具身智能概览：产业链与Optimus V3量产进展

上一篇笔记与大家分享了物理AI。总体上是个比较抽象的概念，今天就介绍它最主要的落地场景之一：具身智能。

因为具身智能内容很多，这篇主要做个概览。后续还会出关于产业链的细分篇，例如各零部件、灵巧手等。

提示：本文仅为学习笔记分享，不构成任何投资建议

一、具身智能概念

老样子，我们先看看基础概念：

具身智能是AI通过实体与环境交互，实现感知、决策、行动的闭环，被视为通往AGI（通用人工智能）的关键路径。核心三要素是本体、智能、环境。

本质上，自驾汽车、机械臂也可以被称为具身智能。只是我们平时习惯把具身智能和人形机器人划等号。

具身智能通过感知、决策、执行、反馈实现闭环。这点我们在物理AI篇中提过，决策与执行间还可以加个验证环节（验证通过才执行）。

解释下为什么具身智能强调闭环：

开环系统需要人工注入知识经验、操作方法等，并根据反馈进行人为调节，所以人是作为驱动循环的主要因素；

闭环系统由数据驱动，在人工初始设定后，具身智能可以实现本体、算法模型、环境三者间自动循环，以“第一人称视角”实现动态交互和自适应学习。

再看看具身智能和离身智能的对比：

与之前我们提到物理AI和传统AI的区别类似。核心差异在于是否依赖物理载体与环境交互。具身智能模拟了人类智能的本质，通过身体与环境互动来学习、决策、进化。而传统AI缺少了身体-环境这层联系，在泛化性、场景适应性上受限。

当然，具身智能也分等级，从L0基础操作到L4完全自主：

不同领域对级别要求不同。像工业制造用最多的是L0、L1，比如机械臂做高精度的重复任务，但这种在商业化和迭代上有限。

所以现在L2及以上级别更重要。这类级别具有感知、决策和适应能力，能够响应环境变化，实现迭代升级。这样才能在比如医疗、零售、服务等领域发挥作用，真正实现商业化落地。

二、具身智能产业链

来看看产业链：上游软硬件、中游本体制造、下游商业化应用场景。

上游核心零部件包括执行器、传感器、控制器等，非常重要，质量直接影响本体性能和应用效果。软件算法体系负责智能，包括模型、操作系统、云边端协同平台等。

中游是整机供应商。按载体可以分成机器人和自驾载具；按形态可以分成人形和非人形（机械臂、轮式机器人、自驾汽车等）。人形机器人被视为高级通用形态，也是现在最受关注的方向；非人形一般是为任务设定，在特定场景下追求功能和效率。

下游应用是价值变现终端。目前工业制造领域最成熟，而像家庭服务、医疗养老等领域因为成本和功能瓶颈，还在等待商业化落地。

网上找了一张产业图谱：

三、具身智能产业链上游

上游特别是硬件部分非常复杂，后续会出关于更细分的笔记，今天先做个概览。直观看下人形机器人的成本构成：

其中执行器和传感器合计占比60%以上，是国产替代主战场。灵巧手是末端执行器，老马认为要让机器人完成所有人类能做的事，最关键要解决灵巧手。

其它大家耳熟能详的部件包括丝杠（滚珠、行星）、电机（空心杯、无框力矩）、减速器（行星、谐波）等等；传感器区分内外部；而像PEEK主要是实现轻量化，从而提高续航、降低成本。

这张图可以更直观看到成本拆解：

目前国外的竞争优势在于模型，国内最大优势是零部件制造，另外我们有完备的工厂应用场景。如下左图，在视觉、热管理系统、灵巧手、线性关节、旋转关节等零部件上我们供应商数量都处于领先。

灵巧手现在的方向是朝高自由度和高感知能力发展，从而提高通用作业能力和环境适应性。后续会专门介绍。

结构件几乎实现全国产化，电池、控制器也比较成熟。现在比较重点的是力传感器、丝杠、无框电机等高端部件，进口依赖度高，也是降本的主要瓶颈（主要问题是良率）。另外谐波减速器国产化率虽然在50%以上，但寿命和精度还有一定差距。

再看看软件，主要包括具身大模型、仿真平台、操作系统等。这部分在上一篇物理AI讲过，这里不再赘述。部分具身模型的总结给大家：

四、具身智能产业链中游

人形机器人的本体制造企业大家都比较熟悉，现在有四种：

一类主做研发，像波士顿动力。技术壁垒高但商业化进程慢；

一类整机厂像宇树、智元，依托开源算法和供应链，通过轻量化设计和AI优化快速迭代，以低成本、高灵活性切入消费级和科研场景；

还有一类是跨界的，比如特斯拉、小米，凭借母公司的技术和资源快速构建，优势是规模化和生态协同；

最后是互联网巨头，主要聚焦大模型、算力和生态赋能，不过缺乏硬件设计和制造经验，一般通过投资或与整机厂合作的方式实现商业化。

举些例子：

前几天看了份报告非常不错，主要是说人形机器人现在供应链拥挤、进入壁垒低。关键点在于差异化。具体角色可分为科学家、发明家、工程师、园丁四类。

在成熟行业（比如工业机器人），没有科学家，只有发明家和工程师；但在新兴领域科学家仍然是主角。四种角色介绍大家看右下图：

现在的生态系统下，世界与技能、大脑与小脑、机器人本体由不同公司提供，当然也会有交叉，例如英伟达。

结论是：机器人OEM比零部件供应商更具优势，因为它们可以整合多个差异化元素。 最好的机器人制造商不仅会做发明家，还会兼任科学家、工程师、甚至园丁，构建自己的生态系统。

五、具身智能产业链下游

对下游应用的共识是：先工业落地，再特定场景，最后走进家庭。

几个常见的应用场景：工业制造（自动化产线、质量检测）、自驾（无人驾驶）、物流运输（仓储、搬运、配送）、家庭服务（家务、陪伴）等等。

按照形态-模型能力对各类场景及相应规模做个可视化总结：

现在最值得关注的是Optimus V3：

据专家访谈，目前Optimus V3已导入SOP量产阶段，并完成灵巧手与本体的系统级整合。26年产能规划从原定15-20万上调至30万台，新增的10万台年化产能将部署在车间。

除产线自用外，将面向部分B端企业（优先上游汽车或机器人零部件供应商）进行交付。采用4年期租赁模式，不开放一次性买断。

BOM成本约4-5万美元，对外商业定价在7-8万美元；年租赁费按定价20%收取，约为1.5万美元。核心商业目标是获取外部多元场景数据，反哺并加速机器人AI系统迭代。

现在小脑（执行控制）已经很成熟，主要瓶颈在于硬件算力限制了处理高频、多场景切换及复杂任务的能力。现有算力不足以支持将完整世界模型嵌入端侧运行。

远期出货量指引：Q3启动产能爬坡，周产能计划从100提升至1000台；Q4目标周产2000台以上。26年产量预期约2万台，但零部件采购订单仍维持3万至5万台的备货规模；27年目标15万台、28年40-45万台；30年前实现累计出货量突破100万台。

六、总结

最后总结下行业目前面临的挑战：

一方面是技术挑战。智能化程度不够，难以完成从环境理解到任务执行的闭环；真实数据不足限制了模型训练和场景适配；软件生态限制系统开发。

另一方面是应用挑战。市场需求模糊、用户接受度低制约商业化进程；链条不完善也阻碍产业规模化发展和技术迭代。

大家来不及看上文就看这个总结：

1. 具身智能本质是数据驱动的感知-决策-行动闭环。它相比传统AI具备泛化性与自适应能力，L2级及以上更具商业化价值。

2. 产业链格局硬件国内领先、软件国外占优

上游：执行器与传感器合计占成本60%以上（国产替代主战场）。目前结构件已实现全国产化，但力传感器、丝杠、无框电机等高端部件存在进口依赖和良率降本瓶颈。

中游：核心竞争力在于差异化。能够兼任科学家、发明家、工程师与园丁角色、具备多元素生态整合能力的整机厂将走得更远。

下游：先工业制造，再特定商用场景，最后走进C端家庭（空间最大但壁垒最高）。

3. 行业面临技术与商业化双重挑战。技术端受限于高频、复杂场景下智能化闭环能力，以及交互数据稀缺；商业端面临场景定义模糊、软硬件链条不完善及短期成本难以普及的痛点。

4. Optimus V3进程是风向标

量产与产能：V3版本已于今年5月导入SOP，完成本体与灵巧手整合；今年产量预期2万台，零部件采购维持在3-5万台；规划27年产15万台、28年40-45万台，目标30年前累计出货超100万台。

商业模式：首批对外交付采取4年期租赁模式（年租金约1.5万美元），优先定向交付给能提供共性产线场景的上游供应商，旨在通过多元数据反哺机器人大小脑系统。

核心瓶颈：主要受限于硬件端侧算力，无法将完整的世界模型嵌入端侧运行。

还是这句话：特斯拉的Optimus非常关键，如果大规模量产，会带动整个产业链硬件成本快速下探（伺服电机、电池等），供应链大部分在我们这，也会倒逼国内产业链升级。

码字整理不易，请大家顺手点个赞支持

$英伟达(NVDA)$ $特斯拉(TSLA)$ $SpaceX(SPCX)$

以上是我本次学习具身智能做的一些笔记，感谢奈老师@老奈 对行业的前瞻性观点和指点、也请深耕行业的@杨爽511 @闷得而蜜 @查尔斯大风车 老师多多指正，谢谢！

也非常感谢评论区各位提出的问题和指正，我会持续关注和学习

@今日话题