简介这份东吴证券机器人行业深度报告以PDF形式呈现面向关注人形机器人赛道的投资者、产业研究者与供应链从业者系统梳理产业链各环节的价值分布与竞争格局。报告围绕特斯拉FSD系统、电机、减速器、行星滚柱丝杆、传感器等核心部件展开测算各环节价值量占比并给出绿的谐波、鸣志电器、三花智控、拓普集团等重点标的与投资建议同时提示商业化进度、国际贸易摩擦及零部件降价等风险。资源包共1个PDF文件大小约2.83MB内容为完整研报正文含产业链核心标的表与分场景市场规模测算便于快速把握供应链“隐形冠军”的筛选逻辑。目前已有155人学习下载适合需要一份成体系行业研究框架、用于投资研判或产业分析参考的读者。1. 人形机器人产业链拆解一份深度报告能帮你找到什么人形机器人赛道这两年从实验室一路烧到产线做电机驱动的、做谐波减速器的、做六维力传感器的几乎都在问同一个问题整机厂到底需要什么规格的零部件哪些环节还存在国产替代的窗口。一份扎实的产业链深度报告价值不在于告诉你“这个赛道很热”而在于把上游材料、中游核心部件、下游整机集成的价值分布拆开让你看清哪个环节的毛利率被谁吃掉了。我自己做供应链调研时最怕两件事一是拿着整机厂的BOM表却找不到对应供应商的产能数据二是看到某个环节毛利高就冲进去结果发现认证周期要两年。这份报告类的材料适合两类人正在做零部件选型的硬件工程师以及需要判断某个细分方向值不值得投入的团队负责人。它解决的不是“要不要做人形机器人”这种战略问题而是“如果要做先从哪个零件切入”的落地问题。2. 从BOM到价值分布产业链纵析的四个切面2.1 执行器总成为什么吃掉整机三成以上成本人形机器人的硬件成本里执行器总成关节模组是绝对大头。常见做法是把旋转执行器和线性执行器分开统计旋转执行器又拆成电机、减速器、编码器、驱动器、力矩传感器和壳体。我一般会按自由度数量反推一台中等规格的人形机器人旋转关节在20到28个之间线性关节在8到14个之间。每个旋转关节的物料成本如果用谐波减速器方案减速器占40%到50%无框力矩电机占20%到25%编码器和驱动器合计占15%到20%。线性关节的行星滚柱丝杠成本占比更高能到50%以上而且目前国产良率稳定的供应商不多。这里有个容易被忽略的点执行器总成的成本不是简单的零件加总。整机厂采购时往往要求供应商提供“电机减速器编码器驱动器”的完整模组这意味着能自己做总成集成的供应商议价能力比只做单一零件的强很多。报告里如果只列零件供应商不区分谁有总成能力参考价值会打折扣。2.2 谐波减速器与行星滚柱丝杠的国产化进度差谐波减速器和行星滚柱丝杠是人形机器人产业链里两个最关键的传动部件但国产化进度完全不在一个阶段。谐波减速器国内已经有几家能做到精度和寿命接近进口水平主要差距在一致性——批量出货时不同批次的背隙和传动误差波动比进口大。行星滚柱丝杠则更早期国内能稳定供货的厂商屈指可数核心难点在螺纹磨削工艺和材料热处理。我一般会看三个指标来判断一个丝杠供应商能不能用导程精度能不能做到C3级以内、寿命测试能不能过100万次循环、批量交付时导程误差的CPK能不能大于1.33。这三个指标里前两个靠设备和工艺第三个靠质量体系。很多小厂前两个能过第三个翻车。2.3 六维力传感器从实验室标定到产线标定的距离六维力传感器在人形机器人里主要用在脚踝和手腕用来做力控和平衡。这个环节的坑在于实验室里标定好的传感器装到整机上以后因为安装应力、温度漂移和线缆拉扯零点输出会偏。我见过一个案例某团队在实验室标定完的传感器装到机器人脚踝上以后静态零点漂移了满量程的3%导致站立时力控环路一直在纠偏。解决这个问题的常见做法是在整机装配完成后做一次现场标定用已知重量的砝码加载记录各通道输出然后写入补偿矩阵。这个补偿矩阵要存在驱动器或控制器里每次开机自检时重新加载。如果供应商只提供实验室标定报告不提供现场标定流程和补偿算法用起来会很痛苦。2.4 从零件参数到整机验证一份可执行的选型检查表拿到报告里的供应商清单以后不能只看参数表。我一般会按下面这个流程做一轮筛选检查项具体内容通过标准样品一致性同一批次抽5件测关键尺寸和性能关键尺寸CPK1.33性能偏差5%温升测试额定负载下连续运行30分钟外壳温升40K输出力矩衰减10%寿命抽检加速寿命试验等效100万次循环精度衰减15%无异常磨损现场标定支持是否提供整机装配后的标定流程有书面流程和补偿算法接口交付周期从下单到批量交货样品4周内批量8周内这张表里的每一项都需要供应商提供实测数据不是口头承诺。如果报告里只写了“已通过XX认证”但没有具体测试条件和数据我会直接跳过。3. 用报告数据做供应商初筛三个可复现的步骤3.1 把报告里的供应商清单转成可筛选的表格报告里的供应商信息通常是文字描述直接看容易漏。我一般会先转成结构化表格字段包括公司代称、所在环节、主要产品、宣称产能、宣称客户、国产化阶段。转表的时候要注意报告里如果写“已进入头部厂商供应链”要追问是送样阶段还是批量供货阶段这两个阶段的风险完全不同。import pandas as pd # 模拟从报告文本中提取的供应商信息 suppliers [ {name: 供应商A, segment: 谐波减速器, product: SHF系列, capacity: 月产5000台, customer_stage: 批量供货, localization: 成熟}, {name: 供应商B, segment: 行星滚柱丝杠, product: RSS系列, capacity: 月产800套, customer_stage: 送样验证, localization: 早期}, {name: 供应商C, segment: 六维力传感器, product: FT系列, capacity: 月产2000只, customer_stage: 小批量, localization: 成长}, ] df pd.DataFrame(suppliers) # 按国产化阶段和客户阶段做初筛 # 优先选国产化成熟或成长 客户阶段为批量或小批量 filtered df[df[localization].isin([成熟, 成长]) df[customer_stage].isin([批量供货, 小批量])] print(filtered[[name, segment, customer_stage]])这段代码的逻辑很简单把报告里的定性描述转成可筛选的标签然后按“国产化阶段”和“客户验证阶段”两个维度做交叉筛选。参数说明localization字段我一般分三档——成熟、成长、早期customer_stage分四档——送样验证、小批量、批量供货、独家供应。筛选规则可以根据项目阶段调整如果是做预研可以放宽到送样验证阶段如果是准备量产必须要求批量供货以上。3.2 用产能数据反推交付风险报告里给的产能数据往往是“规划产能”或“满产产能”不是实际可交付产能。我一般会做两个修正第一把规划产能乘以0.6到0.7作为实际可交付的估算第二看这个供应商的客户集中度如果前三大客户占营收70%以上新项目插单的优先级会很低。# 产能修正与交付风险评估 def delivery_risk(capacity_str, customer_concentration): capacity_str: 报告中的产能描述如月产5000台 customer_concentration: 前三大客户营收占比0-1之间 返回风险等级低/中/高 # 提取数字 import re num int(re.search(r\d, capacity_str).group()) # 修正后产能 adjusted num * 0.65 # 客户集中度风险 if customer_concentration 0.7: concentration_risk 高 elif customer_concentration 0.4: concentration_risk 中 else: concentration_risk 低 # 综合判断 if adjusted 1000 and concentration_risk 高: return 高 elif adjusted 3000 or concentration_risk 高: return 中 else: return 低 # 示例 print(delivery_risk(月产5000台, 0.75)) # 输出中 print(delivery_risk(月产800套, 0.5)) # 输出高这段代码的核心是产能修正系数和客户集中度两个参数。修正系数0.65是我从几个硬件项目里总结的经验值实际用的时候可以根据供应商的自动化程度调整自动化程度高的可以到0.75手工工序多的降到0.5。客户集中度超过0.7的供应商除非你的采购量能进前三大客户否则交期基本没有保障。3.3 用毛利分布判断哪个环节值得切入报告里如果有各环节的毛利率数据可以直接用来判断价值分布。我一般会把毛利率和国产化阶段放在一起看毛利率高且国产化早期的环节是切入机会最大的毛利率高但国产化成熟的说明竞争已经充分新进入者很难抢份额毛利率低且国产化早期的可能是技术路线还没定型投入风险大。# 环节吸引力矩阵 segments [ {name: 谐波减速器, gross_margin: 0.40, localization: 成熟}, {name: 行星滚柱丝杠, gross_margin: 0.55, localization: 早期}, {name: 六维力传感器, gross_margin: 0.50, localization: 成长}, {name: 无框力矩电机, gross_margin: 0.35, localization: 成熟}, {name: 编码器, gross_margin: 0.45, localization: 成长}, ] def attractiveness(segment): margin_score segment[gross_margin] * 10 # 0-10分 if segment[localization] 早期: loc_score 10 elif segment[localization] 成长: loc_score 7 else: loc_score 3 return margin_score * 0.4 loc_score * 0.6 for s in segments: s[score] round(attractiveness(s), 2) # 按得分排序 ranked sorted(segments, keylambda x: x[score], reverseTrue) for s in ranked: print(f{s[name]}: 得分{s[score]}, 毛利率{s[gross_margin]*100}%, 阶段{s[localization]})这段代码的权重分配是国产化阶段占60%毛利率占40%。这个权重不是固定的如果团队的技术积累偏向某个环节可以调高毛利率的权重。输出结果里行星滚柱丝杠和六维力传感器得分最高谐波减速器虽然毛利率不低但因为国产化已经成熟得分被拉低了。4. 避坑产业链调研里最容易翻车的五个地方4.1 把送样验证当成批量供货现象报告里写“已进入某头部厂商供应链”实际一问只是送了样品还没通过验证。原因供应链信息在传递过程中被层层美化送样变成“进入”小批量变成“供货”。解决直接问三个问题——送了几轮样、验证周期多长、有没有批量订单。如果对方含糊其辞默认按送样阶段处理。4.2 忽略材料体系对零件性能的影响现象两家供应商的谐波减速器参数表几乎一样但装到整机上以后一家温升明显偏高。原因柔轮和刚轮的材料热处理工艺不同导致摩擦系数和热膨胀系数有差异。解决要求供应商提供材料牌号和热处理曲线对比关键参数。如果对方以“商业机密”为由拒绝至少要求提供温升测试报告。4.3 用实验室精度代替产线精度现象传感器在实验室标定精度很高装到产线上以后精度掉了一个数量级。原因产线环境的温度、振动和电磁干扰和实验室完全不同。解决在产线环境下做至少24小时的连续测试记录零点漂移和噪声水平。如果供应商没有产线测试数据自己搭一个简易测试台也比只看实验室报告强。4.4 低估认证周期对项目进度的影响现象选了一家参数很好的供应商结果认证做了18个月项目节点全部推迟。原因车规级或工业级的认证流程比预期长尤其是涉及功能安全的部件。解决在选型阶段就把认证周期写进项目计划要求供应商提供认证进度表。如果认证周期超过6个月必须有备选方案。4.5 只看零件价格不看总成成本现象单个零件报价很低但加上装配、标定和测试费用以后总成成本比另一家高。原因只对比了零件单价忽略了供应商的集成能力和测试设备投入。解决要求供应商提供总成报价包括装配、标定和出厂测试。如果对方只报零件价自己要把集成和测试的人工和设备成本算进去。5. 从报告到落地用三个指标验证一个环节值不值得做看完报告、筛完供应商以后最终要回答一个问题这个环节值不值得投入。我一般用三个指标做最终判断这套方法是从几个硬件项目里磨出来的不一定全面但能过滤掉大部分明显不靠谱的方向。第一个指标是单台价值量。人形机器人如果年出货量到一万台某个环节的单台价值量乘以一万就是这个环节的市场规模。单台价值量低于500元的环节除非能做成标准品卖给多家整机厂否则很难支撑一个独立团队。单台价值量在1000到5000元之间的环节最适合中小团队切入既有足够的利润空间又不会因为价值量太高而被大厂盯上。第二个指标是技术壁垒的可维持时间。我一般会问如果我现在开始做多久能追上头部供应商如果答案是6个月以内说明壁垒不高很快会陷入价格战。如果答案是2年以上说明壁垒足够但也要考虑这2年里整机厂会不会换技术路线。比较理想的情况是壁垒能维持12到18个月同时技术路线在3年内不会大改。第三个指标是客户验证的周期。从送样到批量供货如果周期超过12个月对初创团队的资金链压力很大。我见过一个团队做力传感器技术很好但客户验证做了16个月中间靠其他业务养着差点没撑过去。如果验证周期长要么找有资金的平台合作要么先做周边产品养活团队。# 环节投入决策的简易评分 def evaluate_segment(unit_value, barrier_months, validation_months): unit_value: 单台价值量元 barrier_months: 技术壁垒可维持时间月 validation_months: 客户验证周期月 # 价值量评分1000-5000得满分低于500或高于10000得低分 if 1000 unit_value 5000: value_score 10 elif 500 unit_value 1000 or 5000 unit_value 10000: value_score 6 else: value_score 3 # 壁垒评分12-18个月得满分 if 12 barrier_months 18: barrier_score 10 elif 6 barrier_months 12 or 18 barrier_months 24: barrier_score 6 else: barrier_score 3 # 验证周期评分越短越好 if validation_months 6: validation_score 10 elif validation_months 12: validation_score 6 else: validation_score 3 total value_score * 0.3 barrier_score * 0.4 validation_score * 0.3 return round(total, 2) # 示例单台价值2000元壁垒15个月验证9个月 print(evaluate_segment(2000, 15, 9)) # 输出8.2这套评分的权重是壁垒40%价值量和验证周期各30%。壁垒权重最高的原因是硬件项目一旦陷入价格战恢复的可能性很低。价值量权重居中因为太高或太低都有问题。验证周期权重最低因为可以通过资金规划来缓解但也不能完全忽略。我自己踩过最大的坑是看到一个环节毛利率高、技术壁垒也还行就冲进去了结果客户验证周期比预期长了8个月团队差点断粮。后来我给自己定了个规矩任何新环节的评估验证周期超过12个月的必须同时有至少两个客户在推进不能把宝押在一家身上。这个习惯帮我避开了后面几次类似的坑。希望帮到你。本文还有配套的精品资源点击获取