基金调研丨国投瑞银基金调研开普云

根据披露的机构调研信息，11月5日，国投瑞银（UBS）基金对上市公司开普云（688228）进行了调研。

基金市场数据显示，国投瑞银（UBS）基金成立于2002年6月13日，截至目前，其管理资产规模为2048.39亿元，管理基金数202个，旗下基金经理共30位。旗下最近一年表现最佳的基金产品为国投瑞银信息消费混合A（000845），近一年收益录得20.32%。

国投瑞银（UBS）基金在管规模前十大产品业绩表现如下所示：

（数据来源：同花顺（300033）iFinD）

附调研内容：

一、业务整体介绍公司将具身智能训练数据作为AI战略的核心切入点,依托二十余年大数据业务积累与自有具身智能大模型技术能力,已落地真机数据规模化量产,布局EGO/UMI无本体采集、灵巧手采集等多形态数据采集与加工服务,并逐步向模型训练、评测、垂直场景真机应用部署等全链路环节延伸。公司已构建真机数采→模型训练→应用验证→迭代补充数采的业务闭环,同步研发可自主执行采集任务的机器人训练方案,实现数据采集、模型迭代与场景验证的正向循环。公司同时参与行业数据标准制定与产业生态建设,以数据环节为核心,逐步构建全链路具身智能业务能力与长期竞争优势。二、问答环节

问：请介绍公司具身智能真机数采业务的客户覆盖、标杆项目及整体产能布局进展。

答：公司具身智能数据业务客户覆盖人形机器人（886069）企业、大模型数据科技公司等主体，并持续拓展行业内其他具身智能模型客户群体。可适配不同客户在模型预训练、强化学习、精度校准、泛化能力提升等不同阶段的差异化数据需求，数据产品与模型训练需求的匹配度具备优势。标杆项目方面，公司无锡具身智能数采基地于2026年7月正式投入运营，规划部署300台真机设备，目前交付成果已获得客户的订单。产能布局方面，公司目前已陆续建设无锡、天津两个具身智能产业基地，后续将根据市场需求与业务发展节奏，持续规划布局新增基地，稳步推进规模化产能落地。

问：当前具身智能训练数据主要有哪些技术路线？不同路线的定位与差异是什么？公司如何通过多路线协同提升模型训练效果？

答：当前行业主流的数据采集技术路线包括真机遥操采集、无本体采集、Ego灵巧手采集等。其中，真机遥操数据位于具身数据行业的金字塔顶端，数据真实性与落地适配性最强，对模型精度提升价值最高，对应单价也相对更高。无本体与Ego灵巧手数据可有效增强模型的场景泛化能力，采集成本更低，但数据质量维度相较真机数据存在一定差距。公司采用多路线协同的业务模式，以真机数据为核心，同步布局Ego、UMI数据、仿真合成数据产能，通过各类数据的科学配比、互补配合，既保障模型训练的精度与真实性，又提升模型的泛化适配能力，全方位提升训练数据对模型的综合价值。

问：请介绍公司数据采集业务的硬件合作模式、运营排班机制与产能释放情况。

答：公司硬件采用灵活的商务合作模式，结合不同基地的区位特点与产业定位，差异化采取建设运营一体化或轻资产运营模式；其中无锡基地设备主要以租赁方式配置，定价参考行业平均水平。运营端采用两班倒排班机制，单台设备有效产出时长与运营管理效率直接相关，可快速适配工业、生活服务等多行业领域具身智能场景的数据采集需求。无锡基地满产对应约300台设备部署规模，随着标准化作业体系持续成熟、精细化管理能力不断强化，产能将逐步释放。

问：公司开展具身智能业务的核心竞争力是什么？与传统数据标注厂商存在哪些核心差异？

答：公司具身智能业务的核心竞争力主要体现在四方面：（1）是数据工程能力，具备标准化的数据采集、加工与质量管控体系，保障交付效率与数据稳定性，支撑产能快速爬坡。（2）是模型训练能力，依托自有具身智能大模型技术底座，可反向指导采集规范设计与场景拆解，精准匹配模型训练需求。（3）是行业理解能力，深耕多领域产业场景，能够精准把握客户业务痛点与场景需求，提升数据与业务的适配性。（4）是全链路服务能力，业务覆盖数据采集、清洗、评测、模型训练各环节，并可延伸至前端场景部署落地。与传统数据标注厂商相比，传统厂商以人力密集型标注业务为主；公司具备数据工程积淀、模型训练能力、行业场景认知与全流程服务能力，数据业务附加值更高。数据采集是公司具身智能业务的切入环节，未来可延伸至垂直场景模型落地服务。

问：请介绍公司具身智能数据采集业务的成本结构与盈利水平的核心影响因素。

答：数据采集业务的盈利水平与单机有效产出时长直接相关，运营效率越高、单台设备有效产出时长越长，毛利率水平越高。公司通过持续优化运营流程、提升人员效率、完善质量管理体系，不断提升盈利水平，目前核心运营能力已具备可商业复制性。

问：公司打造的“真机数采→模型训练→应用验证→迭代补充数采”业务闭环具体如何落地？自主采集机器人方案具备哪些核心价值？

答：公司基于自有具身智能大模型与数据工程能力，已研发完成自主执行采集任务机器人，打造形成“真机数采→模型训练→应用验证→迭代补充数采”的全链路业务闭环。该闭环以自主采集机器人为落地载体，通过真机采集高质量数据输入模型训练环节，经应用验证识别模型能力短板，再针对性开展迭代补充数采，实现数据供给与模型迭代的正向循环。这套全链路闭环模式可提升数据与模型的适配效率，加速模型迭代节奏，也为公司延伸全链条服务、拓展垂直场景落地奠定了技术基础。

问：行业有观点认为，机器人基础模型训练数据的未来主要来源是仿真数据，公司如何看待这一产业趋势？

答：我们认同仿真数据将在机器人基础模型训练中承担规模化供给的核心角色。仿真数据具备生成成本低、场景覆盖广、可批量复制等优势，能够满足基础模型大规模预训练阶段的海量数据（603138）需求，是未来训练数据供给的核心组成部分。但与此同时，人类示范数据尤其是真机交互数据，是模型训练的“金标准”，其真实物理反馈、环境交互细节是仿真数据无法完全替代的，承担着校准仿真模型、提升真实场景落地精度的关键作用。二者并非替代关系，而是互补协同关系。公司当前布局的真机、Ego等多形态真实数据采集能力，可与仿真数据形成有效互补，适配产业长期发展趋势。

问：如何看待当前具身智能行业的数据缺口，以及真机数据的刚需性？

答：当前行业真机数据供需矛盾十分突出：国内符合合规要求的真实物理交互场景数据存量不足百万小时，而商业化落地所需的数据规模达数千万小时量级，供需缺口极为显著；同时仿真环境与真实家庭场景下的机器人操控成功率存在数十个百分点的落差，仿真与现实工况的匹配度不足，高质量真机数据匮乏已成为制约产业技术突破与规模化落地的核心瓶颈。真机数据具备不可替代的刚需价值：其处于具身智能训练数据体系的核心层级，真实物理反馈与环境交互细节无法被仿真数据完全替代，是破解“演示易、落地难”行业痛点、推动产业从试点示范走向规模化商用的关键支撑。

问：请介绍公司重点布局的具身智能核心应用场景，不同场景对于真机数采的依赖度如何？

答：公司重点布局生活家居、工业制造、仓储物流、商业服务四大核心应用场景。生活家居环境复杂，高度依赖真机数据保障操作安全与动作精准；工业制造对精度要求严苛，真机数据是作业可靠性的核心基础；仓储物流动态性强，需真机交互样本提升模型环境适配能力；商业服务工况多样，真机数据支撑真实场景稳定运行。各场景均以真机数采锚定模型落地精度，以Ego数据扩充样本规模，双路线协同支撑垂直场景模型迭代。

问：公司在具身智能行业标准建设与产业生态中承担何种角色？

答：公司是工信部具身智能数据标准工作组联席组长单位，参与工信部面向具身智能的产业联盟，牵头数据标准制定与产业链试点应用相关工作。公司依托多年数据工程积累与具身智能业务实践经验，持续关注行业规范化发展进程，积极配合产业生态建设，助力行业健康有序发展。关于行业标准建设的具体参与情况，敬请以公司官方披露信息为准;