流動負債 37 10 54

100、59 61 每股經營現金流(最新攤薄)0.0(0.6)0.3 0.4 0.8 長期借款 34 0 45 50 52 每股凈資產(最新攤薄)5.9 32.5 33.6 34.3 35.3 其他長期負債 4 10 9 9 9 每股股息 0.2 0.4 0.3 0.5 0.7 負債合計負債合計 198 167 330 383 478 估值比率估值比率 股本 31 61 89 89 89 P/E(最新攤薄)109.3 102.2 84.1 56.9 38.3 少數股東權益 0 26 28 32 36 P/B(最新攤薄)11.2 2.0 2.0 1.9 1.9 歸屬母公司股東權益 527 2,894 2

101、,991 3,053 3,144 EV/EBITDA(1.3)162.6 90.5 33.7 21.5 負債和股東權益合計負債和股東權益合計 725 3,087 3,350 3,467 3,658 價格/現金流(倍)6,342.0(102.8)225.3 163.0 85.9 資料來源：公司公告，中銀證券預測 資料來源：公司公告，中銀證券預測 2024 年 11 月 6 日 智能體專題報告之二 30 披露聲明披露聲明 本報告準確表述了證券分析師的個人觀點。該證券分析師聲明，本人未在公司內、外部機構兼任有損本人獨立性與客觀性的其他職務，沒有擔任本報告評論的上市公司的董事、監事或高級管理人員；也不

102、擁有與該上市公司有關的任何財務權益；本報告評論的上市公司或其它第三方都沒有或沒有承諾向本人提供與本報告有關的任何補償或其它利益。中銀國際證券股份有限公司同時聲明，將通過公司網站披露本公司授權公眾媒體及其他機構刊載或者轉發證券研究報告有關情況。如有投資者于未經授權的公眾媒體看到或從其他機構獲得本研究報告的，請慎重使用所獲得的研究報告，以防止被誤導，中銀國際證券股份有限公司不對其報告理解和使用承擔任何責任。評級體系說明評級體系說明 以報告發布日后公司股價/行業指數漲跌幅相對同期相關市場指數的漲跌幅的表現為基準：公司投資評級：公司投資評級：買 入：預計該公司股價在未來 6-12 個月內超越基準指數

103、20%以上；增 持：預計該公司股價在未來 6-12 個月內超越基準指數 10%-20%；中 性：預計該公司股價在未來 6-12 個月內相對基準指數變動幅度在-10%-10%之間；減 持：預計該公司股價在未來 6-12 個月內相對基準指數跌幅在 10%以上；未有評級：因無法獲取必要的資料或者其他原因，未能給出明確的投資評級。行業投資評級：行業投資評級：強于大市：預計該行業指數在未來 6-12 個月內表現強于基準指數；中 性：預計該行業指數在未來 6-12 個月內表現基本與基準指數持平；弱于大市：預計該行業指數在未來 6-12 個月內表現弱于基準指數；未有評級：因無法獲取必要的資料或者其他原因，未

104、能給出明確的投資評級。滬深市場基準指數為滬深 300 指數；新三板市場基準指數為三板成指或三板做市指數；香港市場基準指數為恒生指數或恒生中國企業指數；美股市場基準指數為納斯達克綜合指數或標普 500 指數。風險提示及免責聲明風險提示及免責聲明 本報告由中銀國際證券股份有限公司證券分析師撰寫并向特定客戶發布。本報告發布的特定客戶包括：1)基金、保險、QFII、QDII 等能夠充分理解證券研究報告，具備專業信息處理能力的中銀國際證券股份有限公司的機構客戶；2)中銀國際證券股份有限公司的證券投資顧問服務團隊，其可參考使用本報告。中銀國際證券股份有限公司的證券投資顧問服務團隊可能以本報告為基礎，整合形

105、成證券投資顧問服務建議或產品，提供給接受其證券投資顧問服務的客戶。中銀國際證券股份有限公司不以任何方式或渠道向除上述特定客戶外的公司個人客戶提供本報告。中銀國際證券股份有限公司的個人客戶從任何外部渠道獲得本報告的，亦不應直接依據所獲得的研究報告作出投資決策；需充分咨詢證券投資顧問意見，獨立作出投資決策。中銀國際證券股份有限公司不承擔由此產生的任何責任及損失等。本報告內含保密信息，僅供收件人使用。閣下作為收件人，不得出于任何目的直接或間接復制、派發或轉發此報告全部或部分內容予任何其他人，或將此報告全部或部分內容發表。如發現本研究報告被私自刊載或轉發的，中銀國際證券股份有限公司將及時采取維權措施，

106、追究有關媒體或者機構的責任。所有本報告內使用的商標、服務標記及標記均為中銀國際證券股份有限公司或其附屬及關聯公司（統稱“中銀國際集團”）的商標、服務標記、注冊商標或注冊服務標記。本報告及其所載的任何信息、材料或內容只提供給閣下作參考之用，并未考慮到任何特別的投資目的、財務狀況或特殊需要，不能成為或被視為出售或購買或認購證券或其它金融票據的要約或邀請，亦不構成任何合約或承諾的基礎。中銀國際證券股份有限公司不能確保本報告中提及的投資產品適合任何特定投資者。本報告的內容不構成對任何人的投資建議，閣下不會因為收到本報告而成為中銀國際集團的客戶。閣下收到或閱讀本報告須在承諾購買任何報告中所指之投資產品之

107、前，就該投資產品的適合性，包括閣下的特殊投資目的、財務狀況及其特別需要尋求閣下相關投資顧問的意見。盡管本報告所載資料的來源及觀點都是中銀國際證券股份有限公司及其證券分析師從相信可靠的來源取得或達到，但撰寫本報告的證券分析師或中銀國際集團的任何成員及其董事、高管、員工或其他任何個人（包括其關聯方）都不能保證它們的準確性或完整性。除非法律或規則規定必須承擔的責任外，中銀國際集團任何成員不對使用本報告的材料而引致的損失負任何責任。本報告對其中所包含的或討論的信息或意見的準確性、完整性或公平性不作任何明示或暗示的聲明或保證。閣下不應單純依靠本報告而取代個人的獨立判斷。本報告僅反映證券分析師在撰寫本報告

108、時的設想、見解及分析方法。中銀國際集團成員可發布其它與本報告所載資料不一致及有不同結論的報告，亦有可能采取與本報告觀點不同的投資策略。為免生疑問，本報告所載的觀點并不代表中銀國際集團成員的立場。本報告可能附載其它網站的地址或超級鏈接。對于本報告可能涉及到中銀國際集團本身網站以外的資料，中銀國際集團未有參閱有關網站，也不對它們的內容負責。提供這些地址或超級鏈接（包括連接到中銀國際集團網站的地址及超級鏈接）的目的，純粹為了閣下的方便及參考，連結網站的內容不構成本報告的任何部份。閣下須承擔瀏覽這些網站的風險。本報告所載的資料、意見及推測僅基于現狀，不構成任何保證，可隨時更改，毋須提前通知。本報告不構

109、成投資、法律、會計或稅務建議或保證任何投資或策略適用于閣下個別情況。本報告不能作為閣下私人投資的建議。過往的表現不能被視作將來表現的指示或保證，也不能代表或對將來表現做出任何明示或暗示的保障。本報告所載的資料、意見及預測只是反映證券分析師在本報告所載日期的判斷，可隨時更改。本報告中涉及證券或金融工具的價格、價值及收入可能出現上升或下跌。部分投資可能不會輕易變現，可能在出售或變現投資時存在難度。同樣，閣下獲得有關投資的價值或風險的可靠信息也存在困難。本報告中包含或涉及的投資及服務可能未必適合閣下。如上所述，閣下須在做出任何投資決策之前，包括買賣本報告涉及的任何證券，尋求閣下相關投資顧問的意見。中

110、銀國際證券股份有限公司及其附屬及關聯公司版權所有。保留一切權利。中銀國際證券股份有限公司中銀國際證券股份有限公司 中國上海浦東 銀城中路 200 號 中銀大廈 39 樓 郵編 200121 電話:(8621)6860 4866 傳真:(8621)5888 3554 相關關聯機構：相關關聯機構：中銀國際研究有限公司中銀國際研究有限公司 香港花園道一號 中銀大廈二十樓 電話:(852)3988 6333 致電香港免費電話:中國網通 10 省市客戶請撥打：10800 8521065 中國電信 21 省市客戶請撥打：10800 1521065 新加坡客戶請撥打：800 852 3392 傳真:(852

111、)2147 9513 中銀國際證券有限公司中銀國際證券有限公司 香港花園道一號 中銀大廈二十樓 電話:(852)3988 6333 傳真:(852)2147 9513 中銀國際控股有限公司北京代表處中銀國際控股有限公司北京代表處 中國北京市西城區 西單北大街 110 號 8 層 郵編:100032 電話:(8610)8326 2000 傳真:(8610)8326 2291 中銀國際中銀國際(英國英國)有限公司有限公司 2/F,1 Lothbury London EC2R 7DB United Kingdom 電話:(4420)3651 8888 傳真:(4420)3651 8877 中銀國際中銀國際(美國美國)有限公司有限公司 美國紐約市美國大道 1045 號 7 Bryant Park 15 樓 NY 10018 電話:(1)212 259 0888 傳真:(1)212 259 0889 中銀國際中銀國際(新加坡新加坡)有限公司有限公司 注冊編號 199303046Z 新加坡百得利路四號 中國銀行大廈四樓(049908)電話:(65)6692 6829/6534 5587 傳真:(65)6534 3996/6532 3371