广发证券发布研究报告称，迈过量产节点后，产业发展的重心已迁移至具身模型。当前产业已迈过量产节点，硬件方案基本定型，发展重心已逐渐从硬件层零部件迁移至软件侧的具身模型-影响着具身智能的智能化程度和动作执行效果，其模型能力也决定着具身智能的应用场景边界和终端需求，是决定后续产业发展节奏和发展阶段的关键变量。

广发证券主要观点如下：

具身模型：身处前GPT时代，多路线并行发展，迷雾中前行，离理想目标存在较大差距

正如2017年Transformer提出后、GPT收敛前的大模型行业：多路线并行、胜负未分、迷雾中前行。当前具身模型对于如何实现机器人理想的“稳定、准确、强泛化、跨场景”智能化能力存在三条路线的尝试：(1)大小脑分层：大脑大模型负责高层级规划+小脑技能库执行具体动作;是成熟度高、特定任务和特定场景落地较快的方案，但能力上限低、泛化能力弱;(2)VLA：重构了动作表达与动作生成，是当前的主流布局路线，但长时任务与分布外场景仍是短板;(3)世界模型：先想象、再决策、后执行，最接近“理解物理世界"的远期形态，但尚处初期。

具身智能模型路线的收敛需等待两大基石的归位

参考大模型的收敛历史，收敛需要两块基石。(1)“三大要素”：数据墙-核心是指模型训练数据，目前具身模型缺乏海量标准化数据，训练成本高;表征墙-缺乏类似“预测下一个词”的统一任务目标，模型能力无法跨任务、跨场景、跨本体沉淀;闭环墙-物理试错代价高、反馈慢，行业缺少统一评测标尺，迭代无法自驱。(2)收敛方向的“指路牌”：大模型在满足三堵墙的前提下，出现Scaling Law法则才开始收敛，当下具身模型类Scaling Law的收敛法则尚未出现，路线正确性无从验证，产业只能多线分散试错。

国内外厂商多路线布局探寻具身模型理想答案

国内厂商：(1)优必选：多路线+行业垂类模型同步布局，从初代Thinker基座、Thinker-VLA迭代至开源Thinker、Thinker-WM世界模型及行者具身智能模型，优必选具身模型兼顾技术泛化与整机工程落地;(2)宇树科技：WMA世界模型与VLA双线并行，2026年7月最新推出的世界模型UnifoLM-OminiA-0.3主要采用视频预测的路线，已验证其面向消费端场景的应用潜力;(3)银河通用：分层模型、VLA一体化、世界模型三线同步推进。

国外厂商

(1)Physical Intelligence：坚持VLA技术路线，π0.7已成为当下前沿VLA模型之一;(2)Figure AI：聚焦VLA分层技术路线，已在工业和消费场景实现部署;(3)英伟达：围绕基础模型研发，推出GR00T系列与Cosmos世界模型深度绑定整机生态。

风险提示

技术迭代不及预期、安全和隐私法规影响、道德因素。