2025年具身智能行业研究

从40–60万元单机成本到3–4年回收周，

具身智能商业化拐点何时到来？

概览标签：具身智能、人形机器人

2025 Embodied Intelligence Industry

2025年における具身知能産業

报告提供的任何内容（包括但不限于数据、文本、图表、图像等）均系头豹研究院独有的高度机密性文件（在报告中另 行标明出处者除外）。未经头豹研究院事先书面许可，任何人不得以任何方式擅自复制、再造、传播、出版、引用、改 编、汇编本报告内容，若有违反上述约定的行为发生，头豹研究院保留采取法律措施、追究相关人员责任的权利。头豹 研究院开展的所有商业活动均使用“头豹研究院”或“头豹”的商号、商标，头豹研究院无任何前述名称之外的其他分支机构 ，也未授权或聘用其他任何第三方代表头豹研究院开展商业活动。

1

头豹研究院

市场研读 | 2023/11

01 具身智能应用现状：

◼ 研究背景

• 2025年，中国政府工作报告首次将具 身智能纳入未来产业培育计划，标志 着其成为推动新质生产力发展的核心 赛道。而具身智能也正从实验室转向 商业化探索，在各行业场景开启试点 应用。

◆ 2025年，全球具身智能已逐步从实验室走 向场景落地，然而商用化进展低于预期， 效率、成本、场景适配三大方面均让商用

化面临各方面挑战。未来五年，具身智能

在各场景的落地仍将遵循“从简单到复杂”、 “先专后通”的原则。在2030年前，具身智 能的核心在于工业专用场景，之后延伸至 以“零伤亡”为安全底线的家庭场景，最终 迈向通用场景。

◼ 研究目标

02 具身智能面临的主要挑战：

• • 了解具身智能的基本概念及相关技术
• • 了解2025年具身智能在各场景的商业 化应用情况

◆ 技术挑战方面，具身智能当下仍缺乏自主 意图生成能力，且难以完成从环境理解到 任务执行的完成闭环；真实数据量的不足、 合成数据的质量低制约了模型训练与场景 适配；软件生态割裂限制了系统的开发；

◼ 本报告的关键问题

• • 具身智能的核心特征，以及与离身智 能的差异
• • 具身智能在各场景的商业化应用情况
• • 具身智能的核心技术及面临的挑战

◆ 应用挑战方面，市场需求的模糊和用户接

受度低制约了具身智能的商业化进程；产 品形态的合理性容易限制具身智能与场景 的适配性；产业链条的不完善也阻碍了其 产业的规模化发展和技术迭代。

行业研究 | 2025/06

目录

名词解释

◆ AGI：通用人工智能，是一种能够模仿人类思维、决策并具备自我意识和自主行动能力的人工智能系统。

与传统人工智能不同，AGI具有通用性，可适应多种复杂场景，通过自我学习和改进解决任何问题而无 需人为干预。其目标是实现从“工具”向“生命”的转变，目前仍处于研究初级阶段，但在医疗、金融、交 通等领域展现出潜在应用价值。

◆ MPC：模型预测控制，是一种基于预测的多变量控制算法，通过动态模型预测系统未来状态，并在有

限时域内求解优化问题以生成控制序列。其核心特点是滚动优化和约束处理，能够在化工、工业自动化 等领域应对复杂系统的时变性和不确定性，同时考虑输入输出及状态变量的约束条件，广泛应用于自动 驾驶和智能制造等场景。

◆ RL：强化学习，是机器学习的重要分支，通过智能体与环境的交互试错学习最优策略。智能体根据执 行动作后获得的奖励信号调整策略，以最大化长期累积奖励。其核心依赖价值函数评估状态-动作对的 收益，并通过优化策略逐步逼近最优解。RL已在游戏（如AlphaGo）、机器人控制和推荐系统等领域取 得显著成果。

◆ SoC：系统级芯片，是将微处理器、存储器、模拟/数字IP核等关键组件集成于单一芯片的集成电路，面 向特定用途的标准化产品。其高度集成特性广泛应用于智能手机、智能汽车和物联网设备，决定设备的 核心性能（如运算速度、图形处理能力）。2025年全球市场规模预计达1864.8亿美元，亚太地区因5G 和AI需求增长成为主要驱动力。

◆ WBC：全身控制算法，是一种用于多自由度机器人运动控制的优化策略，其核心目标是通过协调机器 人全身关节运动，实现动态平衡与复杂任务执行。该算法广泛应用于人形机器人、四足机器人等领域， 常与模型预测控制（MPC）结合以提升抗干扰能力和运动精度。

行业研究 | 2025/06

Chapter1 具身智能行业综述

具身智能行业综述——基本定义与关键特征

• 具身智能（Embodied Intelligence）是人工智能与机器人学交叉的前 沿领域，其核心在于通过物理实体与环境的动态交互实现智能行为， “本体+环境+智能”是具身智能的核心三要素

具身智能的定义及核心三要素

智能算法

“大脑”

“五官”

传感器

“四肢”

执行器

“神经”

“肉身”

网络通信

…

“心脏”

电源

注：具身智能的物理载体不一定是人形机器人

环境

人

机

物

本体

决策 行动

要具有物理实体

智能 环境

要有智能的提升 要能与环境交互

感知

• ◼ 具身智能（Embodied Intelligence）是人工智能与机 器人学交叉的前沿领域，其核心在于通过物理实体与 环境的动态交互实现智能行为。它强调智能体的感知、 行动与认知深度融合，使智能体能够像人类一样通过 身体与环境互动，在试错中学习和进化。具身智能不 仅依赖计算能力，更注重“身体”（物理载体）与环境 的实时交互，形成“感知-决策-行动”的闭环系统。
• ◼ 具身智能同时需要具备“本体+环境+智能”三要素。其 中，本体是具身智能的物理载体，即硬件实体。它可 以是机器人（如人形机器人、四足机器人、机械臂）、 自动驾驶汽车等能够与物理世界交互的设备；智能是 具身智能的核心，涵盖算法、模型和决策能力，它包 括大模型（如视觉-语言-动作映射模型）、感知算法 （图像识别、SLAM）、控制算法（运动规划、力控） 等；环境是本体交互的物理世界，包括工业场景（工 厂、仓库）、家庭场景（家居）、开放场景（户外、 交通）等。本体通过感知模块获取环境信息 → 智能 算法进行决策 → 本体执行动作影响环境 → 环境变化 反馈至感知模块，形成“感知-决策-行动-反馈”循环。

具身智能行业综述——具身智能 vs. 离身智能

• 具身智能通过物理载体与环境的深度交互，弥补了离身智能在动态适 应性和跨领域泛化上的不足，成为实现AGI的关键路径。未来，两者 的结合将进一步推动人工智能从“虚拟智能”迈向“虚实共生”的新阶段

具身智能与离身智能差异对比

核心定义

关键特征

技术实现

应用场景

优势

劣势

具身智能 离身智能

依赖物理载体（身体）与环境实时交互，形成 感知-决策-行动闭环

多模态感知（视觉、触觉、力觉等）；实时环 境反馈与闭环控制；身体与环境协同进化

无物理载体，依赖虚拟环境中的数据和 算法，通过抽象计算完成任务

单一模态数据处理（如文本、图像）； 抽象逻辑推理；无需物理交互

传感器（摄像头、激光雷达等）+ 执行器（机械 臂、轮子等）；强化学习、多模态大模型

工业机器人（抓取、装配）；自动驾驶；医疗 手术机器人；应急救援机器人

动态环境适应性强；高泛化能力（跨场景迁 移）；精准物理交互（如触觉控制）

深度学习、自然语言处理（如ChatGPT）； 数据驱动的虚拟推理

信息检索（搜索引擎）；数据分析（金 融预测）；虚拟助手（Siri、Alexa）

高效计算（虚拟空间快速响应）；低成 本部署；跨领域通用性（如GPT-4）

硬件成本高；开发复杂度高（需解决感知-决策行动闭环）；能耗大

缺乏物理反馈（无法操作实体）；场景 局限性（仅适用于虚拟任务）；动态环 境适应差

与AGI的关系 通过身体-环境闭环模拟人类智能，推动AGI发展

典型代表

优必选-Walker S1 已在奥迪一汽和比亚迪 工厂中进行实训

Apptronik-Apollo 已与NASA、奔驰、物流巨 头GXO展开商业应用合作

作为AGI的辅助工具，但因缺乏物理交互 难以直接实现通用性

• ◼ 具身智能（Embodied Intelligence）与离身智能（Disembodied Intelligence）的核心差异在于是否依赖 物理载体与环境交互。具身智能强调智能体通过身体（如机器人）与物理世界的实时交互，结合感知、 决策和行动形成闭环，从而适应动态环境；而离身智能则完全依赖虚拟环境中的数据和算法，无需物理 实体，仅通过抽象计算完成任务。
• ◼ 具身智能被誉为通向通用人工智能（AGI）的重要一步，因其模拟了人类智能的本质——通过身体与环 境的互动学习、决策和进化。传统AI（如符号推理或深度学习）因缺乏对“身体-环境”闭环的考虑，难以 实现跨领域泛化和复杂场景适应性，而具身智能通过多模态感知（视觉、触觉等）和实时反馈，使智能 体具备类似人类的环境理解与自适应能力，为AGI提供了更接近生物智能的范式基础。

具身智能行业综述——发展历程

• 自20世纪40年代开始，具身智能经历了从哲学思辨到认知科学的突破， 行为主义革命与人形机器人的探索，多学科融合与算法框架构建，大 模型赋能与场景化落地，以及当下标准化、泛化与伦理探索多个阶段

具身智能发展历程

具身智能的哲学根基与早期理论框架形成

• • 1945年，梅洛-庞蒂在《知觉现象学》中提出“身 体是认知的主体”，批判主客二元论，强调身体在 感知与世界互动中的核心作用。这一思想为具身 认知理论奠定基础。
• • 1950年，图灵在《计算机器与智能》中首次提出 具身智能概念，但受限于技术条件未能深入。符 号主义 AI 的局限性促使研究者转向物理交互范式。
• • 1977年，吉布森（James J. Gibson）提出 “可供性” 理论，认为环境的意义由主体的身体能力定义， 认知是身体与环境动态交互的结果.

1940

机器人学与AI的早期融合，具身智能方法论 初步形成

• • 罗德尼・布鲁克斯（Rodney Brooks）在1986年提 出“包容架构”，主张智能通过分层行为模块与环境 直接交互实现，无需复杂内部模型。其团队开发 的机器人如Genghis通过简单规则实现昆虫式运动， 验证了 “无表征智能” 理论。
• • 1980年代末，日本早稻田大学研发WABOT-1，首 次实现全尺寸人形机器人双足行走，尽管行动能 力仅相当于婴儿，但标志着具身智能硬件载体的 初步成型。
• • 1990年代，具身认知实验（如面部表情与情绪判 断的关联）证实身体反应先于认知决策，为具身 智能提供心理学依据。

1980

强化学习、深度学习与机器人学的深度融合， 具身智能技术体系成型

• • 1994年，MIT启动的Cog项目尝试模拟人类婴儿的 认知发展，通过摄像头、麦克风和机械臂实现感 知 - 行动闭环，为具身智能研究提供平台。
• • 2013年，波士顿动力的Atlas通过动态平衡算法突 破，展示了具身智能在复杂物理环境中的适应性。
• • 2016年，谷歌DeepMind的AlphaGo战胜了世界围 棋冠军，其强化学习框架为机器人自主决策提供 方法论。
• • 2018年，OpenAI的Dactyl项目通过强化学习让机 器人操作魔方，展示了具身学习的潜力。

2000

生成式人工智能与具身智能深度耦合，产业

应用加速

• • 2022年，ChatGPT的爆发推动具身智能向“认知-行 动”一体化演进。2024年，OpenAI与Figure合作推 出的Figure 01结合大模型实现自然语言指令理解 与精准操作。
• • 2023年，中国工信部发布《人形机器人创新发展 指导意见》，明确将人形机器人作为未来产业新 赛道。
• • 2024年，物流领域，中科源码推出全国首个物流 场景具身智能机器人，实现货物分拣与自主导航； 工业领域，宇树G1机器人通过SoFTA框架优化强化 学习算法，实现行走与末端控制的协同。

2022

具身智能从单点突破转向生态化发展，跨领 域协同成为主流

• • 2025年，中关村论坛发布“具身智能十五大重点方 向”，涵盖多模态感知、具身大模型、群体智能等， 推动技术标准化。
• • 2025年，银河通用的 Galbot G1通过具身大模型实 现轮式人形机器人在零售场景的自主服务；星动 纪元的 STAR1 支持跨机器人形态部署，同一模型 可适配双臂机械臂与人形机器人。

2025

具身智能行业综述——技术体系

• 具身智能的演进趋势正由分模块化的AI算法整合向基于大模型的统一 技术框架转型，其技术体系以“感知-决策-行动-反馈”四大核心模块构 建闭环系统架构

具身智能技术体系

环境

|数据层

|真实世界数据

|多模态传感数据|

|---|

|采集数据|

|---|

|

|---|

||仿真数据|

|---|

|

|---|

仿真合成数据|

|---|

交互

|具身本体

机械臂 灵巧手

足式机器人 轮式机器人 复合机器人 人性机器人 无人车 无人机 …

|

|---|

从环境感知信息 行动改变环境

感知 决策 行动 反馈

完成高级任务规划和推理分析， 并生成逐步决策指令来控制行动

接受决策指令， 并执行具体动作

接收来自环境的反馈 进行调整和优化

全面理解物理 环境信息

|任务层

• 环境重建

• 位置定位

• 状态监测

• 对象识别

• 场景理解

• 任务规划

• 推理分析

• 行为规划

• 动作规划

• 位置导航

• 物体操作

• 物理交互

• 感知增强

• 决策优化

• 行动适应

|

|---|

|关键技术层

计算机视觉 多模态融合感知 3D重建与场景理解 位置定位

任务规划算法 运动控制算法

人机交互

环境交互

多机交互|

|---|

|基础支撑层 操作系统 中间件 云计算与边缘计算 仿真平台

|

|---|

• ◼ 当前，具身智能的演进趋势正由分模块化的AI算法整合向基于大模型的统一技术框架转型，在跨场景泛 化能力和通用性方面取得显著进展。现阶段，具身智能正处于多路径协同演进的关键阶段，技术路线涵 盖感知-决策融合、感知-决策-行动全链条闭环等方向，最终目标是构建具有通用智能的具身智能基础 模型，实现复杂环境下的自主演化与能力跃迁。
• ◼ 具身智能技术体系以“感知-决策-行动-反馈”四大核心模块构建闭环系统架构，通过实体与环境的动态 交互，实现环境的实时感知建模、自主决策生成以及自适应执行能力。系统通过反馈机制持续优化模型 参数，形成经验积累与自进化能力。具体而言，感知模块是具身智能的“信息采集和处理器”，负责通过 多模态传感器（如视觉、听觉、触觉、激光雷达等）实时采集环境数据，并建立对外部世界的动态映射 与理解；决策模块是具身智能的“策略中枢”，负责基于感知信息进行任务规划、行为推理和动态决策， 为行动模块提供明确的指令序列；行动模块是具身智能的“执行引擎”，负责将决策结果转化为物理动作， 驱动机械结构（如机械臂、移动底盘、仿生关节）完成指定任务；反馈模块是具身智能的“自进化核心”， 负责通过传感器与环境交互数据（如任务结果、用户反馈、执行误差）构建闭环学习机制，持续优化感 知、决策与行动模块的性能。

来源：中国信通院，头豹研究院

具身智能行业综述——核心技术层面

• 具身智能商业化落地的本质是将认知智能与物理执行系统深度融合， 使得具身本体能够通过感知、理解与行动协同完成任务，而其技术路 径涉及到三大层面，分别是算法演化、数据来源和硬件演进

具身智能商业化的三大核心技术层面——算法、数据、硬件

具身智能商业化三大核心技术层面

上层模型主导语义理解和任务规划，下层控制 聚焦高频率、高精度运动执行

算法

从真实世界的动作捕捉到仿真生成与网络视 频预训练构建出多维训练闭环

数据

以SoC芯片为基础，形成面向AI决策与 实时控制的双层控制器架构

硬件

|数据采集（驱动模型迭代）

真实数据的获取依赖遥操作系统与高精 度动作捕捉；合成数据可通过域随机化 机制模拟得到（如NVDIA Omniverse）； 网络视频数据则用于补充长尾行为模式。|

|---|

|上层控制（机器人“大脑”）

算法层面：负责任务的 定义与行为决策，理解物理世 界中的关键特征要素，对外界 环境和任务需求进行分析与拆 解，并将其转化为具体的行动 指令。在此背景下，VLA（视觉 -语言-动作）模型正逐步成为实 现这一能力的标准路径。

硬件层面：SoC芯片—

—CPU、GPU、存储芯片、AI加 速芯片、通信芯片等。

|

|---|

|下层控制（机器人“小脑”）

算法层面：负责操作执

行与运动控制，涵盖目标运动

规划、末端执行器控制及全身 协调控制等，具有较高的控制 频率和严格的实时性要求。 MPC、WBC等经典算法被广泛 应用，且强化学习（RL）逐渐 成为不确定环境下的补充路径。

硬件层面：处理器、存 储单元、通信接口、传感器接 口、执行器接口、电源模块等。

|

|---|

注：以人形机器人为载体的具身智能，其“大脑”控制器通常位于躯干核心区域， “小脑”控制器通常分布在头部、四肢关节。上图仅作视觉化展示

来源：芝能汽车，头豹研究院

具身智能行业综述——应用现状

• 2025年，具身智能的商用化仍步履蹒跚。未来，具身智能从实验室向 场景落地将遵循“从简单到复杂”、“先专后通”的原则，优先在工业场 景实现落地，再延伸至ToC家庭场景，最后迈向通用场景

具身智能各场景应用现状

|工业制造

案 例

现 状

挑 战

优必选Walker 尝试物流分拣

特斯拉Optimus 尝试汽车总装线搬运

效率低下，如Walker搬运箱子需 2-4分钟，工人仅需1分钟

成本极高，单机价格40-60万元，

回收周期3-4年

非标任务需频繁重新训练，且出错成本高|

|---|

|服务与零售

案 例

现 状

挑 战

软银Pepper 在商场引导

松下“松松” 在家电零售导购

交互生硬，难以应对复杂人群 需求，客户满意度不高

短期内难以通过机器人提升销售

额，商家采购意愿受限

情感交互不成熟，成本远高于人工

|

|---|

|医疗与养老

案 例

现 状

挑 战

日本Robear 协助老人移动

傅利叶康复机器人 帮助患者下肢康复

高准入门槛，需通过国家药监局 审批。试点为主，普及率低

成本高昂，远超普通康复器械， 且医保尚未将其纳入报销范围

伦理与隐私问题，高情感交互需求

|

|---|

|特种与高危

案 例

现 状

挑 战

NASA Valkyrie 用于太空任务

波士顿动力Spot 在核电站巡检

表现稳定但成本高，应用仅限于 高预算场景

特种场景下故障难以现场维修， 当前自主修复能力不成熟

技术复杂，规模化部署受限|

|---|

◼ 2025年，全球具身智能已逐步从实验室走向场景落地，然而商用化进展低于预期，效率、成本、场景 适配三大方面均让商用化面临各方面挑战。未来五年，具身智能在各场景的落地仍将遵循“从简单到复 杂”、“先专后通”的原则。在2030年前，具身智能的核心在于工业专用场景，之后延伸至以“零伤亡”为安 全底线的家庭场景，最终迈向通用场景。

具身智能行业综述——面临的挑战

• 技术挑战方面，具身智能当下仍缺乏自主意图生成能力，且难以完成 从环境理解到任务执行的完成闭环；真实数据量的不足、合成数据的 质量低制约了模型训练与场景适配；软件生态割裂限制了系统的开发

• 具身智能面临的挑战（1/2）

➢ 当前具身智能缺乏自主意图生成能力，仍需人类智能介入

算 法 层 面

尽管具身智能的终极目标是构建可自主行动的通用智能体，但现有方案多为将大模型的语义理解 能力“移植”到机器人中，形成“感知-语义-动作”的单向映射。例如，VLA（视觉-语言-动作）模型通 过自然语言指令驱动机器人操作，但其本质仍是被动响应人类输入，而非自主生成意图）。这种 依赖外部指令的设计模式，导致机器人在复杂动态环境中无法独立决策，需持续依赖人类干预调 整策略。此外，大模型的泛化能力受限于训练数据，面对未见过的任务时，需人工重新标注或微 调模型，进一步暴露其“工具化”而非“自主化”的本质

➢ 当前算法在感知与行动之间存在“认知断层”，难以完成从感知到任务执行的闭环

算 法 层 面

一方面，多模态感知系统虽能融合视觉、触觉等信息，但缺乏对物理世界的抽象建模能力，无法 将传感器数据转化为可操作的语义意图。例如，机器人可识别“牛奶瓶”，却无法自主推理“如何拿 取并倾倒牛奶”的操作流程。另一方面，现有算法依赖预设任务模板，难以实现从感知到行动的 动态规划。模仿学习和强化学习策略在任务迁移时表现不稳定，甚至需为每个变体任务单独设计

奖励函数，而人类可通过类比推理直接泛化。这种“感知-认知-行动”的割裂，使得具身智能体在非

结构化场景中表现出机械僵硬的行为模式，远未达到类人灵活度。

➢ 真实数据稀缺、合成数据质量低及数据标准化缺失，制约模型训练与场景适配

数 据 层 面

具身智能依赖物理世界的动态交互数据，但真实数据采集成本高昂且碎片化；合成数据虽可缓解 短缺，但“现实差距”问题突出，仿真环境与真实世界的物理、光照差异导致模型泛化能力受限； 同时，工业数据缺乏统一标准，采集过程易受噪音干扰，且涉及数据安全与隐私，进一步加剧数 据瓶颈。

➢ 软件生态割裂、开发工具链不完善，限制了具身智能系统的高效开发与部署

软 件 层 面

具身智能缺乏统一的操作系统和标准化开发工具链，ROS等平台因兼容性问题导致开发成本激增。 同时，软硬件解耦难题，例如运动控制需厘米级空间精度，手眼协调需毫米级精度，算法与硬件 的深度集成要求极高。此外，算法与执行的闭环优化不足，实时决策延迟普遍达0.5-1秒，远逊于 人类的0.1秒。

（接上页——面临的挑战）

• 应用挑战方面，市场需求的模糊和用户接受度低制约了具身智能的商 业化进程；产品形态的合理性容易限制具身智能与场景的适配性；产 业链条的不完善也阻碍了其产业的规模化发展和技术迭代

• 具身智能面临的挑战（2/2）

➢ 硬件成本高、能源效率低及核心部件自主化不足，阻碍具身智能的规模化落地

硬 件 层 面

具身智能所需的高性能传感器、仿生关节等核心部件依赖进口，自主化程度不足，成本居高不下。 同时，机械耐用性差，复杂环境下故障率高，例如精密操作需高稳定性执行器，但现有技术尚未 突破动态平衡与精细操作的瓶颈。此外，具身智能的物理载体能源效率低下，当前主流人形机器

人续航时间仅2-5小时，远无法满足实际场景需求。

商 业 层 面

➢ 市场需求的模糊和用户接受度的滞后制约具身智能的商业化进程与规模化复制

具身智能的商业应用面临“场景定义不清”与“用户信任不足”的双重挑战。一方面，市场需求尚未 形成清晰的共识：工业领域需高可靠性与低成本，而消费领域需情感交互与个性化服务，两者的 技术路线与商业模式差异显著。例如，医疗康复机器人需满足严格的医疗合规性，而家庭服务机 器人则需兼顾隐私保护与易用性，导致产品开发难以标准化。另一方面，用户对具身智能的认知 仍处于早期阶段，尤其在医疗、养老等高敏感领域，传统人工服务模式长期占据主导地位，用户 对智能体的安全性、可靠性及伦理风险存在疑虑。此外，具身智能的高成本使其难以快速普及， 需通过场景细分与技术降本逐步渗透市场。

➢ 具身智能产品形态的合理性影响其性能和场景适配性

产 品 层 面

具身智能面临高自由度动作需求与硬件复杂性之间的矛盾，如人形机器人的多自由度关节需兼顾 精度与可靠性，而现有技术难以实现低成本规模化生产。同时，场景适应性与硬件通用性之间存 在矛盾，如工业机器人需高精度执行特定任务，而家用机器人需灵活应对非结构化环境，硬件设 计难以兼容。此外，能源效率与续航能力存在矛盾，高功率硬件导致电池续航成为瓶颈，限制了 连续作业能力。硬件与软件的耦合度也要求极高，动作控制算法需深度适配硬件结构，而硬件迭 代速度远慢于算法发展，进一步加剧产品落地的复杂性。

产 业 链 层 面

➢ 产业链条的不完善与协同效率低下阻碍具身智能产业的规模化发展与技术迭代

具身智能产业涵盖芯片、传感器、算法、机器人制造等多个环节，但当前产业链存在三大瓶颈： 一是核心零部件自主化不足，高精度传感器、仿生关节等依赖进口，国产替代率低，导致成本居 高不下；二是跨学科协同效率低下，具身智能需融合机械工程、AI算法、材料科学等领域，但行 业缺乏统一的技术标准与数据共享机制，导致研发周期长、试错成本高；三是生态闭环尚未形成， 从研发到落地的链条断裂：上游算法企业缺乏真实场景数据，下游应用场景难以反哺技术优化。

具身智能行业综述——国家层面相关政策

• 近五年国家层面的具身智能政策呈现“技术攻关-场景应用-生态构建” 的递进逻辑。当下，国家明确将人形机器人等具身智能载体作为未来 产业重点，强调多技术融合和跨领域协同

具身智能产业相关政策，国家层面，截至2025年6月

|政策名称 发布时间 发布主体 主要内容|

|---|

|《2025年政府工作报告》 2025年3月 国务院

在2025年3月的政府工作报告中，“具身智 能”首次被提及，并纳入未来产业培育体系， 明确通过“人工智能+”行动和建立投入增长 机制，为产业发展构建长效机制。|

|《人形机器人创新发展 指导意见》

2023年11月 工信部

明确人形机器人作为未来产业的新赛道， 提出到2025年初步建立创新体系，突破 “大脑、小脑、肢体”等关键技术，实现整 机产品批量生产并在特种、制造、民生服 务等场景示范应用。培育2-3家有全球影响 力的生态型企业和一批专精特新中小企业， 打造2-3个产业发展集聚区，孕育开拓一批 新业务、新模式、新业态。|

|《“机器人+”应用行动实 施方案》

2023年1月 工信部等十七部门

推动机器人在工业、农业、医疗、物流等 领域的规模化应用 ，提出“机器人+制 造”“机器人+农业”等场景化解决方案，强 化机器人与人工智能、5G、大数据等技术

的融合，促进产业链上下游协同创新，提

升机器人应用的深度和广度。|

|《“十四五”机器人产业发 展规划》

2021年12月 工信部等十五部门

提出到2025年成为全球机器人技术创新策 源地、高端制造集聚地和集成应用新高地， 机器人产业营业收入年均增速超过20%， 制造业机器人密度实现翻番。规划部署核 心技术攻关、基础能力提升、场景应用拓 展等任务，重点发展工业、服务、特种机 器人，推动 “机器人+” 应用行动。|

|《“十四五”智能制造发展 规划》

2021年12月 工信部等八部门

明确智能制造作为制造强国建设的主攻方 向，提出到2025年70%规模以上制造业企 业基本实现数字化网络化，建成500个以 上智能制造示范工厂。规划强调推动工业 机器人、增材制造等技术应用，提升装备 数字化水平，构建智能制造系统解决方案。|

具身智能行业综述——地方层面相关政策

• 在国家大力支持具身智能产业发展的背景下，2025年国内多省市相继 发布具身智能产业相关政策，形成覆盖技术研发、场景开放、生态建 设的系统性产业支持体系

具身智能产业相关政策，地方层面，截至2025年6月

|政策名称 发布时间 发布主体 主要内容|

|---|

|《具身智能产业支持16条 政策》

2025年5月 上海浦东新区

将对关键核心技术攻关、新型研发机构、大企 业创新中心等给予最高2000万元的资金支持， 鼓励具身智能技术自主突破。|

|《关于支持人工智能创新 发展的若干措施》

2025年5月 浙江

建设具身智能产业基地，搭建公共测试环境、 测试验证平台等，有力支撑具身智能软硬件迭 代升级，推动形成一批行业标准。|

|《天津市促进人工智能创 新发展行动方案（20252027）》

2025年5月 天津

聚焦具身智能领域，推动人形机器人大脑、小 脑、本体、传感器、灵巧手等关键领域研究。|

|《关于征集2025年度产业 关键核心技术攻关揭榜挂 帅项目需求的通知》

2025年5月 重庆

人工智能等新兴产业重点征集机器学习、知识 图谱、多模态大模型、自然语言处理、智能语 音、计算机视觉、生物特征识别、智能体、群 体智能、跨媒体智能、具身智能、智能软件、 安全防护等人工智能领域。|

|《四川省脑机接口及人机 交互产业攻坚突破行动计 划（2025-2030年）》

2025年5月 四川

强化核心器件软件产业链协同能力，推动与大 模型、具身智能、群体智能、数字孪生等技术 交叉融合创新。|

|《人工智能赋能教育高质 量发展行动方案（20252027年）》

2025年5月 江苏

推动无人系统、智能芯片、具身智能等新一代 人工智能核心关键技术创新。|

|《河南省促进民营经济高 质量发展经营主体培育专 项行动方案的通知》

2025年5月 河南

实施未来产业启航行动，聚焦生物制造、量子 科技、具身智能等未来产业，建立未来产业投 入增长机制。|

|《关于支持人工智能全产 业链创新发展的若干措施》

2025年5月 山东

聚焦具身智能机器人等终端产品培育壮大，对 2025年整机年销售额首次突破5000万元的人形 机器人整机企业按规定给予一次性最高800万

元奖励。|

|《深圳市具身智能机器人 技术创新与产业发展行动 计划（2025-2027年）》

2025年3月 深圳

聚焦机器人关键核心零部件、AI芯片等技术突 破，计划新增培育估值过百亿企业10家以上、 营收超十亿企业20家以上。|

头豹业务合作

全 球 视 野 · 本 土 洞 察 · 助 力 企 业 把 握 市 场 先 机

核 心 业 务

行 业 数 据 A P I K N I T 解 决 方 案 报 告 会 员 账 号

开放原创报告与研究数据接口， 支持企业知识库、系统平台及AI 应用高效接入和调用

构建企业可信内容体系，提升品 牌在AI搜索与问答中的可见度、 准确性与转化效果

可阅读全部原创报告和百万数据， 提供PC及移动端，方便触达平台 内容

定 制 报 告 / 白 皮 书 商 业 尽 调 招 股 书 引 用

对产业及细分行业进行现状梳 理和趋势洞察，输出全局观深 度研究报告

面向投资并购和商业决策，评 估标的公司的商业前景、价值 及风险

研究覆盖国民经济19+核心产 业，内容可授权引用至上市文 件、年报

业 务 咨 询

| |

|---|

商务咨询与深度合作

报 告 作 者

袁栩聪 首席分析师

张俊雅 行业分析师

办 公 地 点

深圳办公室 广东省深圳市南山区粤海街道华 润置地大厦E座4105室 邮编： 518057

上海办公室 上海市静安区南京西路1717号 会德丰国际广场2701室 邮编： 200040

南京办公室 江苏省南京市栖霞区经济开发 区兴智科技园B栋401 邮编： 210046

方法论

◆ 头豹研究院布局中国市场，深入研究19大行业，持续跟踪532个垂直行业的市场变化，已沉淀超过100万行业研 究价值数据元素，完成超过1万个独立的研究咨询项目。

◆ 研究院依托中国活跃的经济环境，研究内容覆盖整个行业的发展周期，伴随着行业中企业的创立，发展，扩张， 到企业走向上市及上市后的成熟期，研究院的各行业研究员探索和评估行业中多变的产业模式，企业的商业模 式和运营模式，以专业的视野解读行业的沿革。

◆ 研究院融合传统与新型的研究方法，采用自主研发的算法，结合行业交叉的大数据，以多元化的调研方法，挖 掘定量数据背后的逻辑，分析定性内容背后的观点，客观和真实地阐述行业的现状，前瞻性地预测行业未来的 发展趋势，在研究院的每一份研究报告中，完整地呈现行业的过去，现在和未来。

◆ 研究院密切关注行业发展最新动向，报告内容及数据会随着行业发展、技术革新、竞争格局变化、政策法规颁 布、市场调研深入，保持不断更新与优化。

◆ 研究院秉承匠心研究，砥砺前行的宗旨，从战略的角度分析行业，从执行的层面阅读行业，为每一个行业的报 告阅读者提供值得品鉴的研究报告。

法律声明

◆ 本报告著作权归头豹所有，未经书面许可，任何机构或个人不得以任何形式翻版、复刻、发表或引用。若征得 头豹同意进行引用、刊发的，需在允许的范围内使用，并注明出处为“头豹研究院”，且不得对本报告进行任何 有悖原意的引用、删节或修改。

◆ 本报告分析师具有专业研究能力，保证报告数据均来自合法合规渠道，观点产出及数据分析基于分析师对行业 的客观理解，本报告不受任何第三方授意或影响。

◆ 本报告所涉及的观点或信息仅供参考，不构成任何投资建议。本报告仅在相关法律许可的情况下发放，并仅为

提供信息而发放，概不构成任何广告。在法律许可的情况下，头豹可能会为报告中提及的企业提供或争取提供 投融资或咨询等相关服务。本报告所指的公司或投资标的的价值、价格及投资收入可升可跌。

◆ 本报告的部分信息来源于公开资料，头豹对该等信息的准确性、完整性或可靠性不做任何保证。本文所载的资 料、意见及推测仅反映头豹于发布本报告当日的判断，过往报告中的描述不应作为日后的表现依据。在不同时 期，头豹可发出与本文所载资料、意见及推测不一致的报告和文章。头豹不保证本报告所含信息保持在最新状 态。同时，头豹对本报告所含信息可在不发出通知的情形下做出修改，读者应当自行关注相应的更新或修改。

任何机构或个人应对其利用本报告的数据、分析、研究、部分或者全部内容所进行的一切活动负责并承担该等

活动所导致的任何损失或伤害。

• 2026

中国GEO营销实践 与合规发展报告

企业案例征集正式启动

共建合规、透明、可信、可持续的GEO营销生态

聚焦生成式引擎优化服务实践、品牌AI可见度提升、可 信内容体系建设与行业合规发展，遴选年度代表性企业 及优秀产品案例，推动GEO行业规范化与高质量发展

重点征集方向

内容资产优化与 可信信源建设

GEO产品与 服务能力

合规实践与 行业示范

品牌AI可见度诊断

围绕AI搜索、AI问答及 生成式引擎中的品牌识 别、理解、引用与推荐 表现开展监测与分析

围绕品牌内容结构化、 权威信源建设、多渠道 传播与可信内容供给形 成实践案例

展示GEO诊断模型、监 测工具、内容优化工具、 报告交付体系及全流程 服务能力

重点呈现符合法律法规、 平台规则、广告合规与 内容伦理要求的代表性 实践案例

重要时间

扫码参与征集

项目启动

发布单位：弗若斯特沙利文

2026年6月1日-2026年7月31日

指导单位：中国广告协会

产品及案例申报评选

2026年8月1日-2026年8月31日

传播支持：头豹研究院

报告发布

官网：www.frostchina.com

预计2026年10月中国国际广告节期间 正式发布