1、GPT6具身领域技术突破

GPT6具身能力核心表现：GPT6的具身能力可从三个核心维度体现，相关表现已得到学术研究与产业界验证：a.测试集表现亮眼，《has GPT-6 Ultra achieved embodied intelligence》论文在允许模型调用工具进行上下文学习、给予足够试错推理时间的条件下测试，GPT6在多个传统具身测试集的测评成功率达100%，而此前该类测试的SOTA（最优表现）仅为50%-80%；此外人形机器人创始人许华哲验证，GPT6在人形机器人控制任务中的成功率超95%，前代同类优异模型的同类任务成功率仅为40%，技术提升极具颠覆性。b.具备零样本泛化能力，现有普通具身模型完成任务通常需要预训练加对应任务、场景数据的后训练，而GPT6部分时候仅需一次示范即可一次性完成任务，无需大量练习或后训练。c.具备自主优化能力，GPT6泛化性极强，可主动调用适配工具、记录每次试错状态并迭代改进，不止是任务执行者，还可承担类似具身研究员的角色，能自主设计训练路径、调取适配工具，大幅提升场景适应性，也引发了行业对物理自进化思路的思考：足够强的模型无需见过所有场景，可自主学习应对新场景。

技术突破的行业认知影响：此次GPT6的具身领域突破引发了具身大脑行业的深度探讨，核心认知变化主要有三点：一是明确凸显了大语言类基础模型的强大能力，为具身智能研发提供了新的底层思路。二是引发行业核心争议，业内开始重新探讨物理AI到底是独立的技术方向，还是本质上属于语言AI的子集。三是大幅提升了行业对具身大脑落地的信心，此前具身智能行业长期存在技术痛点，无论是VOA路线还是世界模型路线，都存在泛化能力弱的问题，也没有明确的技术路径可支撑最终实现具身智能，此次OpenAI的突破给行业带来明确曙光，业内认为若给GPT6加入更多具身数据，或是基于GPT6的现有能力开发对应具身大脑，有望在具身大脑层面取得实质性突破，行业研发方向进一步清晰。

2、具身智能数据需求与市场空间

行业参与方布局变化：此前语言模型公司与物理AI公司发展泾渭分明，语言AI侧重发展推理、coding及多模态能力，模型开发阶段并未过多考量具身能力，仅部分研究员将语言模型应用于具身任务；物理AI领域则侧重数据收集处理，多借鉴自动驾驶领域发展经验。GPT6优异表现出圈后，国内DeepSeek、智谱、Kimi等头部语言模型公司已启动具身领域布局，通过招揽具身人才、对接数据厂商探索拓展语言模型的具身能力。这一节点类比特斯拉智驾路线验证后的行业逻辑：此前智驾领域玩家均知晓扩大数据规模、提升模型参数量可优化智驾效果，但因路线不确定性不愿大规模投入，特斯拉验证BEV Transformer、端到端算法及算力规模提升的路线可行性后，国内外供应商、主机厂均跟进投入算力与算法资源，GPT6的突破为行业指明了语言模型将深度影响具身领域的发展方向。

数据需求规模与增长趋势：当前行业各方加大具身数据采购主要有两大动因：一是语言模型公司具备充足的资本开支能力，在语言模型训练过程中积累了成熟的训练技巧与模型理解经验，算力储备、现金流及市值均处于较好状态，下场布局具身领域的首要环节就是采购大量数据训练模型；二是传统具身领域创业公司此前因技术路线不明朗，在数据及模型训练端投入较为克制，当前GPT6明确了技术路径，同时面临语言模型公司切入的竞争压力，需要采购更多数据训练模型以提升竞争力，支撑业务推进与融资进展。采购规模方面，当前国内厂商数据采购量约10万小时，明年将向百万小时级推进；海外单个厂商明年具身数据需求可达数百万至千万小时级。虽然未来数据价格可能有所调整，但需求规模扩张速度极快，整体市场空间仍然具备可观的上涨弹性。

3、具身数据产业链与商业模式

核心数据类型与应用场景：当前具身智能领域核心数据可分为三类，不同类型的采集方式、特点与适用场景存在差异：
a.第一人称视角数据：采集员佩戴带摄像头的头显，在日常工作中同步采集操作动作相关数据，特点是精度相对偏低但泛化性好，可覆盖多环节多场景，且采集成本低、效率高，采集动作可与其他工作重叠开展；
b.真机数据：采集方式分为三类，一是通过VR头显+手柄控制机械臂执行动作完成采集，二是借助外骨骼抓握机械臂完成任务，同步记录动作轨迹与操作顺序，三是穿戴动捕设备记录手部及全身动作数据，主要用于机器人模型训练；
c.仿真数据：由厂商构建虚拟场景，置入接触力、可形变物体属性等物理规律，供模型在虚拟环境中开展强化学习试错优化，仿真领域代表玩家为光轮智能。
当前机器人模型尚处发展初期，预训练阶段90%以上采用第一人称视角数据，仅在特定场景任务的后训练阶段需补充真机数据。未来数据需求将持续演变：一方面已有数据迭代周期约3个月，设备更新与质量提升会持续带来新需求；另一方面将新增三类数据需求：触觉数据（夹爪加载电子皮肤捕捉力、形变等视觉不可见信息）、全身运动数据（满足人形机器人手脚协同控制需求）、特定场景数据（强化模型对应场景能力）。

数据采集商业模式与盈利性：具身数据采集全链路分工明确：模型公司向数据采集公司下达采购订单，数据采集公司联动外包公司、京东、58同城等合作方，组织工人、采集员佩戴设备完成原始数据采集后回传给数采商，数采商完成数据清洗、标注后将有效数据出售给模型训练方。
数采行业核心盈利优势来自数据复卖模式，同一批数据完成首次向AI客户售卖后，仍可重复出售给其他下游客户，只要数据采集规模足够大，可复卖的数据资源储备越丰富，盈利空间越大，当前头部数据采集公司毛利率可达60%-70%。
未来尽管随着更多玩家切入数采环节，数据价格会出现一定调整，但价格调整速度慢于需求规模增长速度，同时数据类型持续迭代，后续全身数据、场景数据、触觉数据等新品类数据会带来新的价格增量，多重因素支撑下具身数据采集市场具备极高成长确定性，市场空间上限较高。

4、具身智能投资逻辑与标的推荐

行业演绎路径分析：具身智能行业传导逻辑遵循从数据到落地的逐步释放路径：第一步为数据先行，数据厂商将迎来扩产动作，拉动设备厂商需求；待数采公司产能达到一定水平后，数据量将实现大幅提升。规模法则在智驾与语言模型领域均已得到验证，明年模型端有望取得突破，可重点关注头部玩家及巨神玩家的进展。头部模型公司取得相应进展后，有限任务范围内的场景即可达到较好完成度，将带动本体销售的市场预期转向乐观；本体销售预期明确后，类比汽车产业链发展逻辑，对应零部件环节也将迎来较好发展机遇。具身智能是从0到1的新兴行业，未来起量后有望面向C端渗透甚至实现每户配置，弹性十分可观，或超过此前特斯拉带动电动汽车产业链爆发的弹性，当前行业处于数据需求爆发的初期阶段。

数据供应商标的推荐：数据供应商的核心竞争壁垒主要包括三方面：一是对接头部模型大厂资源，大厂站在模型技术前沿，引领全行业技术与产业发展，对接大厂的供应商可率先获取最前沿的数据需求变化信息，反哺业务优化；二是拥有独家场景数据权限，独家场景的采集能力可形成数据稀缺性，构建核心壁垒；三是对模型需求具备深度理解能力，仅做被动执行者难以满足模型公司前端需求。重点推荐相关标的如下：a.先工智能：在工厂领域的控制器、大脑、模型领域均有完善布局，近期专门成立素材子公司，与合作伙伴协同布局相关业务，未来该领域发展预期向好；b.凡拓数创：相关业务布局成熟，有望充分受益行业爆发红利。

数采设备厂商标的推荐：数采设备的需求逻辑明确：数据厂商扩产将带动数采设备采购量提升，头戴式数据采集设备、5米夹爪类采集设备、远期触觉类采集设备均有旺盛需求。重点推荐标的包括奥迪、中包、华依科技、福莱新材，上述企业覆盖头戴采集设备、触觉采集设备等多赛道，不管是从事整机生产还是布局下一阶段将广泛应用的带触觉类设备，均有望受益数采设备需求扩容红利，具备较好的发展机会。

场景运营方标的推荐：场景运营方的核心竞争优势突出，其拥有特定场景的know-how与私域数据资源，无论是开展数据采集还是后期具身智能部署，均具备天然的业务壁垒，长期价值凸显。重点推荐标的包括杰克股份、多时间，上述企业手握特定工业场景资源与私域数据，业务布局契合具身智能发展路径，非常值得关注。

本体与零部件厂商推荐：本体与零部件的需求爆发节点清晰：待模型端取得突破后，有限场景落地将带动本体销售起量，进而拉动零部件需求扩容。本体厂商方面，重点推荐宇树、智元，其中智元暂未上市，均具备较强的技术实力与发展潜力。零部件领域，待国产或海外厂商机器人体量起量后，仅国内头部龙头可满足本体生产供应需求，重点推荐恒立液压、浙江龙泰、401制区等国内龙头企业，后续发展空间十分可观。

Q&A

Q：GPT-6 Ultra在具身智能任务上的表现及突破体现在哪些方面？

A：GPT-6 Ultra在具身任务上的表现主要体现在三个维度：一是任务完成能力强，在特定条件下，传统数据集测评成功率达100%，远超此前SOTA的50%至80%，在人形机器人控制任务中成功率超95%；二是具备零样本泛化能力，仅需一次示范即可完成任务，无需大量后训练；三是能自主调用工具并记录试错状态进行改进，扮演类似具身研究员的角色，大幅增强场景泛化能力，引发对物理自进化的思考。

Q：GPT-6 Ultra的突破对具身大脑行业及技术路线产生了哪些影响？

A：GPT-6 Ultra的突破让行业认识到语言模型基础模型的强大能力，并引发物理AI是独立方向还是语言AI子集的深入思考。此前VLA或世界模型在任务泛化能力上较弱且技术路线不明确，而OpenAI的突破提供了曙光，表明通过为GPT-6加入更多具身数据或基于其能力开发具身大脑，有望在大脑层面实现突破，使行业对具身大脑的实现更具信心。

Q：基础模型公司入局具身模型探索的现象及原因是什么？

A：此前语言AI与物理AI泾渭分明，语言模型公司较少关注具体操作。但GPT-6的优异表现指明了方向，证明语言模型在具身领域有巨大影响且存在Scaling Law。目前DeepSeek、智谱、Kimi等国内语言模型公司开始招揽具身人才，并与数据厂商探讨拓展具身能力。这类似于智驾领域特斯拉验证技术路线后其他玩家大规模跟进投入算力和算法的逻辑。

Q：具身领域数据需求大幅提升的原因及未来市场规模预期如何？

A：数据需求提升的原因包括：一方面，具备资本开支能力和算力优势的语言模型公司下场做具身任务，需采购大量数据训练模型；另一方面，传统具身创业公司此前因技术路线不清而投入克制，现在为应对语言模型公司的挑战并推进业务与融资，也需采购更多数据提升模型水平。目前国内外数据采购量通常在10万小时级别，明年将推向百万级别，海外单公司需求甚至达数百万至千万小时级别。尽管价格可能调整，但面对需求量的快速提升，整体市场空间弹性巨大。

Q：具身智能数据采集的主要类型及其特点是什么？

A：数据采集主要分为三类：一是第一人称视角数据，采集员佩戴带摄像头的头显在日常工作中采集，泛化性好、成本低、效率高，目前预训练阶段90%以上采用此类数据；二是真机数据，通过机械臂配合VR头显或外骨骼控制，或穿戴动捕设备记录动作轨迹，用于特定场景的后训练；三是仿真数据，由光轮智能等玩家构建虚拟场景并加入物理规律，让模型在虚拟环境中进行强化学习试错。

Q：具身智能数据需求在后期会向哪些特定类型演变？

A：随着模型通用能力的提升，数据需求将向特定场景和更丰富的感知维度演变。一方面，开始采集带有触觉信息的数据，通过在夹爪上加载电子皮肤捕捉视觉无法看到的力、形变等信息；另一方面，从主要采集双臂操作数据扩展到采集全身数据，以满足人形机器人在各种场景下手腿协同控制的需求。当通用数据采集到一定程度后，强化特定场景能力的场景数据需求也会涌现。

Q：具身智能数据采集的商业模式及盈利能力如何？

A：商业模式通常为模型公司向数据采集公司下单，采集公司联合外包公司或京东、58同城等合作方让采集员佩戴设备采集数据，经清洗标注后卖给模型训练方。该模式的核心盈利环节在于复卖，即同一份数据可卖给多个客户，复卖多次后盈利状况大幅改善，头部公司毛利率可达60%至70%。虽然未来玩家增多可能导致价格调整，但价格调整慢于数量增加，且设备更换、质量提升及全身或触觉等新数据类型会带来价格增量，市场空间成长上限大。

Q：物理AI行业的产业链演绎逻辑及各环节的投资机会梳理？

A：行业演绎逻辑为数据先行拉动数据厂商扩产及设备厂商需求，明年模型端有望取得喜人进展，随后本体销售预期提升并带动零部件发展。投资机会包括：首先是数据采集供应商，关注对接前沿模型公司、有独家场景数据壁垒且对模型有深度理解的公司如先工智能和凡拓数创；其次是数据采集设备厂商如奥迪、中包、华依科技和福莱新材；第三是场景运营方，拥有特定场景know-how和私域数据的公司如杰克股份和多时间；第四是本体领域如宇树和智元等；最后是零部件领域，具备产能满足能力的国内龙头公司如恒立液压、浙江龙泰和401制区。

温馨提示：内容源于第三方以及公开平台，仅供用户参考，恕本平台对内容合法性、真实性、准确性不承担责任。如有异议/反馈可与平台客服联系处理（微信：_LYSD_）