2025年机械行业深度报告：机器人软硬件加速迭代，产业化落地可期

第一章：人形机器人行业概览

人形机器人介绍和结构

人形机器人是机器人从专用到通用场景的升级。人形机器人具备大脑、小脑、机械臂、灵巧手等关键部件，实现对环境的感 知交互、运动控制、任务执行等，且执行关节的不断优化，使其负载能力、精准度不断提升，商用性能进一步提高。 人形机器人是具备自主行动能力的智能机器人。以双腿行走的方式，通过手臂和身体的协调完成功能，基于通用型算法和生 成式AI，具备语义理解、人机交互、自主决策等能力，并利用人机交互实现任务理解与反馈，需要强大的感知计算与运动控 制能力。

人口老龄化加速人形机器人发展

老龄化与人口红利减弱成为行业发展的主要需求因素。中国65岁及以上人口比重逐年提高，2024年达到15.6%，净增347万 人；2024年全国规模以上企业就业人员平均工资为10.25万元。 根据前瞻产业研究院预测，2025年中国劳动力供给缺口为600万人，到2030年将达到2000万人。预计2030年欧盟、美国、日 本、韩国的劳动力缺口分别为1650、650、644、380万人。人形机器人是缓解制造业人力供需矛盾的关键一环，需求量有望 快速增长。

人形机器人的应用场景分类

人形机器人应用主要受技术能力与场景空间的影响。从场景的结构化程度看，结构化程度越高，对技术性能要求越高，则技 术壁垒越高，例如：精细制造、应急救援等。从场景的广度，覆盖范围越广，市场空间越大，例如：物料搬运、护理按摩等。 预计人形机器人在To B的细分市场率先商业化，如商场导购、物料搬运、养老护理等，初期功能单一，后逐步成熟转为通用 型机器人，由To B转为To C，服务广大家庭用户。

人形机器人产业规模预测

随着技术的进步，预计未来人形机器人将在更多场景中实现商业化应用，不仅提升生产效率，还将在教育和家庭生活中 扮演更加积极的角色。 根据前瞻产业研究院预测，到2029年全球和国内的人形机器人产业规模将分别达到324亿美元、750亿元人民币。

人形机器人产业链构成

人形机器人产业链基本形成。1）上游是电机、减速器等核心零部件，和摄像头、轴承等其他零部件。2）中游是人形机 器人本体制造，包括主要模块、内置的算法模型与系统、主要组成部分。3）下游是系统集成、产品销售与维修保养。 人形机器人上游核心零部件中，行星滚柱丝杠价值量占比较高。根据特斯拉 AI Day和前瞻产业研究院资料，预计到2030 年，行星滚柱丝杠在人形机器人价值量占比为19%，无框力矩电机、减速器、力传感器、空心杯电机的占比预计分别为 16%、13%、11%、8%。

第二章：特斯拉Optimus发展进程及展望

特斯拉机器人发展历程

特斯拉Optimus经过三次主要迭代，预计V3于2025Q4定型。

特斯拉机器人代际变化

特斯拉Optimus迭代方向：自由度增加，轻量化，灵巧手。 同海外典型机器人对比：Optimus自由度更多，步行速度快，成本相对较低。

Optimus Gen2的核心零部件构成及成本占比

身体：直线关节用电机+行星滚柱丝杠，旋转关节用电机+谐波减速器（后续可能会用摆线针轮）。 灵巧手：第三代都是直线关节，用电机+微型滚珠丝杠，电机用空心杯或者无刷直流。 成本占比：预计电机和丝杠各占20%，减速器占13%。

特斯拉机器人灵巧手的迭代

特斯拉Optimus灵巧手迭代：自由度增加，抓取能力和精度提升，执行器后置。

特斯拉机器人轻量化材料的迭代

从传统轻金属+普通工程塑料向高性能复合材料的跨越。第一代以铝合金骨架结合塑料外壳，实现了基本的轻量化；第二代 大胆引入了以PEEK为代表的新材料，在保证强度的同时将重量大幅降低，并由此带来了运动能力、能效和平衡性的显著提升。 得益于重量下降，Optimus Gen-2的运动性能明显提高。官方演示视频显示其行走速度提高了30%，平衡性和全身控制力也有 所提升。PEEK材料本身密度仅约1.3 g/cm³，约为铝合金的一半，却具有出色的力学强度和刚性。

特斯拉Optimus换帅，新任负责人深耕自动驾驶算法

米兰：Kovac 无论是从过去的履历，还是从在特斯拉的经历来看，都是偏向工程化的人才。特斯拉 Optimus 的核心团队， 工程化和硬件相关的同事几乎都是从特斯拉汽车团队来的。 阿肖克：是软件算法背景出身。在2025年5月的一次访谈中，埃卢斯瓦米阐述了特斯拉Optimus未来的发展路径：当前阶段以 动作捕捉为主，未来通过观看 YouTube 教程进行学习，并实现自我导向式学习。

GEN 3将于2025Q4定型，2026年开始规模化量产

2025年初，全年生产5000台，乐观情况下甚至达到1万台。 2025年6月，减少了Optimus零部件采购，正集中精力解决软硬件技术问题。据媒体报道，截至2025年5月底，采购量仅支撑 约1200台机器人。 2025年7月下旬：特斯拉机器人6-9月批订单交付开始陆续恢复。马斯克表示：Optimus已完成第三代（V3）版本的核心设计， 2026年投入量产。

第三章：国内主要本体厂进展

国内机器人相关政策梳理

日本、欧美等发达国家早期出台机器人产业政策较多，中国则是近年来飞 速发展，出台了一系列政策支持人形机器人产业的发展。 中国人形机器人政策重心由技术开始转向产业化。2021年之后陆续发布 《“十四五”机器人产业发展规划》、《“十四五”智能制造发展规划》、 《“机器人+”应用行动实施方案》、《关于深入实施“人工智能+”行动 的意见》等政策。

2025H1国内机器人中标情况

人形机器人场景应用联盟统计，2025年上半年国内公开披露的中 标项目已超过83个，合同金额近3.3亿元。

7月，中国移动采购与招标网信息，智元机器人与宇树科技中标中移（杭州）信息技术有限公司的人形双足机器人代 工服务采购项目，总预算高达1.24亿元（含税），创下国内人形机器人公开的最大单笔招标金额。 普智机器人与一家智能制造公司签订了2825万元的人形机器人产品销售框架合同，将供应50台人形机器人，单台售价 约56.5万元。 优必选中标觅亿（上海）汽车科技有限公司总额9051.15万元的机器人设备采购项目。 8月，智元机器人与富临精工达成数千万元合作，近百台远征A2-W（轮式通用机器人）将进入汽车零部件工厂。

第四章：人形机器人大模型展望

人形机器人智能化处于L2-L3过渡阶段

《人形机器人分类分级应用指南》从结构外观、移动方式、智能模型等方面进行指导分类，按照具身智能、下肢运动、上肢 作业、应用环境等作为分级要素，将人形机器人划分为 L1-L4 四个技术等级。 过去十年，AI模型从单一模态一步步走向融合。VLA模型的发展深深植根于计算机视觉（CV）、自然语言处理（NLP）和强化 学习（RL）这三大领域的历史积淀。

VLA模型的架构和演变过程

VLA模型的工作流程：它接收状态（State）（如摄像头捕捉的图像）和指令（Instruction）（如用户的语言命令）作为 输入，通过视觉编码器和语言编码器进行处理，最终由动作解码器（Action Decoder）生成机器人需要执行的动作 （Action）。整个系统还与强化学习、世界模型等重要相关技术紧密相连。

PI大模型的迭代

2024年10月，Physical Intelligence（PI）正式发布机器人 领域端到端视觉-语言-动作（VLA）模型π0。2025年2月，PI 开源了基础版π0与快速推理版π0-FAST。 2025年4月，Physical Intelligence（PI）发布新一代π0.5 模型，旨在提升机器人泛化能力。

Figure AI的Helix模型

2025年2月，Figure AI发布了通用具身基础模型Helix ，该模型采用双系统架构：系统S1（快思考系统）+ 系统S2 （慢思考系统）。 S1系统：一个80M参数规模的Transformer模型，依赖一个完全卷积的多尺度视觉骨干网络进行视觉处理。系统以 200Hz的频率输出完整的上半 身人形控制，包括期望的手腕姿态、手指弯曲和外展控制，以及躯干和头部方向目标。 S2系统：一个7B参数规模的预训练VLM模型，处理机器人单目视觉图像和机器人状态信息（包括手腕姿态和手指位置），并将它们投影到视觉 语言嵌入空间中。系统将所有语义任务相关信息提炼为一个连续的潜在向量，以7-9 Hz的频率传递给 S1系统 ，为机器人的行为决策提供高层 次的指导。

特斯拉Optimus大模型

Optimus沿用了特斯拉汽车 FSD（完全自动驾驶）系统的技术栈，采用的是端到端的大模型路线。自研的多模态大模型架构， 既能处理摄像头、雷达等视觉数据，也能理解动作、语言，甚至具备一定的规划和推理能力。 Optimus的能力迭代：V1像个慢动作人偶，刚学走路；V2开始拎水瓶、分拣物品、能稳定双足行走；V2.5动作自然、抓取精 准，甚至在工厂里上岗干活，变化的核心在于接入 FSD 那套“统一大脑”，拥有：感知现实世界的视觉能力，简单语言和 语义理解能力，对空间位置的建模与规划能力。 训练数据： 1）前期：极其依赖真实世界数据，包括定制远程操作系统、动作捕捉、计算机视觉和 VR 模拟来训练机器人行为；还会从 网络视频中提取行为知识，实现 “零样本学习” 和 “迁移学习”，提升机器人在新任务中的部署速度。 2）25年5月份，Optimus学习了更多技能，如炒菜、倒垃圾、拉窗帘、放置零件等。根据demo视频和前负责人Milan Kovac介 绍，Optimus已经可以通过学习第一视角的视频数据学习新的技能。 3）25年6月，据外媒报道，Optimus开始聚焦纯视频数据驱动的AI训练框架。这一变革由新任项目负责人、AI主管阿肖 克·埃卢斯瓦米主导。 4）策略转变后，工人不再穿戴动作捕捉服，而是戴着头盔和沉重的背包，背包上安装了特斯拉自研的五个摄像头。这些摄 像头朝向各个方向，能为 AI 提供空间定位信息，精确捕捉手部和关节的细节动作。 5）马斯克更预言Optimus未来可通过YouTube视频自学。 训练方式改变的好处： 1）旧训练体系存在瓶颈：单是工厂动作训练就需超50万小时数据收集，成本高达5亿美元，且故障频发拖累进度。 2）视频训练可通过头盔+背包式多角度摄像系统，高效捕捉关节运动细节，数据采集速度提升10倍。

国内外典型的VLA大模型

智元启元大模型：由VLM(视觉-语言多模态大模型) + MoE(混合专家)组成。其中，MoE包含混合专家（隐式规划器）和混 合专家2（动作专家）两部分组成。 星动纪元ERA-42：2024年12月，星动纪元推出端到端原生机器人大模型ERA-42。该模型采用高层次规划和低层次控制的双 系统架构。 银河通用GraspVLA：由一个自回归视觉语言骨干网络（VLM）和一个基于流匹配的动作专家模型组成，两个模块通过渐进 式动作生成(PAG)机制连接。

报告节选：

编辑：火腿肠