物理AI数据缺口驱动机器人主线行情

执行摘要：调研观点认为本轮机器人行情核心在物理AI数据缺口驱动的资本倾斜，主线聚焦O链数采业务，或复制AIDD行情；T链受零部件供应商打散与ASP通缩担忧压制。算力侧，官方披露国内智能算力规模达2592EFLOPS、同比增146%，叠加国家数据集团拟挂牌，数据要素与算力基础设施建设同步提速，构成本轮产业观察的双主线。

现状与市场格局

一、行情升温：机器人板块进入“数据叙事”阶段

近期机器人板块行情持续升温，市场关注焦点正从传统的硬件供应链逻辑，转向以数据为核心的产业叙事。市场调研解读指出，本轮机器人主线行情的核心驱动在于物理AI方向的数据缺口——即真实物理世界中可供模型训练的高质量数据严重不足，导致资本向具备数据采集、处理与资产化能力的环节倾斜。

与互联网时代文本、图像数据的易得性不同，物理AI所需的数据必须来自真实物理场景的采集与标注，天然具备稀缺性与高成本属性。这一缺口使“数据资产”成为机器人产业链中最具弹性的定价环节，也构成资本倾斜的核心逻辑。

二、两条主线：数据资产与算力扩容

当前市场围绕两条主线展开布局。

主线一：数据资产化与数采业务。 调研观点认为，本轮机器人主线是O链数采业务，其行情走势或可复制此前AIDD（AI药物研发）的路径——即由明确的产业缺口驱动、沿确定性环节逐步扩散。相比之下，T链则受困于零部件供应商格局被打散、ASP（平均单价）通缩过快的担忧，市场对其盈利模型确定性存疑。在此背景下，OAI因模型变化幅度最大，被视为值得重点关注的方向。同时，“资产显性化”被提出作为奠定长效壁垒的关键：数据经采集、清洗、结构化后形成可确权、可复用的资产，将在后续竞争中形成持续优势。

主线二：算力扩容与数据要素组织建设。 国新办发布会披露，截至2026年9月底，国内智能算力规模已达2592EFLOPS，同比增长146%；较6月底的2185EFLOPS单季净增约407EFLOPS，扩张速度显著。同期，市场传出国家数据集团即将挂牌的消息，反映国家层面数据要素组织建设的推进。这两条信息分别对应算力供给的高速增长与数据要素的制度性基础设施完善，为物理AI数据资产的规模化生产与流通提供了底座支撑。

三、竞争格局：四象限视角下的环节定位

从技术门槛与商业价值两个维度观察，机器人产业链各环节的竞争格局呈现明显分化：

O链数采业务凭借数据资产的稀缺性与可显性化特征，处于高门槛、高价值区间；OAI模型环节因模型变化最大而具备高弹性，但商业化兑现节奏仍需观察；算力基础设施受益于确定性扩容，价值稳步提升；T链零部件环节则因供应商格局打散与ASP通缩压力，短期内处于价值重估阶段。

四、小结

综合来看，本轮机器人主线行情的本质，是物理AI时代“数据即资产”逻辑的具象化：数据缺口决定了资本的流向，算力扩容与数据要素制度建设决定了资产化的速度与深度。短期看，O链数采与OAI是弹性最大的方向；中长期看，能否将采集数据沉淀为显性化、可确权的长效壁垒，将是区分参与者的核心标尺。后续章节将围绕数据资产的产业链拆解与投资逻辑展开分析。

机器人主线：O链数采

核心判断：物理AI的数据缺口是本轮行情的第一性逻辑

近期产业调研解读指出，本轮机器人板块行情的核心驱动力并非零部件降本或整机放量，而是物理AI方向的数据缺口引发的资本倾斜。与大语言模型依赖互联网存量文本不同，物理AI（具身智能）所需的真机操作数据、多模态传感数据几乎不存在现成供给，必须通过实机采集逐条积累。数据采集由此成为物理AI产业链中供给最稀缺、卡位价值最高的环节。

在此逻辑下，调研观点明确将O链数采业务视为本轮机器人主线。所谓O链，即围绕本体厂商（OEM/Operator侧）形成的数据采集与模型训练闭环。相较之下，T链（Tier供应链）受困于两个结构性担忧：一是零部件供应商在整机厂多方案并行验证中容易被打散，份额难以沉淀；二是ASP通缩速度过快，量增难以对冲价减。因此资本更倾向于流向数据资产属性更强的数采环节。此外，OAI方向因模型范式变化最大，被认为存在结构性机会。

数采产业链的角色分工

上述闭环揭示了数采业务的飞轮属性：数据质量驱动模型表现，模型表现反过来决定数采订单的获取能力，先发者容易形成正反馈。

或复制AIDD行情：历史路径的参照

调研解读提出，O链数采或能复制AIDD（AI数据服务）的行情走势。回顾AIDD行情，其上涨的核心并非当期业绩兑现，而是市场对“数据成为模型能力瓶颈”这一产业趋势的提前定价——当算力与算法相对充裕、数据成为短板时，掌握数据生产能力的公司获得估值溢价。当前物理AI正处于类似的位置：算力端国内智能算力规模已达2592EFLOPS、同比增长146%，供给快速扩张；算法范式持续迭代；唯独真机数据仍处早期稀缺阶段。三要素中数据端缺口最显著，这正是AIDD逻辑在机器人领域的映射。

需要提示的是，AIDD行情也曾经历预期与订单兑现节奏的偏差带来的波动，数采行情同样需要跟踪订单落地与单价走势来验证持续性。

竞争格局：技术门槛与商业价值双重卡位

从定位看，具备真机采集能力与本体厂商深度绑定的服务商处于高门槛、高价值象限；纯标注类业务门槛较低，面临同质化竞争；仿真合成数据是真机数据的补充而非替代，处于中间地带。

资产显性化：从项目制到长效壁垒

调研解读特别强调“资产显性化将奠定长效壁垒”。数采业务早期常被视为劳动密集型的项目制外包，估值天花板受限；而当采集的数据经过标准化沉淀、形成可复用的数据资产并进入数据要素流通体系后，其价值将从“一次性服务收入”转向“可持续的资产收益”，壁垒随之显性化。

国家数据集团拟挂牌的消息与这一逻辑形成呼应：数据要素的组织化、基础设施化建设正在推进，为机器人数采数据的确权、定价与交易提供制度土壤，加速数据资产显性化进程。

小结

本章结论有三：其一，物理AI数据缺口是本轮机器人行情的第一性驱动，O链数采为主线的判断具备产业逻辑支撑；其二，AIDD行情提供了可参照的估值路径，但需以订单与单价数据验证兑现节奏；其三，资产显性化是从短期主题炒作走向长效壁垒的关键变量，建议持续跟踪数采服务商的数据资产沉淀进度与数据要素政策落地情况。

T链困境与OAI机会

一、行情分化的核心逻辑：数据缺口决定资本流向

本轮机器人板块行情的驱动逻辑，正在从传统的“硬件放量预期”转向“物理AI数据缺口”。市场调研解读指出，物理AI（具身智能）方向存在显著的数据缺口——与语言模型可依托互联网海量文本不同，机器人训练所需的真机操作数据、场景交互数据天然稀缺，必须通过实地数据采集（数采）逐条积累。数据缺口的存在，使得资本优先流向能够直接填补缺口、且与模型演进耦合最深的环节。

从产业基础设施看，这一逻辑有其现实支撑。官方披露，截至2026年9月底国内智能算力规模已达2592EFLOPS，同比增长146%，单季净增约407EFLOPS；同期国家数据集团挂牌的消息在市场流传。算力的高速扩张与数据要素组织建设的推进，共同构成了“算力—数据—模型”三要素中后两端加速补强的信号。在这一背景下，数据采集业务作为模型能力的直接上游，其战略权重被市场重新定价。

二、T链的两重困境：供应商打散与ASP通缩

与O链的景气形成对照，T链（特斯拉产业链）当前面临市场层面的两重担忧。

其一，零部件供应商被打散。 机器人整机对零部件的需求具有多品类、小批量、快速迭代的特点。随着整机厂方案频繁变更，零部件供应商的份额分配存在被重新打散的风险：此前凭借单一部件定点建立供货关系的供应商，可能因方案切换而失去锁定地位。这意味着T链零部件环节的确定性溢价正在被削弱，投资逻辑从“绑定龙头、享受放量”转向“逐轮竞标、份额波动”。

其二，ASP通缩过快。 为实现整机降本与规模化量产，整机厂对零部件价格持续压降，ASP（单件均价）下行速度快于市场预期。若降本节奏快于出货量增长，零部件环节可能出现“量增价减、收入不增”的局面，盈利弹性被显著压缩。市场对通缩斜率的担忧，构成了T链估值压制的主要来源。

需要指出的是，上述两点属于市场对产业节奏的担忧与定价分歧，并非对T链长期需求的否定。但在行情层面，资金对确定性更高的数据环节给予倾斜，是当前较为一致的调仓方向。

三、OAI：模型变化最大处的结构性机会

调研解读明确提示，OAI（OpenAI体系相关产业链）因模型变化最大，被视为结构性机会所在。其产业逻辑可拆解为三层：

第一，模型迭代直接重构产业链需求。当模型架构、训练范式发生重大变化时，对数据类型、算力配置、硬件形态的需求随之重排。变化最大之处，往往是从零到一的新增需求所在——这部分需求不受存量份额格局约束，新进入者与深度绑定者均可能获得非线性成长。

第二，数采业务具备可复制的行情范式。市场观点认为，O链数采业务有望复制此前AIDD（AI药物研发）主线的走势：缺口明确、订单可验证、业绩弹性随数据需求放量而释放。数采本质上是“用人力与真机时间换数据资产”，其收入端与模型训练节奏直接挂钩。

第三，资产显性化构筑长效壁垒。调研解读提出“资产显性化将奠定长效壁垒”——数采过程中沉淀的高质量数据集、场景库与操作工艺知识，一经显性化即可计量、可复用、可授权，成为区别于单纯代工环节的护城河。这与国家层面推进数据要素市场化的方向（如国家数据集团筹建）形成共振。

四、小结：从“绑定整机”到“耦合模型”

本章的核心结论是：本轮机器人行情的选股坐标系已经切换——从“是否绑定整机龙头”切换为“与模型演进的耦合深度”。T链的两重担忧（供应商打散、ASP通缩）反映了硬件环节在产业早中期的话语权弱势；而OAI因模型变化最大、数采因直接填补数据缺口，成为资本倾斜的结构性方向。叠加国内算力2592EFLOPS、同比+146%的基础设施扩张与数据要素组织建设的推进，“算力充裕、数据稀缺”的格局将进一步放大数据环节的稀缺性溢价。后续需跟踪的关键验证点包括：数采订单的实际落地节奏、OAI模型迭代对硬件需求的重排方向，以及T链降本斜率是否出现边际放缓。

产业链拆解：上中下游

物理AI行情的产业逻辑，本质上是数据要素与算力基础设施向机器人产业传导的过程。为厘清投资主线，本章按照“上游算力与数据基础设施—中游数采与数据处理服务—下游机器人整机与AI硬件应用”的框架，对产业链进行拆解。

一、产业链全景

从上图可以看到，产业链并非单向流动，而是形成闭环：下游应用产生的真机运行数据回流至中游，构成“数据采集—模型迭代—能力升级—场景扩展”的正循环。这也是物理AI与传统软件AI最大的产业差异——数据来源依赖物理世界的真实交互，而非互联网存量文本。

二、上游：算力与数据基础设施

上游的核心要素有两个：智能算力与数据要素组织建设。

算力方面，国新办发布会披露，截至2026年9月底，国内智能算力规模达2592EFLOPS，同比增长146%；较6月底的2185EFLOPS，单季净增约407EFLOPS。146%的同比增速意味着上游算力供给处于高速扩张期，为物理AI大模型的训练与仿真验证提供了底层支撑。算力扩张的直接受益环节包括AI芯片、服务器、数据中心及配套液冷等基础设施。

数据要素方面，同期市场传出国家数据集团即将挂牌的消息。若挂牌落地，意味着国家层面数据要素的组织化建设进入实质推进阶段，数据的确权、流通、交易规则有望进一步明确，这对以数据为核心资产的物理AI产业链构成制度性利好。算力的“供给扩张”与数据要素的“组织建设”两条线索并行，共同构成上游基础设施的双轮驱动。

三、中游：数采与数据处理服务

中游是本轮行情的关键环节。有市场调研观点认为，本轮机器人主线是O链数采业务，核心驱动来自物理AI方向的数据缺口——物理AI模型的训练需要大量真机操作数据，而现有数据存量远不足以支撑模型能力跃迁，数据缺口因此驱动资本向数采环节倾斜。

数采业务的技术门槛体现在：真机数据采集需要操作员配合机器人执行长尾场景任务，数据标注质量直接影响模型学习效果；而数据处理环节则涉及多模态数据的清洗、对齐与结构化。从商业模式看，数采服务具备一定的“资产显性化”特征——随着数据积累形成规模，先发者的数据资产将构成后续进入者难以复制的长效壁垒，这一逻辑也被部分投资者视为数采环节估值溢价的来源。

中游竞争格局可从“技术门槛×商业价值”两个维度观察：

真机数采与仿真数据合成位于高门槛、高价值区间，是资本关注度最高的细分；而通用标注与传统外包业务因可替代性强，面临利润空间压缩的压力。

四、下游：机器人整机与AI硬件应用

下游承接中游数据能力，落地为机器人整机与AI硬件应用。当前下游呈现明显的分化：具身智能整机厂商因模型能力迭代空间大而估值弹性充足；相比之下，部分零部件链条的供应商存在份额被打散与单机价值量（ASP）通缩过快的担忧，投资吸引力相对受限。因此市场策略上呈现“重数据轻部件”的结构性特征。

在AI硬件应用端，整机出货量的提升将进一步扩大真机数据回流规模，反哺中游与模型层，形成产业闭环。有观点同时提示，AI硬件方向的投资逻辑应兼顾“数据资产沉淀能力”与“硬件场景卡位能力”两个维度。

五、本章小结

综合来看，上游算力2592EFLOPS、同比增长146%的扩张速度与国家数据集团挂牌预期，构成产业的数据底座；中游数采因物理AI数据缺口成为本轮资本倾斜的核心；下游整机与AI硬件则决定数据闭环的最终规模。产业链的估值重心短期向中游数采集中，但中长期仍取决于下游应用能否真正跑通商业闭环、完成数据回流。这一链条的传导效率与各环节壁垒的可持续性，将在后续章节的估值与风险部分进一步展开。

数据要素与竞争壁垒

5.1 从算力扩张到数据要素：政策与市场双轮驱动

物理AI的产业化进程，正在沿着“算力—模型—数据”的路径逐步深化。官方披露的数据显示，截至2026年9月底，国内智能算力规模已达2592EFLOPS，同比增长146%，较6月底的2185EFLOPS单季净增约407EFLOPS，扩张速度显著。算力的规模化供给，为物理AI模型的训练迭代提供了基础资源保障。

与此同时，市场传出国家数据集团即将挂牌的消息。若落地，这将标志着国家层面对数据要素的组织化建设进入新阶段——数据的采集、确权、流通与定价，有望从分散的企业行为，逐步演变为有统一组织框架支撑的要素化运营。

对机器人产业而言，这两条信息的产业含义是清晰且互补的：算力扩张解决的是“训练资源”问题，而数据要素组织建设，指向的则是物理AI最稀缺的资源——真实世界数据。

5.2 物理AI的数据缺口：本轮行情的核心驱动逻辑

产业调研解读认为，本轮机器人主线行情的核心，在于物理AI方向的数据缺口驱动的资本倾斜。与语言模型可以通过互联网文本规模化获取训练数据不同，机器人所需的物理交互数据（操作轨迹、力学反馈、环境变化等）无法从存量互联网中“爬取”，必须通过大规模的真实数采获得。

这一缺口直接重塑了产业的价值分配：

• O链数采业务被视为本轮主线，具备复制AIDD（AI药物研发）行情走势的产业逻辑——即“卖铲人”角色在产业早期获得超额定价权；
• T链（本体链）则面临零部件供应商格局被打散、ASP（平均售价）通缩过快的担忧，议价能力承压；
• OAI方向因模型变化最大，被建议作为重点跟踪机会。

5.3 数据资产显性化：从成本项到资产负债表

调研解读提出“资产显性化将奠定长效壁垒”的判断，这一观点值得展开分析。长期以来，数据采集在企业报表中表现为纯粹的成本项——人形机器人的真机数采成本高昂，单条轨迹的采集与清洗投入不菲，这使得数采业务在传统估值框架下难以获得高溢价。

数据要素组织建设的推进，有望改变这一格局。当数据的确权、登记、评估与交易机制逐步完善，企业积累的数采资产可以从“隐性成本”转变为“显性资产”：

• 会计层面，数据资源可依规入表，改善资产结构；
• 交易层面，数据产品可在合规渠道流通变现，打开第二收入曲线；
• 估值层面，市场对具备规模化数采能力的企业，将给予“数据资产+业务能力”的双重定价。

5.4 规模化数采能力：壁垒的三层构成

在数据要素化的框架下，规模化数采能力成为机器人企业竞争壁垒的核心变量。这一壁垒并非单一维度的优势，而是由三层能力叠加构成：

其中，场景层最为关键：数采的核心瓶颈不在设备与人力，而在能否进入足够多样的真实作业场景。具备场景准入优势的企业，其数据资产的“分布稀缺性”是后来者难以用资金快速复制的，这也是数据壁垒区别于产能壁垒的本质所在。

5.5 竞争格局：数据能力与技术、场景的二维定位

从“技术门槛—商业价值”两个维度观察，机器人产业链各环节在数据要素时代的定位正在分化：

O链数采企业凭借高数据门槛与数据资产的长效性，最有可能构筑持续壁垒；零部件供应商在供应商格局打散与ASP通缩的双重压力下，议价能力与壁垒持续性承压，是本轮分化中相对弱势的一环。

5.6 小结

国家数据集团拟挂牌与智能算力高速扩张，分别从数据要素组织与训练资源两端，为物理AI产业补齐基础设施。数据资产显性化将数采能力从成本项转化为可计价的竞争资产，规模化数采能力由此成为机器人企业壁垒的核心变量。资本向O链数采的倾斜，本质是对这一壁垒形成逻辑的提前定价；而T链的ASP通缩压力，则提示壁垒的分化已在产业内部同步发生。数据要素的制度化进程若顺利落地，将加速这一分化，数据资产的规模与质量，将成为下一阶段机器人产业竞争格局演变的观察主轴。

趋势判断与投资逻辑

一、算力与数据要素的双重共振

从产业底层驱动看，本轮物理AI行情并非单纯的概念炒作，而是算力供给与数据制度两条主线同步推进的结果。

一方面，算力基础持续高速扩张。官方披露，截至2026年9月底，国内智能算力规模已达2592EFLOPS，同比增长146%；较6月底的2185EFLOPS，单季净增约407EFLOPS。这一增速表明，支撑大模型训练与物理AI仿真的底层算力供给正处于陡峭的上升通道，为机器人等具身智能方向的模型迭代提供了硬件前提。

另一方面，数据要素制度建设出现组织层面的进展。市场传出国家数据集团即将挂牌的消息。若该消息落地，意味着数据资源的汇聚、确权与流通将在国家层面获得更强的组织保障，数据作为生产要素的制度化进程有望提速。

算力扩张解决“练得动”的问题，数据制度建设解决“数据从哪来、能否合规流通”的问题。二者共振之下，物理AI方向最稀缺的资源——高质量真实场景数据——的价值被进一步放大，由此形成对资本的持续吸引力。

二、数据缺口：资本倾斜的核心逻辑

与语言模型时代不同，物理AI（机器人、具身智能）所需的训练数据无法完全从互联网语料中获得，必须通过真机数采、遥操作、仿真合成等方式在物理世界中采集构建。市场调研解读认为，本轮机器人主线行情的核心正是这一数据缺口驱动的资本倾斜。

其中，O链数采业务被普遍视为本轮行情的承载环节。其逻辑在于：数据采集能力直接决定模型迭代速度，进而形成“数据积累—模型提升—场景落地—更多数据”的正循环。有观点认为，该环节或能复制AIDD（AI药物研发）方向的行情走势——即由明确的产业缺口驱动、持续性较强的资本配置过程。

相比之下，T链面临的约束更为明显：零部件供应商格局趋于分散，叠加ASP（单价）通缩过快的担忧，其盈利弹性的确定性相对较弱。而OAI方向因模型架构变化最大，带来的产业重构机会被认为值得重点关注。

三、数据壁垒：AI硬件投资逻辑的再校准

传统AI硬件投资多聚焦于芯片、伺服、传感器等物理部件的放量节奏。但在物理AI时代，单纯的硬件产能并不构成持久护城河——制造环节的竞争会随进入者增多而快速摊薄利润。产业分析认为，AI硬件的投资逻辑需要叠加“数据壁垒”维度进行综合研判：

• 数据资产显性化：真实场景数据经采集、清洗、标注后形成可复用的资产，其价值随模型迭代持续增值，有观点称这将“奠定长效壁垒”；
• 闭环能力优先：同时具备“硬件载体+数据采集+模型训练”闭环能力的主体，议价能力与业绩弹性更强；
• 算力—数据协同：靠近算力基础设施与数据要素流通体系的企业，更易在制度红利中受益。

四、趋势研判与风险提示

综合来看，产业趋势可概括为三点：其一，算力供给的高增长（单季净增约407EFLOPS）为物理AI提供了持续扩张的底座；其二，数据要素组织建设推进，数据的资产属性与流通效率有望改善；其三，数据缺口驱动的资本倾斜短期内仍将主导机器人板块的行情结构，O链数采与OAI方向相对占优。

需要提示的是：国家数据集团挂牌尚属市场传闻，需以官方公告为准；数采业务的商业化兑现节奏、零部件环节的ASP走势、以及模型技术路线的不确定性，均可能影响上述逻辑的兑现程度。投资者宜以数据壁垒与产业闭环为锚，动态跟踪各环节格局变化，避免单一叙事驱动的线性外推。