机器人-神经网络

全栈自研的垂直整合领导者

优势：拥有从AI芯片(Dojo)、大模型、机器人本体到应用场景的全栈能力。核心护城河是可复用FSD的数据和训练基础设施，有望构建强大数据飞轮。

短板：路演信息指出其大模型交互能力滞后于Figure，更偏向于执行任务而非自然语言交互。

专注灵活的技术迭代追赶者

优势：团队迭代速度极快，产品演示惊艳。Helix双系统架构体现了对技术落地的务实思考。正转向完全内部构建AI模型，决心掌握核心技术。

短板：与特斯拉相比，缺乏大规模应用场景和数据来源，自研大模型的道路充满挑战。

生态赋能者与“军火商”

定位：提供从GPU、SoC到仿真平台(Omniverse)、预训练模型的全套“铲子”。通过合成数据直击行业最大痛点（数据瓶颈）。

优势：在AI计算领域拥有绝对垄断地位，是机器人-神经网络概念的最纯粹“卖水者”，无论谁最终胜出都离不开其生态。

上游核心硬件供应商

定位：奥比中光专注于3D视觉感知技术，拥有神经网络芯片及算法技术积累。逻辑相对纯粹。

关联性：无论机器人大脑如何进化，对三维物理世界的精确感知是刚需。3D视觉是神经网络进行场景理解的“眼睛”，是产业链中确定性较高的环节。

• Figure AI: 明确提出"单神经网络端到端"控制，发布Helix模型，采用S1(小脑)+S2(大脑)双系统架构，并宣布停止与OpenAI合作，转向完全自研AI模型。
• 特斯拉: Optimus已在工厂处理任务，通过"单一神经网络"学习人类视频完成家务。其技术基础源于自动驾驶的视觉架构和神经网络。
• 众擎机器人: 推出搭载其首创的"端到端神经网络解决方案"的人形机器人SE01。
• 技术与硬件: 新型光芯片、类脑芯片成为研发热点，可直接执行或训练神经网络。NPU(神经网络处理器)出货量增长，深圳政策明确支持机器人AI芯片攻关。
• 英伟达观点: 认为通用机器人领域将迎来类似ChatGPT的突破，解决方案是"AI+Omniverse合成数据生成"来解决数据稀缺问题。

• 技术路径演进: 行业正从VRM模式（大模型决策+传统算法执行）向VRA模式（大模型直接输出控制信号）演进，最终目标是实现"视频输入→高精度控制输出"的端到端神经网络。
• 模型架构: Google的"原生多模态"（如Gemini Pro）被认为优于拼接式多模态，是实现端到端控制的关键。特斯拉将FSD的BEV+Transformer架构迁移至机器人。
• 核心挑战: 数据瓶颈是最大挑战，依赖"遥操作"或"合成数据"（如英伟达Cosmos）来解决。算力成本高昂，依赖GPU集群。
• 产业生态: 英伟达通过Isaac Sim仿真平台和多模态模型布局，扮演关键生态构建者角色。特斯拉则依赖Dojo超算集群进行模型训练。
• 硬件需求: 大模型对"大脑"（AI芯片）和小脑（运动控制）都提出了更高要求。低功耗、高算力的类脑芯片、脉冲神经网络芯片被视为未来核心。

• NPU是核心加速器: 研报明确指出，NPU（神经网络处理器）是机器人AI加速计算的重要芯片，专为端侧AI设计，在加速计算、降低功耗、实时决策方面优势明显。
• 应用案例: 宇树科技Go2机器狗内置国产6T NPU芯片，实现自主导航避障；家庭清洁机器人也通过NPU实现路径规划。
• 物理“神经网络”: 报告将机器人的内部通信系统（线束、连接器）比作其“神经网络”，负责连接各部件并传输数据和控制指令，强调其高实时性、高可靠性。
• 软硬融合趋势: AI芯片正被集成至连接器中，实现边缘数据预处理，这表明机器人的物理“神经系统”与AI计算正在深度融合。
• 场景应用: 智慧博物馆、智慧机房等场景中，神经网络被用于文物识别、观众行为分析、安防预警，并与导览/巡检机器人结合，形成完整解决方案。