智通財經APP獲悉，東北證券發布研報稱，機器人訓練產業正經歷從工業定制化向虛實融合、AI驅動通用化訓練范式演變。生成式AI使用戶能夠根據各種輸入快速生成新內容;此外，零樣本與少樣本學習也將更加普及，生成式模型結合大語言模型，將推動實現機器人任務的零樣本泛化。物理AI方面，機器人需要更加深刻的理解物理世界才能應對復雜的現實場景，成為幫助人類切實可行的解決復雜問題的合作伙伴。相關標的包括索辰科技(688507.SH)、協創數據(300857.SZ)、群核科技等。

東北證券主要觀點如下：

機器人訓練產業歷經從物理樣機實測為主的工業定制化階段向虛實融合、AI驅動的通用化訓練范式的演變

機器人產業訓練早期以工業場景應用為主，較為依賴物理設備進行單一場景專項訓練，如20世紀80年代工業機器人操作培訓;隨著科學技術的發展和AI與仿真技術的突破，機器人訓練逐漸轉向虛擬環境，通過GPU加速、多模態數據合成等技術實現迭代優化。當前機器人產業端正邁向由具身智能大模型驅動的全場景覆蓋階段，機器人大腦及小腦訓練作為提升機器人智能程度的重要方法工具，其作用愈發凸顯。

生成式AI重塑訓練范式，數據生成效率顯著提升

生成式AI使用戶能夠根據各種輸入快速生成新內容。這些模型的輸入和輸出可以包括文本、圖像、聲音、動畫、3D模型或其他類型的數據，在生成式模型的加持下，AI訓練所需要的數據逐漸從“采集為主”轉向“生成為主”，且生成式AI能夠利用不同的學習方法(包括無監督學習或半監督學習)進行訓練，從而可以更輕松、更快速地利用大量未標記的數據來構建基礎模型。如英偉達Dream Gen、群核科技Spatial LM等模型可根據少量樣本生成多樣化訓練數據，使數據獲取成本降低80%，如工業焊接場景中，僅需100張真實焊縫圖像即可生成10萬張訓練樣本。此外，零樣本與少樣本學習也將更加普及，生成式模型結合大語言模型，將推動實現機器人任務的零樣本泛化。

物理AI正在重塑機器人訓練的底層邏輯：從依賴真實數據的“經驗主義”，轉向基于物理規律的“理性主義”

英偉達通過全棧技術方案，構建了從云端訓練到邊緣部署的完整生態，推動物理AI從實驗室走向工業、醫療、家庭等場景。未來隨著具身智能大模型與邊緣計算的結合，機器人將逐步滲透至人類活動的各個領域，最終實現“像人類一樣思考，比人類更高效執行”的終極目標。而在這場物理與智能的融合革命中，機器人需要更加深刻的理解物理世界才能應對復雜的現實場景，成為幫助人類切實可行的解決復雜問題的合作伙伴。

風險提示：技術路線迭代、數據合規風險、人形機器人發展不及預期。