简介：面向机器人产业研究者、一二级市场投资人与制造业供应链从业者的一份券商行业深度报告PDF，聚焦人形机器人产业化路径与核心零部件价值分布。内容以特斯拉Bot为产业样本，按产业趋势、产业链拆解、传感技术与投资建议展开，梳理FSD系统、无框/空心杯电机、谐波与行星减速器、行星滚柱丝杆、视觉及力传感器等环节的价值量占比与代表厂商，并给出重点推荐、建议关注标的及商业化不及预期、贸易摩擦、零部件降价等风险提示，便于快速建立产业链分析框架。压缩包共1个PDF文件，约2.83MB，适合通勤或案头查阅。已有158人学习，可作为跟踪人形机器人主题、筛选供应链“隐形冠军”的参考资料。

1. 一份 2023 年的产业链拆解报告，为什么现在还有人翻出来看

「人形机器人产业链」这个词，两年前还主要活在卖方行业研究的 PPT 里，如今已经出现在产线周会的白板上。2023 年年中，某券商研究所发布过一份机器人行业深度报告，副标题写得很直白——产业链纵析，寻找供应链「隐形冠军」。它做的事情不复杂：把一台目标售价 2 万美元的人形机器人拆成六块成本，把市场分成三个阶段去推演，然后顺着价值量往下点名一批零部件厂商。

值得回头再读的原因在于，这类深度报告真正的价值不在结论，而在它把「一台机器人值多少钱、钱被谁赚走」量化了。后来两年里，做减速器的、做丝杠的、做灵巧手微型电机的，路演时被问到的第一个问题几乎都是「你在那个 61% 里占多少」。这套话语体系的源头，就是这类拆解。

2. 成本表里的 61%：一台 2 万美元的机器人，钱花在哪几个零件上

整份报告最有信息密度的一页，是单机成本拆分。目标价 2 万美元/台，是所有推演的地基；地基之上，报告把成本切成自研和 外购两段，其中外购部分合计 61%。这个数字后来被引用得最多，也被误读得最多。

2.1 六类外购部件的价值量排序

先看报告给出的部件级拆分。为了让口径一致，这里把「大脑」单列，其余按机械件排列：

这张表最有价值的地方是排序。做投资的人习惯按「技术难度」排序，做供应链的人习惯按「单价」排序，而报告是按「单机金额」排序——金额决定了某个环节值不值得扩产线、值不值得为它单独开一套工艺。19% 的电机和 14% 的减速器加起来 33%，是外购盘子里最肥的两块，也自然成了过去两年产能扩张最集中的方向。

还有一处容易被忽略的口径问题。报告正文按「部件」拆，丝杠占 9%；附表按「执行器总成」拆，直线执行器占 15%。这两个数字并不冲突，但也不能直接相加——15% 里包含丝杠、电机、传感器和轴承，9% 只是丝杠本体。做自下而上的成本模型时把两套口径混着用，算出来的单机价值量会虚高一大截，这是血泪经验。

2.2 自研与外包的分界线，划在「数据闭环」上

39% 自研的部分，本质上不是硬件，是算法加算力。报告给的逻辑是：自动驾驶系统的视觉感知、路径规划能力可以迁移到人形机器人，超算芯片提供训练侧算力，两者共同构成「大脑」。单芯片算力给出的数字是 362 TFLOPs 级别，配套的超算集群在同等成本下性能提升约 4 倍、同等能耗下提升约 1.3 倍、占用空间降低约 5 倍。

那为什么这块坚决不外购？从行业角度看，分界线不在技术难度，而在数据归属。硬件买回来，跑出来的数据是自己的；大脑如果也买回来，跑出来的数据就攥在别人手里，训练迭代的飞轮转不起来。这条线一划，对零部件厂商的含义非常直接：可及市场是 61%，不是 100%。

这一点在估值上经常被算错。看到「万亿级市场」四个字，先乘自己所在的环节占比，再乘自己可能的份额——如果第一刀就切错了，后面的数字全是玄学。报告里那 39% 是自研比例，不构成任何外部订单，把它当成潜在可争夺的蛋糕，属于典型的方向性误判。

反过来，61% 这个盘子也不是均质的。肢体骨骼 7% 听着不小，但结构件的毛利率通常只有十几个点，且极易被压价；传感器只有 3%，却是整机智能化的瓶颈。同样一块钱的价值量，含金量差得很远。

2.3 数量对不上的地方，才是产业链的机会

把数字摊开对照，会发现几处「对不上」：28 个大关节无框电机，刚好等于 16 个旋转关节加 12 个线性关节；而手部是双手共 12 个执行器、单手掌 6 个执行器却标称 11 个自由度；减速器是 12 个谐波加 4 个行星共 16 个，正好对上 16 个旋转关节；丝杠 12 个，对应 12 个线性关节。

手部这组数字最值得琢磨。11 个自由度只用 6 个执行器驱动，意味着采用了欠驱动设计——一根丝杠或腱绳带动多个关节联动，用结构换取重量和成本。对零部件厂商来说，这个设计选择直接影响订单量：机器人厂商不会按「自由度」下零件订单，而是按「执行器」下单。做微型传动的人如果按 11 个关节去估算单机用量，报价单会直接翻车。

再往下推一层单价。按 2 万美元单机成本做算术平均，可以得到一组粗糙但有用的量级参考（注意是均值，不是实际报价，谐波和行星、视觉模组和力传感器的价差极大）：

这组均值的用途不是报价，而是筛场景。比如空心杯电机单机金额只有 800 美元，摊到 12 个上单价不到 70 美元，属于典型的「单价低、卡位窄、量大才有肉」的生意；而丝杠单件 150 美元，加工工序长、良率敏感，属于「单价中等、门槛极高」的生意。两种生意对应完全不同的扩产逻辑，用同一套估值方法去套，多半会看走眼。

3. 三阶段渗透率模型：15 万亿市场是怎么一步步算出来的

报告里最容易被截图传播的，是那个「万亿级」结论：短期约 95 亿元、中期约 7.6 万亿元、长期再加 7.6 万亿元，累计 15 万亿元量级。数字很震撼，但它的说服力完全取决于渗透率假设，所以真正该读的是假设怎么来的。

3.1 场景假设：从自有工厂到独居家庭

报告的推演方式是按场景逐层扩圈，每一层对应不同的渗透率和对新事物的接受度。

第一阶段的假设最保守也最扎实：以某海外智能电动车厂商自有超级工厂约 6.3 万名产线人员为基数，乘 5% 渗透率，得出约 4400 台；再叠加全球超高净值人群约 29.5 万人乘 15%，得出约 4.4 万台。合计不到 5 万台，对应 95 亿元规模。反推一下隐含单价，大约在 2.8 万美元/台，比 2 万美元的目标价高一些，说明早期版本售价留有溢价空间。

第二阶段开始变得大胆。制造业按区域分别给渗透率，服务业给到 5%，测算结果直接跳到 7.6 万亿元量级。第三阶段进入家庭，一人户给 35%、多人户给 15%，再叠出 7.6 万亿元。这两段的绝对值已经不是「预测」，而是「上限情形的数学表达」——它回答的是「如果渗透率真能到这一步，市场有多大」，而不是「市场一定会到这一步」。

从行业角度看，这种自上而下的算法有它的正当性：新兴产业没有历史数据，只能用类比和情景假设。但它对时间极其不敏感。报告自己也写明，人形机器人商业化不及预期是首要风险，这句话的分量比前面所有数字都重。

3.2 回本周期这笔账，比市场规模更值得看

报告里另一张表，含金量其实高于市场规模表——回本周期测算。逻辑很朴素：一台机器人能替代几个工人，工人年薪多少，除一下就得出几年回本。

基准是 2022 年制造业平均工资 7.06 万元/人/年，按 1:1 替代计算。14 万元的工业机器人两年回本，20 万元的人形机器人三年回本——这两个数字放在一起，恰好解释了为什么「2 万美元」是整个产业的生死线。价格一旦上到 70 万元，回本周期拉到十年，除了展示和科研场景，几乎没有客户会买单；至于千万元级的海外老牌产品，本质上是研发平台而非商品。

但这个公式有三处隐含假设，任何一处松动，结论都会变。第一是 1:1 替代，实际产线上机器人节拍往往慢于人，需要 1.2 到 1.5 台抵一个人；第二是只算人力成本，没算维护、能耗、停机和集成改造费用，这部分通常按设备原值的 8% 到 15% 逐年摊销；第三是不考虑折旧年限，工业设备一般按 5 到 8 年折旧，超过这个年限的「回本」在财务上不成立。

把这三条补进去，20 万元一台的账会明显变难看。这也是为什么产业化节奏大概率慢于报告的时间表——不是技术不行，是财务模型不够性感。

3.3 敏感性：把假设拨动一格

想验证结论稳不稳，最省事的办法是做敏感性测算。下面这段代码把回本周期和市场规模放在一起算，参数都可以按实际调研替换：

# 人形机器人回本周期与市场规模的敏感性测算 # 所有金额单位为人民币元 def payback_years(unit_price, annual_labor_cost, replace_ratio=1.0, opex_ratio=0.10, useful_life=8): """ unit_price : 单台购置价 annual_labor_cost : 单个工人年综合人力成本 replace_ratio : 一台机器人等效替代的人数（实际常小于 1） opex_ratio : 年运维成本占设备原值比例 useful_life : 折旧年限 返回：静态回本年限（None 表示在折旧期内无法回本） """ annual_saving = annual_labor_cost * replace_ratio - unit_price * opex_ratio if annual_saving <= 0: return None years = unit_price / annual_saving return years if years <= useful_life else None def market_size(units, unit_price): """units: 台数；unit_price: 单台均价""" return units * unit_price if __name__ == "__main__": # 场景 A：理想情形，1:1 替代，不计运维 print(payback_years(200000, 70600, 1.0, 0.0)) # 约 2.8 年 # 场景 B：现实情形，1.3 台抵 1 人，运维按 10% 计 print(payback_years(200000, 70600, 1.0 / 1.3, 0.10)) # 明显拉长 # 场景 C：售价降到 14 万元后的规模测算 print(market_size(50000, 140000) / 1e8) # 单位：亿元

三个场景跑下来，能看清一件事：回本周期对「替代效率」和「运维成本」的敏感度，远高于对售价的敏感度。售价从 20 万降到 14 万，回本周期改善不到一年；而替代效率从 1:1 掉到 1:1.3，回本周期直接拉长一到两年。这意味着产业化的关键变量不只是降本，还有场景选择——先落地在节拍宽容、工序标准、人机混线成本低的工位，回本账才立得住。

参数怎么改：replace_ratio建议按实际节拍实测，别用厂商宣称值；opex_ratio取 0.08 到 0.15 之间，取决于是否有集中维护团队；useful_life保守取 5 年更接近财务口径。失败时看什么：如果函数返回None，说明在折旧期内根本收不回投资，这个场景就不该进测算表。

4. 被点名的环节：减速器、电机、丝杠、传感器谁更「隐形」

报告的投资建议部分列了一长串标的，从减速器、电机、丝杠一直排到传感器和整机。名单本身会过期，但名单背后的分类逻辑不会——它把供应链拆成四种完全不同的生意。

4.1 谐波减速器与行星滚柱丝杠：确定性最高，也最拥挤

谐波减速器是这份产业链里确定性最强的环节。单机 12 个，价值量 14%，且技术路线在过去十几年已经被工业机器人和协作机器人验证过，产能、工艺、检测设备都是现成的。国内竞争格局相对集中，头部厂商在齿形设计、柔轮材料、疲劳寿命上积累较深，新进入者想切进去，靠的不是样品，而是批量一致性。

但确定性高也意味着拥挤。过去两年，谐波赛道的产能规划增速明显快于需求增速，一旦人形机器人的放量节奏推后，价格战几乎不可避免。报告的风险提示里专门写了「零部件大幅降价导致盈利能力下降」，这句话不是客套，是行业规律——工业机器人减速器走过的降价曲线，人形机器人大概率要再走一遍，只是斜率可能更陡。

行星滚柱丝杠是另一半故事。12 个线性关节，9% 价值量，加工难点集中在三处：螺母内螺纹磨削、丝杠热处理变形控制、多头螺纹的相位一致性。这三道工序对磨床精度和工艺参数的依赖极高，属于「设备到位了也不一定做得出来」的环节。国内有厂商从机床丝杠、注塑机丝杠往这个方向迁移，但人形机器人对重量、噪音、寿命的要求比工业场景苛刻得多，从能做出来到能稳定供货，中间隔着一段不短的爬坡期。

这两条线的共同点是：都吃设备、吃工艺、吃时间，短期靠资本砸不出来。不同点在于，谐波已经进入拼成本阶段，丝杠还处在拼良率阶段。用同一套眼光看，会把两种节奏搞混。

4.2 空心杯电机与灵巧手：单价不高，卡位极窄

手部是整份报告里技术密度最高、也最容易被低估的部分。双手共 12 个执行器、单手掌 6 个执行器 11 个自由度、负载约 10 公斤、能使用工具、能做微小动作，还要集成力传感和触觉传感。这套配置下，空心杯电机只占 4% 的价值量，单机金额 800 美元，听上去不起眼。

但空心杯电机的卡位极窄。它的核心工艺是无铁芯杯形绕组，绕线方式直接决定效率、转矩波动和寿命，绕线设备本身又是细分装备，全球能做的厂商屈指可数。国内做微型电机的厂商不少，集中在医疗设备、电动工具、航模这些领域，但要满足人形机器人手部对体积、响应速度、发热和一致性的综合要求，需要重新做一轮设计和验证。

这就是典型的「隐形冠军」画像：单机金额不大，客户不会为它单独设一个采购品类，但一旦方案定了，替换成本极高。做这类生意的厂商，护城河不在规模，在工艺参数和客户共同开发的历史。踩过坑的人都知道，灵巧手方案从三指到五指、从刚性到腱驱、从全驱动到欠驱动，每换一次方案，供应商就要重做一轮模具和工艺验证，前期投入很难摊销。

另一个值得注意的变化是灵巧手方案尚未收敛。有厂商走全驱动路线，追求自由度；有厂商走欠驱动路线，追求成本和可靠性。方案没定，零部件规格就定不下来，这对上游是双刃剑：机会在于可以参与定义，风险在于押错路线。判断一家微型传动厂商的成色，看它是否同时给两三条路线送样，比看它宣称的定点数量更靠谱。

4.3 传感器与执行器总成：3% 的价值量，不止 3% 的门槛

传感器在报告里只占 3%，视觉模组加持下也就 600 美元一台。从金额看，这是最不值得下注的环节；从功能看，它决定了机器人能不能从「按程序动」变成「看情况动」。

视觉部分相对成熟，深度相机、结构光、双目方案在消费电子和自动驾驶里都跑通过，供应链不缺玩家，缺的是车规级的可靠性和成本控制。真正难的是力/触觉。旋转关节要装力矩传感器，线性关节要装力矩传感器，手部要装触觉阵列，这些器件面临的共同问题是：小体积、高过载、低漂移、抗干扰，还要能过批量标定。实验室里做出一只能用的六维力传感器不难，难的是做出十万只一致性达标的产品。

执行器总成是另一类生意。报告把旋转执行器总包和线性执行器总包单独点出来，逻辑在于：整机厂商希望减少供应商数量、缩短装配链条，愿意把电机、减速器、传感器、轴承打包给一家做集成。这类厂商的壁垒不在单件技术，而在系统设计能力、供应链组织能力和质量一致性。它的毛利率通常低于单件供应商，但订单规模大、客户粘性强，属于「薄利多销但难被替换」的位置。

三类生意的估值方法完全不同。单件高壁垒供应商看毛利率和技术独占性，总成商看营收规模和客户绑定深度，传感器看的是产能爬坡和标定能力。把它们放进同一张表里比 PE，本身就是一种偷懒。

5. 四个容易读错的点：别把卖方推演当成产业时间表

这份报告流传广，被截取、被转述、被二次加工的次数也多，随之而来的是几类反复出现的误读。这些误读不一定影响判断方向，但会实打实影响测算模型和投资节奏。

5.1 误判一：把「价值量占比」当成「利润占比」

最常见的错，是拿 14% 的减速器占比去乘市场规模，得出「减速器市场 1 万亿」的结论，然后按行业平均毛利率倒推利润。错在两处：一是占比是成本口径，不是收入口径；二是不同环节的毛利率差得远，结构件毛利率十几个点，谐波减速器高峰期能到四十个点以上，两者同样一块钱的价值量，利润差三倍。

怎么看：先确认口径是「成本占比」还是「采购金额占比」，再套具体公司的毛利率区间。粗略的做法是给每个环节配一个毛利率带——减速器 25% 到 45%，丝杠 20% 到 35%，电机 20% 到 30%，结构件 10% 到 18%——乘出来的利润量级才有参考价值。

5.2 误判二：把 2026、2030 这种年份当成交付节点

报告里的阶段划分是测算区间，不是产业时间表。2024 到 2026 对应的是「如果只有自有工厂和高净值人群买单，市场多大」，而不是「2026 年一定会有多少台交付」。这两件事被混为一谈之后，很多排产计划和产能投资就建在了沙子上。

怎么看：把年份当成情景标签，不当成日历。判断真实节奏，去看三个更硬的指标——样件交付到定点的时间间隔、定点到量产的时间间隔、量产爬坡的月环比。这三个数字比任何年份都可靠。

5.3 误判三：以为进了名单就是进了供应链

报告列出的标的分两类：一类是已经明确进入供应体系的，一类是「建议关注」的潜在标的。这两类在文本里位置相近，在现实中隔着十万八千里。人形机器人的供应商准入通常要过三关：技术送样、小批量验证、定点量产。多数厂商卡在第二关，因为小批量能过、批量一致性过不了。

怎么看：看公告口径。「签署战略合作协议」「送样测试」「获得定点」「批量供货」是四个完全不同的阶段，含金量依次递增。只看到「合作」两个字就当成订单，是这一轮里最常见的翻车方式。

5.4 误判四：忽略降价螺旋这个反向变量

报告把「零部件大幅降价导致盈利能力下降」写进风险提示，但这一条在实际讨论中经常被跳过。人形机器人的 2 万美元目标价，本身就隐含了零部件必须持续降价的前提。整机厂要达到目标成本，一定会向上游要年降，年降幅度通常在 5% 到 15% 之间，量越大、议价越强。

怎么看：在测算里给每个环节设一条年降曲线，别用静态单价乘以静态销量。一个简单的检查方法是问自己：如果单价每年降 10%，三年后这家供应商的毛利率还剩多少？如果答案是「靠规模摊薄刚刚打平」，那这门生意就需要非常确定的放量才能成立。

5.5 误判五：把 15 万亿当成某一年的产值

报告里 15 万亿元是分阶段累加的「市场空间」，前半段是中期情景，后半段是长期情景，两段相加得到的是一种上限表达，不是某一年度的销售额。把它当年产值去和 GDP 或某个成熟行业对比，得出的结论会非常离谱。

怎么看：看单阶段数字，不看合计数。第一阶段 95 亿元、第二阶段 7.6 万亿元，各自对应不同的时间窗口和渗透率假设，分开引用才不会失真。

6. 趋势判断：从拆 BOM 到看订单，接下来盯哪三个窗口

这份报告的方法论价值，在于它把「人形机器人」这个模糊概念翻译成了可计算的成本表和可追踪的部件清单。但它停在 2023 年年中，后面发生的事，包括大模型与机器人结合的加速、灵巧手方案的多次迭代、部分环节的价格战，都不在它的射程内。所以读它正确的姿势是：拿它的框架当骨架，用后来的事实去填肉。

从行业角度看，接下来真正决定产业链格局的，不是「市场有多大」，而是「订单落在谁头上、以什么价格落」。三个观察窗口值得持续跟踪：

第一个窗口决定谁能进牌桌，第二个窗口决定进了牌桌能不能赚钱，第三个窗口决定上游能不能形成规模效应。三者叠在一起，才是产业化的真实进度条，而不是某一份报告里的年份。

还有一个反直觉的判断：价值量占比高的环节，未必是最后赚钱最多的环节。39% 的大脑是自研的，外部拿不到；19% 的电机和 14% 的减速器参与者众多，价格战最先打到这里；反而是 3% 的传感器和 4% 的空心杯电机，因为卡位窄、替换成本高，可能在放量周期里守住更久的毛利。这个规律在消费电子和汽车零部件上都验证过——最后活得舒服的，往往不是最大的那块，而是最难换的那块。

我自己的习惯是，每次拿到一份新的产业链报告，先不看它的市场规模结论，而是翻到成本拆分那一页，把每个环节的口径、数量、供应方式单独抄一遍，再拿后来的产业事实去对。对不上的地方，往往就是判断的起点。这两年靠这个笨办法躲过了几次明显的坑，也错过了一些真正跑出来的机会——但至少模型是自己的，不是别人喂的。希望帮到你。

本文还有配套的精品资源，点击获取