1）硬件层面，公司H1人形机器人拥有更强的运动能力及感知能力，单腿及手臂自由度分别达5和4个（全身19自由度），传感器配置3D激光雷达+深度相机（定位及导航），配合腕部等特定机构装置设计，可支持机器人本体实现整齐划一的扭秧歌、丢手帕等动作。

2）软件算法层面，机器人舞台表演是自主的（非遥控），根据音乐节拍跳舞动作更加拟人（非机械模仿），公司AI运动控制及算法能力进步显著，核心支撑或在于强化学习（RL）技术，涉及训练场景搭建及训练方式方法（如奖励算法构建等），训练周期仅约三个月。

3）趋势层面，公司通用人形机器人在灵巧手等硬件本体仍有提升空间，当前Dex3-1（三指）灵巧手产品或将进一步升级至五指；强化学习提升智能水平，构建机器人AI世界大模型。硬件本体+算法解决方案迭代下，公司仍将致力于极致降本推动产业化应用（一代G1人形机器人售价仅9.9万人民币起）。

特斯拉：自1.9马斯克口头上修25-27年人形机器人量产目标（0.5-1万/5-10万/50-100万），1.30年报解读会议清晰指引了量产节奏、产品方案及远期目标等，整体表态更为积极，规划2026年完成产品定型及大规模起量：

1）量产现状：目前产线设计产量1千台/月，2025年产量目标明确为1万台，完成几千台

在内部工厂部署（钣金搬运、焊接及组装等重复危险工况）；

2）后续规划：目前机器人设计还未定稿，计划26年中出第二版V2，下半年量产并对外销售，后面两条产线产能规划分别为1万/月和10万台/月；对年产100万台充满信心，生产成本有望降低至2万美元/台。

3）最新动态：本周开启多个机器人相关岗位的招聘，为在美国加州弗里蒙特工厂量产Optimus机器人做准备。招聘岗位包括生产经理、生产主管等。

Figure AI：创始人CEO Brett Adcock在X上宣布签约了第二个商业化客户，且是美国最大的公司之一（第一个客户是宝马），未来有望实现10万台机器人部署潜力。此外，他宣布公司在机器人端到端AI模型建设上取得新进展，并宣布终止与OpenAI的合作（转为内部研发），划在未来30天内向外界提供“从未在人形机器人上见过的东西”。

人形机器人（具身智能）作为AI端侧需求空间最大、变化最快应用，从To B工业场景到To C通用场景拓展路径逐步清晰，25年重点关注灵巧手、传感器等硬件本体、大脑算法控制等解决方案迭代，看好产业链0-1投资机遇。

如何让机器人在任务指引和实时观测的基础上规划未来动作，一直是具身智能领域的核心科学问题。然而，现有的机器人动作规划方法常常面临着一些问题。比如，其常常由于缺乏对于动态操作空间的理解以及在处理一些长序任务时的记忆处理能力有所欠缺。同时，在机器人动作预测中构建出来的基于2D视频生成的world model难以准确表达复杂的3D关系。

针对上述难题，智元机器人团队提出了 EnerVerse 架构，通过自回归扩散模型（autoregressive diffusion），在生成未来具身空间的同时引导机器人完成复杂任务，在这个过程中同时具有对动态操作空间的理解能力。同时创新性地引入了自由锚定视角（Free Anchor View, FAV）和稀疏记忆机制（Sparse Memory）。这个架构可以为机器人未来动作的预测提供一个4D的全视角world model同时优化其记忆处理能力。

在图表1中，我们可以看出EnerVerse的视频生成的大致过程，首先在根据观察输入初始构建出多视角的空间，之后对于这个多视角的空间进行渲染，使得其仿真度更高，接近现实世界，再将这个多角度空间的图像输入右方的多视角扩散生成器，同时给出任务指令（倒茶），便可以生成下一时刻的各个角度的预测图像，借此可以预测机器人的动作进而辅助其进行动作规划策略的构建。

EnerVerse 的亮点在于其可以通过逐块生成的自回归扩散框架，结合创新的稀疏记忆机制与自由锚定视角（FAV）方法，解决上文中提到的一系列问题。

对于逐块扩散生成（Next Chunk Diffusion），EnerVerse 采用逐块生成的自回归扩散模型，通过逐步生成未来具身空间来引导机器人动作规划。同时可以使得机器人具有一定对动态操作空间的理解能力。

对于这个自回归扩散模型，如图表2所示，左侧为多视角的扩散生成板块，我们首先输入在i时刻来自相机的图像和对应的光线方向图，分离噪音和观察图像（Obs, Image Latent），然后通过2D和3D卷积提取图像特征，之后模型使用空间注意力（Spatial Attent）和时间注意力（Temporal Attent）来处理图像特征，以更好地理解图像内容和时间序列信息。经过扩散生成i+1时刻的图像，经过渲染生成对i+1时刻的预测图片（Render, Image Latent），再将其输入生成器，不断迭代生成预测视频。

右侧为分块的自回归的训练过程。首先在上半的训练阶段中，从观察视频中随机提取关键帧输入扩散生成器，同时输入目标图像（一般是关键帧的后续帧），通过将生成的图像和目标图像进行对比预测噪声（Prod. Noise）,并通过噪声度量损失，通过损失最小化这一目标实现训练。

下半部分为生成器的运用，通过向其中输入i时刻的观察图像（Obs. Image Latent）和目标图像（i+1时刻）以及噪声生成预测图像（i+2时刻），在下一个迭代中，将原来的目标图像作为观察图像，预测图像作为目标图像进而预测i+3时刻的图像，迭代即可生成预测视频，具有对于动态操作空间的理解能力。

对于灵活4D生成(FAV)，EnerVers针对具身操作中复杂遮挡环境和多视角需求，提出了自由锚定视角（FAV）方法，以灵活表达 4D 空间。其核心优势包括：

1)自由设定视角：FAV 支持动态调整锚定视角，克服固定多视角（fixed multi-anchor view）在狭窄场景中的局限性。例如，在厨房等场景中，FAV 可轻松适应动态遮挡关系。

2)跨视角空间一致性：基于光线投射原理（ray casting），EnerVerse 通过视线方向图（ray direction map）作为视角控制条件，并将 2D 空间注意力扩展为跨视角的 3D 空间注意力（cross-view spatial attention），确保生成视频的几何一致性。

3)Sim2Real 适配：通过在仿真数据上训练的 4D 生成模型（EnerVerse-D）与 4D 高斯泼溅 (4D Gaussian Splatting) 交替迭代，EnerVerse 构建了一个数据飞轮，为真实场景下的 FAV 生成提供伪真值支持。

其流程如下图（图表3）所示，对于取吐司这个任务，我们首先向生成器中输入摄像机捕捉到的观察视频，之后生成器可以生成另外一个视角的模拟视频以及此视角下的模拟视频，通过4D高斯散射（4D Gaussian Splatting）和4DGS优化可以优化生成的图像，使其更接近真实情况。对其渲染后将另一个视频的模拟视频一同输入生成器生成新视角的模拟视频，迭代即可生成全方位的自由锚定视频。

在实现高效动作规划方面，EnerVerse 通过在生成网络下游集成 Diffusion 策略头（Diffusion Policy Head），打通未来空间生成与机器人动作规划的全链条。其关键设计包括：1）高效动作预测：生成网络在逆扩散的第一步即可输出未来动作序列，无需等待完整的空间生成过程，确保动作预测的实时性。2）稀疏记忆支持：在动作预测推理中，稀疏记忆队列存储真实或重建的 FAV 观测结果，使得机器人能够即时舍弃无用记忆以减少内存消耗，有效提升长程任务规划能力。

在各项实验中，EnerVerse表现出了优良的性能。视频生成方面，EnerVerse在长短程视频的生成任务中都表现优秀，在短程生成任务中，EnerVerse 表现优于现有微调视频生成模型，如基于 DynamiCrafter 与 FreeNoise 的扩散模型。在长程生成任务中，EnerVerse 展现出更强的逻辑一致性与连续生成能力，这是现有模型无法实现的。此外，EnerVerse 在 LIBERO 仿真场景和 AgiBot World 真实场景中生成的多视角视频质量也得到了充分验证。

在动作规划方面，在 LIBERO 基准测试中，EnerVerse 在机器人动作规划任务中取得显著优势，在单视角（one FAV）设定下，EnerVerse 在 LIBERO 四类任务中的平均成功率已超过现有方法。在多视角（three FAV）设定下则进一步提升任务成功率，在每一类任务上均超越当前最佳方法。表现出了自由锚定视角这一特性对于机器人动作规划训练的重要性。

在消融与训练策略分析中，研究人员发现：稀疏记忆对长程序列生成的逻辑合理性及长程动作预测精度至关重要。同时，先进行未来空间生成训练，再进行动作预测训练的二阶段策略，可显著提升动作规划性能。

在注意力方面，研究人员可视化了Diffusion 策略头中的交叉注意力模块，如下图（图表5）所示，纵轴表示动作空间的注意力，横轴表示未来空间的注意力，不同的图片代表不同的策略头以及图层。研究发现 EnerVerse 生成的未来空间与预测的动作空间具有较强的时序一致性。说明不会出现同一时间预测场景与动作出现偏离的情况。

智元机器人通过 EnerVerse 架构开创了未来具身智能的新方向。通过未来空间生成引导动作规划，EnerVerse 不仅突破了机器人任务规划的技术瓶颈，还为多模态、长程任务的研究提供了全新范式。

1.2 OpenAI被曝重组机器人团队：重回硬件布局

1月初的 CES 大会，黄仁勋在演讲中提到，机器人领域的「ChatGPT 时刻」即将到来，机器人即将迎来腾飞，如果说大语言模型定义了当前的 AI 浪潮，那么下一波浪潮的主角有可能是机器人。AI 将从纯粹的语言理解，进化到对物理世界的深度认知。机器人作为其载体，可能产生一定变化。

近期，据外媒 Tech Crunch 报道，OpenAI 正在重组其机器人团队。这一消息来自 OpenAI 硬件部门的总监的社交媒体动态和最新发布的招聘信息。此次招聘的共有三个岗位，分别是：

1）电子感知工程师：负责设计设计和开发机器人传感器系统，年薪 36-44 万美元。

2）机器人机械设计工程师：负责设计机器人的核心机械系统，年薪 36-44 万美元。

3）技术项目经理：负责统筹产品开发全流程，建立和管理机器人训练实验室，协调各技术团队，确保设计阶段顺利推进，年薪 34-44 万美元。

OpenAI 的目标在长久以来一直都是开发「通用」、「自适应」和「多功能」的机器人，即能在真实世界中展现接近人类的智能。为此，硬件团队将专注于自主开发传感器和计算组件，并由自主研发的 AI 模型驱动，形成一条自给自足的产业链，最大程度上发挥经营协同效应。据 The Information 报道，OpenAI 已在探索人形机器人的研发，更已着眼未来量产的可能，正在招募具有「百万级量产机械系统经验」的工程师。这些举措显示出OpenAI可能正在进行策略上的转变。

实际上，OpenAI 重返机器人领域早有苗头。去年 11 月，从 Meta 的 AR 眼镜部门跳槽到 OpenAI 来负责硬件部门的 Caitlin Kalinowski 便已在 X 平台透露，OpenAI 将开发配备定制传感器的机器人。

过去两年中，OpenAI便已经表现出了机器人领域的青睐。其在机器人领域「广撒网」，对多家主推机器人（尤其是人形机器人）的公司进行了投资，其内部创业基金投资了几家人形机器人公司。例如，在2023 年 3 月，投资了来自挪威的人形机器人公司 1X Technologies（融资 1.25 亿美元）。在2024 年 2 月 29 日投资了Figure，一家硅谷著名具身智能创业公司，并助其融资 7.45 亿美元。在当时 Figure 融资新闻发布会上，OpenAI 就暗示了可能重启机器人项目。

虽然 Kalinowski 称，这是 OpenAI 首次发布机器人硬件相关职位，但这并非 OpenAI 首次涉足机器人领域。要知道，机器人曾经是OpenAI的“老本行”。机器人研发是 OpenAI 创立之初的重要使命之一。OpenAI 的联合创始人 Wojciech Zaremba 当时带领一支团队，专注于研发「通用机器人」。

2017 年 5 月，OpenAI 推出了开源软件 Roboschool，用于在模拟环境中操控机器人。这一年，OpenAI 还宣布成功开发出一套系统，可以从模拟训练直接迁移到实体机器人，只需一次学习就能掌握新任务。2018 年，灵活机械手可以操作小木块。2019年实现机器人单手还原魔方。

OpenAI 的机器人团队取得了不错的进展，但 2020 年 10 月，OpenAI 以缺乏足够的训练数据为由，悄然解散了机器人团队。OpenAI 发布的声明称：「鉴于 AI 技术和能力的迅猛发展，我们发现其他途径（如基于人类反馈的强化学习）能让研究进展更快。」这一举措在当时来看，背后主要有两方面的理由：

1）机器人研发在当时看来投入产出比不高：Zaremba 在访谈中表示，OpenAI 的联合创始人们，包括 Greg Brockman、前首席科学家 Ilya Sutskever、Elon Musk、Reid Hoffman 和 Sam Altman 都是 Scaling Law 的拥趸。他们相信，巨大的计算能力是通向 AGI 的必经之路，而强大的计算机结合强化学习、预训练等技术可以实现突破性的 AI 进展。

2）资金耗费：同时资金短缺也是一个重要原因。机器人研发成本耗费较高，因此机器人行业没少经历「寒潮」：工业机器人公司 Rethink Robotics 未能成功寻找收购方后，几个月便关闭了门店。被认为是最先进的机器人公司的 Boston Dynamics 成为了「烫手山芋」，先后被谷歌收购，然后卖给软银，最后现代同意以 11 亿美元收购控股权。连本田也暂停了耕耘十余年的 Asimo 机器人项目。

风险提示：

北美经济衰退预期逐步增强，宏观环境存在较大的不确定性，国际环境变化影响供应链及海外拓展；芯片紧缺可能影响相关公司的正常生产和交付，公司出货不及预期。主要原材料价格上涨，导致毛利率不及预期；汇率波动影响外向型企业的汇兑收益与毛利率；人工智能技术进步不及预期；汽车与工业智能化进展不及预期。

灵巧手是特殊的末端执行器，向智能化、高灵活度发展

灵巧手是一种特殊的末端执行器，可模拟人手的各种灵巧抓取和复杂操作，实现与环境的良好交互。随着人形机器人和AI发展，以灵巧手为代表的高性能末端执行器，得到持续的研发投入和广泛关注，有望应用在工业、商业、航空航天、医疗等领域。

灵巧手具有多种类型解决方案

①灵巧手驱动方案有电机驱动、液压驱动、气压驱动和形状记忆合金驱动等选择，目前以电机驱动为主流，具有控制精度大、输出力矩稳定等显著优点。②灵巧手传动方案有腱绳传动、连杆传动和齿轮传动等选择，其中腱绳传动适应远距离传动，可灵活布置，传动柔性，应用最为广泛。③根据自由度与驱动源数量，灵巧手有全驱动和欠驱动两种方案，欠驱动得益于更简单的结构设计、更低的成本，应用更多。④根据应用的材料和结构，灵巧手可分为机械灵巧手和人工肌肉灵巧手，机械灵巧手为目前主流方案，人工肌肉灵巧手柔性特点突出。⑤灵巧手未来在柔性感知、紧凑化和精密化、深度仿生、创新型方案设计方面有望继续优化发展。

特斯拉Optimus Gen-3灵巧手的结构展望与市场空间测算

Optimus灵巧手复盘与前瞻：预计Gen-3将有更多线性执行器和腱绳。从自由度来看，Optimus Gen-1和Gen-2灵巧手单手均拥有11个自由度；Gen-3灵巧手预计共有22个自由度，其中灵巧手的食指、中指、无名指分别具有4个自由度，拇指以及小指分别具有5个自由度。从驱动系统零部件来看，Gen-1和Gen-2灵巧手单手使用6个执行器模组+腱绳蜗轮蜗杆模块；Gen-3灵巧手单手预计使用17个线性执行器模块+腱绳模块。

Optimus小臂复盘与前瞻：Gen-3将更纤细，不再裸露线性执行器。Optimus Gen-1、Gen-2和Gen-3小臂线性执行器大体架构类似，但是在细节上略有不同。Gen-1小臂线性执行器使用滑动丝杠，Gen-2和Gen-3则使用行星滚柱丝杠；Gen-1 和Gen-2小臂线性执行器前后各有一个球关节且不固定在小臂上， Gen-3的线性执行器预计固定在小臂上且使用连杆，为手腕处预留更多空间。

Optimus Gen-3规格高灵活度灵巧手远期市场空间有望超过千亿。特斯拉有望推动人形机器人及灵巧手产业链成本下降，进而带动灵巧手需求增长。预计未来零部件供应商的单价和利润率虽然会呈现下行趋势，但是可以以价换量实现市场空间的几何级增长。以Optimus Gen-3规格的灵巧手测算，当人形机器人整机产量达到500万台时，灵巧手市场规模将达到1087.3亿元，微型丝杠、腱绳和传感器等零部件市场规模也将大幅扩张。

投资建议与关注

一方面，灵巧手是人形机器人与外界交互的重要执行器，随着特斯拉发布人形机器人量产展望，人形机器人灵巧手有望放量，微型丝杠、腱绳模块和传感器需求有望大幅增加。另一方面，灵巧手可以不依附人形机器人独立存在，能够有效替代电动夹爪等末端执行器，远期市场容量有望进一步扩大，越来越多的零部件供应商将切入灵巧手领域。

风险提示：

1）宏观经济和制造业景气度下滑风险：灵巧手产业链公司受宏观经济波动影响较大，行业与宏观经济波动的相关性明显，尤其是和工业制造的需求、基础设施投资等宏观经济重要影响因素强相关。若未来国内外宏观经济环境发生变化，下游行业投资放缓，将可能影响灵巧手产业链的发展环境和市场需求。

2）供应链波动风险：受全球宏观经济、贸易战、自然灾害等影响，若原材料紧缺，芯片等关键物料供应持续出现失衡，将引起灵巧手零部件制造业厂商生产成本增加甚至无法正常生产，经营业绩可能会受影响。

3）研发进展不及预期风险：目前，灵巧手领域，尤其是人形机器人灵巧手领域，研发仍然面临较多的困难和不确定性。

1）硬件层面，公司H1人形机器人拥有更强的运动能力及感知能力，单腿及手臂自由度分别达5和4个（全身19自由度），传感器配置3D激光雷达+深度相机（定位及导航），配合腕部等特定机构装置设计，可支持机器人本体实现整齐划一的扭秧歌、丢手帕等动作。

2）软件算法层面，机器人舞台表演是自主的（非遥控），根据音乐节拍跳舞动作更加拟人（非机械模仿），公司AI运动控制及算法能力进步显著，核心支撑或在于强化学习（RL）技术，涉及训练场景搭建及训练方式方法（如奖励算法构建等），训练周期仅约三个月。

3）趋势层面，公司通用人形机器人在灵巧手等硬件本体仍有提升空间，当前Dex3-1（三指）灵巧手产品或将进一步升级至五指；强化学习提升智能水平，构建机器人AI世界大模型。硬件本体+算法解决方案迭代下，公司仍将致力于极致降本推动产业化应用（一代G1人形机器人售价仅9.9万人民币起）。

特斯拉：自1.9马斯克口头上修25-27年人形机器人量产目标（0.5-1万/5-10万/50-100万），1.30年报解读会议清晰指引了量产节奏、产品方案及远期目标等，整体表态更为积极，规划2026年完成产品定型及大规模起量：

1）量产现状：目前产线设计产量1千台/月，2025年产量目标明确为1万台，完成几千台

在内部工厂部署（钣金搬运、焊接及组装等重复危险工况）；

2）后续规划：目前机器人设计还未定稿，计划26年中出第二版V2，下半年量产并对外销售，后面两条产线产能规划分别为1万/月和10万台/月；对年产100万台充满信心，生产成本有望降低至2万美元/台。

3）最新动态：本周开启多个机器人相关岗位的招聘，为在美国加州弗里蒙特工厂量产Optimus机器人做准备。招聘岗位包括生产经理、生产主管等。

Figure AI：创始人CEO Brett Adcock在X上宣布签约了第二个商业化客户，且是美国最大的公司之一（第一个客户是宝马），未来有望实现10万台机器人部署潜力。此外，他宣布公司在机器人端到端AI模型建设上取得新进展，并宣布终止与OpenAI的合作（转为内部研发），划在未来30天内向外界提供“从未在人形机器人上见过的东西”。

人形机器人（具身智能）作为AI端侧需求空间最大、变化最快应用，从To B工业场景到To C通用场景拓展路径逐步清晰，25年重点关注灵巧手、传感器等硬件本体、大脑算法控制等解决方案迭代，看好产业链0-1投资机遇。

如何让机器人在任务指引和实时观测的基础上规划未来动作，一直是具身智能领域的核心科学问题。然而，现有的机器人动作规划方法常常面临着一些问题。比如，其常常由于缺乏对于动态操作空间的理解以及在处理一些长序任务时的记忆处理能力有所欠缺。同时，在机器人动作预测中构建出来的基于2D视频生成的world model难以准确表达复杂的3D关系。

针对上述难题，智元机器人团队提出了 EnerVerse 架构，通过自回归扩散模型（autoregressive diffusion），在生成未来具身空间的同时引导机器人完成复杂任务，在这个过程中同时具有对动态操作空间的理解能力。同时创新性地引入了自由锚定视角（Free Anchor View, FAV）和稀疏记忆机制（Sparse Memory）。这个架构可以为机器人未来动作的预测提供一个4D的全视角world model同时优化其记忆处理能力。

在图表1中，我们可以看出EnerVerse的视频生成的大致过程，首先在根据观察输入初始构建出多视角的空间，之后对于这个多视角的空间进行渲染，使得其仿真度更高，接近现实世界，再将这个多角度空间的图像输入右方的多视角扩散生成器，同时给出任务指令（倒茶），便可以生成下一时刻的各个角度的预测图像，借此可以预测机器人的动作进而辅助其进行动作规划策略的构建。

EnerVerse 的亮点在于其可以通过逐块生成的自回归扩散框架，结合创新的稀疏记忆机制与自由锚定视角（FAV）方法，解决上文中提到的一系列问题。

对于逐块扩散生成（Next Chunk Diffusion），EnerVerse 采用逐块生成的自回归扩散模型，通过逐步生成未来具身空间来引导机器人动作规划。同时可以使得机器人具有一定对动态操作空间的理解能力。

对于这个自回归扩散模型，如图表2所示，左侧为多视角的扩散生成板块，我们首先输入在i时刻来自相机的图像和对应的光线方向图，分离噪音和观察图像（Obs, Image Latent），然后通过2D和3D卷积提取图像特征，之后模型使用空间注意力（Spatial Attent）和时间注意力（Temporal Attent）来处理图像特征，以更好地理解图像内容和时间序列信息。经过扩散生成i+1时刻的图像，经过渲染生成对i+1时刻的预测图片（Render, Image Latent），再将其输入生成器，不断迭代生成预测视频。

右侧为分块的自回归的训练过程。首先在上半的训练阶段中，从观察视频中随机提取关键帧输入扩散生成器，同时输入目标图像（一般是关键帧的后续帧），通过将生成的图像和目标图像进行对比预测噪声（Prod. Noise）,并通过噪声度量损失，通过损失最小化这一目标实现训练。

下半部分为生成器的运用，通过向其中输入i时刻的观察图像（Obs. Image Latent）和目标图像（i+1时刻）以及噪声生成预测图像（i+2时刻），在下一个迭代中，将原来的目标图像作为观察图像，预测图像作为目标图像进而预测i+3时刻的图像，迭代即可生成预测视频，具有对于动态操作空间的理解能力。

对于灵活4D生成(FAV)，EnerVers针对具身操作中复杂遮挡环境和多视角需求，提出了自由锚定视角（FAV）方法，以灵活表达 4D 空间。其核心优势包括：

1)自由设定视角：FAV 支持动态调整锚定视角，克服固定多视角（fixed multi-anchor view）在狭窄场景中的局限性。例如，在厨房等场景中，FAV 可轻松适应动态遮挡关系。

2)跨视角空间一致性：基于光线投射原理（ray casting），EnerVerse 通过视线方向图（ray direction map）作为视角控制条件，并将 2D 空间注意力扩展为跨视角的 3D 空间注意力（cross-view spatial attention），确保生成视频的几何一致性。

3)Sim2Real 适配：通过在仿真数据上训练的 4D 生成模型（EnerVerse-D）与 4D 高斯泼溅 (4D Gaussian Splatting) 交替迭代，EnerVerse 构建了一个数据飞轮，为真实场景下的 FAV 生成提供伪真值支持。

其流程如下图（图表3）所示，对于取吐司这个任务，我们首先向生成器中输入摄像机捕捉到的观察视频，之后生成器可以生成另外一个视角的模拟视频以及此视角下的模拟视频，通过4D高斯散射（4D Gaussian Splatting）和4DGS优化可以优化生成的图像，使其更接近真实情况。对其渲染后将另一个视频的模拟视频一同输入生成器生成新视角的模拟视频，迭代即可生成全方位的自由锚定视频。

在实现高效动作规划方面，EnerVerse 通过在生成网络下游集成 Diffusion 策略头（Diffusion Policy Head），打通未来空间生成与机器人动作规划的全链条。其关键设计包括：1）高效动作预测：生成网络在逆扩散的第一步即可输出未来动作序列，无需等待完整的空间生成过程，确保动作预测的实时性。2）稀疏记忆支持：在动作预测推理中，稀疏记忆队列存储真实或重建的 FAV 观测结果，使得机器人能够即时舍弃无用记忆以减少内存消耗，有效提升长程任务规划能力。

在各项实验中，EnerVerse表现出了优良的性能。视频生成方面，EnerVerse在长短程视频的生成任务中都表现优秀，在短程生成任务中，EnerVerse 表现优于现有微调视频生成模型，如基于 DynamiCrafter 与 FreeNoise 的扩散模型。在长程生成任务中，EnerVerse 展现出更强的逻辑一致性与连续生成能力，这是现有模型无法实现的。此外，EnerVerse 在 LIBERO 仿真场景和 AgiBot World 真实场景中生成的多视角视频质量也得到了充分验证。

在动作规划方面，在 LIBERO 基准测试中，EnerVerse 在机器人动作规划任务中取得显著优势，在单视角（one FAV）设定下，EnerVerse 在 LIBERO 四类任务中的平均成功率已超过现有方法。在多视角（three FAV）设定下则进一步提升任务成功率，在每一类任务上均超越当前最佳方法。表现出了自由锚定视角这一特性对于机器人动作规划训练的重要性。

在消融与训练策略分析中，研究人员发现：稀疏记忆对长程序列生成的逻辑合理性及长程动作预测精度至关重要。同时，先进行未来空间生成训练，再进行动作预测训练的二阶段策略，可显著提升动作规划性能。

在注意力方面，研究人员可视化了Diffusion 策略头中的交叉注意力模块，如下图（图表5）所示，纵轴表示动作空间的注意力，横轴表示未来空间的注意力，不同的图片代表不同的策略头以及图层。研究发现 EnerVerse 生成的未来空间与预测的动作空间具有较强的时序一致性。说明不会出现同一时间预测场景与动作出现偏离的情况。

智元机器人通过 EnerVerse 架构开创了未来具身智能的新方向。通过未来空间生成引导动作规划，EnerVerse 不仅突破了机器人任务规划的技术瓶颈，还为多模态、长程任务的研究提供了全新范式。

1.2 OpenAI被曝重组机器人团队：重回硬件布局

1月初的 CES 大会，黄仁勋在演讲中提到，机器人领域的「ChatGPT 时刻」即将到来，机器人即将迎来腾飞，如果说大语言模型定义了当前的 AI 浪潮，那么下一波浪潮的主角有可能是机器人。AI 将从纯粹的语言理解，进化到对物理世界的深度认知。机器人作为其载体，可能产生一定变化。

近期，据外媒 Tech Crunch 报道，OpenAI 正在重组其机器人团队。这一消息来自 OpenAI 硬件部门的总监的社交媒体动态和最新发布的招聘信息。此次招聘的共有三个岗位，分别是：

1）电子感知工程师：负责设计设计和开发机器人传感器系统，年薪 36-44 万美元。

2）机器人机械设计工程师：负责设计机器人的核心机械系统，年薪 36-44 万美元。

3）技术项目经理：负责统筹产品开发全流程，建立和管理机器人训练实验室，协调各技术团队，确保设计阶段顺利推进，年薪 34-44 万美元。

OpenAI 的目标在长久以来一直都是开发「通用」、「自适应」和「多功能」的机器人，即能在真实世界中展现接近人类的智能。为此，硬件团队将专注于自主开发传感器和计算组件，并由自主研发的 AI 模型驱动，形成一条自给自足的产业链，最大程度上发挥经营协同效应。据 The Information 报道，OpenAI 已在探索人形机器人的研发，更已着眼未来量产的可能，正在招募具有「百万级量产机械系统经验」的工程师。这些举措显示出OpenAI可能正在进行策略上的转变。

实际上，OpenAI 重返机器人领域早有苗头。去年 11 月，从 Meta 的 AR 眼镜部门跳槽到 OpenAI 来负责硬件部门的 Caitlin Kalinowski 便已在 X 平台透露，OpenAI 将开发配备定制传感器的机器人。

过去两年中，OpenAI便已经表现出了机器人领域的青睐。其在机器人领域「广撒网」，对多家主推机器人（尤其是人形机器人）的公司进行了投资，其内部创业基金投资了几家人形机器人公司。例如，在2023 年 3 月，投资了来自挪威的人形机器人公司 1X Technologies（融资 1.25 亿美元）。在2024 年 2 月 29 日投资了Figure，一家硅谷著名具身智能创业公司，并助其融资 7.45 亿美元。在当时 Figure 融资新闻发布会上，OpenAI 就暗示了可能重启机器人项目。

虽然 Kalinowski 称，这是 OpenAI 首次发布机器人硬件相关职位，但这并非 OpenAI 首次涉足机器人领域。要知道，机器人曾经是OpenAI的“老本行”。机器人研发是 OpenAI 创立之初的重要使命之一。OpenAI 的联合创始人 Wojciech Zaremba 当时带领一支团队，专注于研发「通用机器人」。

2017 年 5 月，OpenAI 推出了开源软件 Roboschool，用于在模拟环境中操控机器人。这一年，OpenAI 还宣布成功开发出一套系统，可以从模拟训练直接迁移到实体机器人，只需一次学习就能掌握新任务。2018 年，灵活机械手可以操作小木块。2019年实现机器人单手还原魔方。

OpenAI 的机器人团队取得了不错的进展，但 2020 年 10 月，OpenAI 以缺乏足够的训练数据为由，悄然解散了机器人团队。OpenAI 发布的声明称：「鉴于 AI 技术和能力的迅猛发展，我们发现其他途径（如基于人类反馈的强化学习）能让研究进展更快。」这一举措在当时来看，背后主要有两方面的理由：

1）机器人研发在当时看来投入产出比不高：Zaremba 在访谈中表示，OpenAI 的联合创始人们，包括 Greg Brockman、前首席科学家 Ilya Sutskever、Elon Musk、Reid Hoffman 和 Sam Altman 都是 Scaling Law 的拥趸。他们相信，巨大的计算能力是通向 AGI 的必经之路，而强大的计算机结合强化学习、预训练等技术可以实现突破性的 AI 进展。

2）资金耗费：同时资金短缺也是一个重要原因。机器人研发成本耗费较高，因此机器人行业没少经历「寒潮」：工业机器人公司 Rethink Robotics 未能成功寻找收购方后，几个月便关闭了门店。被认为是最先进的机器人公司的 Boston Dynamics 成为了「烫手山芋」，先后被谷歌收购，然后卖给软银，最后现代同意以 11 亿美元收购控股权。连本田也暂停了耕耘十余年的 Asimo 机器人项目。

风险提示：

北美经济衰退预期逐步增强，宏观环境存在较大的不确定性，国际环境变化影响供应链及海外拓展；芯片紧缺可能影响相关公司的正常生产和交付，公司出货不及预期。主要原材料价格上涨，导致毛利率不及预期；汇率波动影响外向型企业的汇兑收益与毛利率；人工智能技术进步不及预期；汽车与工业智能化进展不及预期。

灵巧手是特殊的末端执行器，向智能化、高灵活度发展

灵巧手是一种特殊的末端执行器，可模拟人手的各种灵巧抓取和复杂操作，实现与环境的良好交互。随着人形机器人和AI发展，以灵巧手为代表的高性能末端执行器，得到持续的研发投入和广泛关注，有望应用在工业、商业、航空航天、医疗等领域。

灵巧手具有多种类型解决方案

①灵巧手驱动方案有电机驱动、液压驱动、气压驱动和形状记忆合金驱动等选择，目前以电机驱动为主流，具有控制精度大、输出力矩稳定等显著优点。②灵巧手传动方案有腱绳传动、连杆传动和齿轮传动等选择，其中腱绳传动适应远距离传动，可灵活布置，传动柔性，应用最为广泛。③根据自由度与驱动源数量，灵巧手有全驱动和欠驱动两种方案，欠驱动得益于更简单的结构设计、更低的成本，应用更多。④根据应用的材料和结构，灵巧手可分为机械灵巧手和人工肌肉灵巧手，机械灵巧手为目前主流方案，人工肌肉灵巧手柔性特点突出。⑤灵巧手未来在柔性感知、紧凑化和精密化、深度仿生、创新型方案设计方面有望继续优化发展。

特斯拉Optimus Gen-3灵巧手的结构展望与市场空间测算

Optimus灵巧手复盘与前瞻：预计Gen-3将有更多线性执行器和腱绳。从自由度来看，Optimus Gen-1和Gen-2灵巧手单手均拥有11个自由度；Gen-3灵巧手预计共有22个自由度，其中灵巧手的食指、中指、无名指分别具有4个自由度，拇指以及小指分别具有5个自由度。从驱动系统零部件来看，Gen-1和Gen-2灵巧手单手使用6个执行器模组+腱绳蜗轮蜗杆模块；Gen-3灵巧手单手预计使用17个线性执行器模块+腱绳模块。

Optimus小臂复盘与前瞻：Gen-3将更纤细，不再裸露线性执行器。Optimus Gen-1、Gen-2和Gen-3小臂线性执行器大体架构类似，但是在细节上略有不同。Gen-1小臂线性执行器使用滑动丝杠，Gen-2和Gen-3则使用行星滚柱丝杠；Gen-1 和Gen-2小臂线性执行器前后各有一个球关节且不固定在小臂上， Gen-3的线性执行器预计固定在小臂上且使用连杆，为手腕处预留更多空间。

Optimus Gen-3规格高灵活度灵巧手远期市场空间有望超过千亿。特斯拉有望推动人形机器人及灵巧手产业链成本下降，进而带动灵巧手需求增长。预计未来零部件供应商的单价和利润率虽然会呈现下行趋势，但是可以以价换量实现市场空间的几何级增长。以Optimus Gen-3规格的灵巧手测算，当人形机器人整机产量达到500万台时，灵巧手市场规模将达到1087.3亿元，微型丝杠、腱绳和传感器等零部件市场规模也将大幅扩张。

投资建议与关注

一方面，灵巧手是人形机器人与外界交互的重要执行器，随着特斯拉发布人形机器人量产展望，人形机器人灵巧手有望放量，微型丝杠、腱绳模块和传感器需求有望大幅增加。另一方面，灵巧手可以不依附人形机器人独立存在，能够有效替代电动夹爪等末端执行器，远期市场容量有望进一步扩大，越来越多的零部件供应商将切入灵巧手领域。

风险提示：

1）宏观经济和制造业景气度下滑风险：灵巧手产业链公司受宏观经济波动影响较大，行业与宏观经济波动的相关性明显，尤其是和工业制造的需求、基础设施投资等宏观经济重要影响因素强相关。若未来国内外宏观经济环境发生变化，下游行业投资放缓，将可能影响灵巧手产业链的发展环境和市场需求。

2）供应链波动风险：受全球宏观经济、贸易战、自然灾害等影响，若原材料紧缺，芯片等关键物料供应持续出现失衡，将引起灵巧手零部件制造业厂商生产成本增加甚至无法正常生产，经营业绩可能会受影响。

3）研发进展不及预期风险：目前，灵巧手领域，尤其是人形机器人灵巧手领域，研发仍然面临较多的困难和不确定性。