Robótica Humanoide, Inteligência Incorporada e Automação Industrial: WRC 2026 Mostra que o Foco da Competição em Robótica Mudou das Capacidades de Demonstração para Produtividade, Confiabilidade e Dados de Implantação

Visão geral

O relatório resume observações do WRC 2026 e discussões com diversas empresas de robótica. Sua conclusão central é que a base de clientes, o escopo de aplicações e o investimento em dados para robôs humanoides e outras formas de IA física estão se expandindo, mas o setor ainda não ultrapassou o limiar da comercialização em larga escala. A próxima etapa de desenvolvimento será determinada não por demonstrações básicas de movimento, mas pela capacidade dos robôs de se aproximarem da produtividade humana em ambientes reais e operarem continuamente com confiabilidade, eficiência de dados e viabilidade econômica suficientemente altas.

Visões principais

Primeiro, a implantação de robôs está se ampliando antes de se aprofundar. O número médio de clientes por integrador aumentou de aproximadamente 10 no início de 2026 para dezenas, e alguns clientes passaram de testes de prova de conceito para compras repetidas. Por exemplo, a Foxconn fez compras repetidas da UBTECH após sua primeira implantação no final de 2025. Contudo, clientes individuais geralmente ainda implantam apenas dezenas de robôs, mantendo o setor longe da adoção em larga escala. Os robôs melhoraram sua generalização para objetos desconhecidos, mudanças de posição e determinadas perturbações ambientais. Tarefas específicas, como classificação, podem igualar ou até superar o desempenho humano em demonstrações de exposição, mas sua velocidade e precisão em tarefas complexas ou de alta precisão ainda ficam significativamente atrás das humanas. Ambientes semiestruturados são atualmente um ponto de partida relativamente adequado para implantação: eles variam o suficiente para que a automação fixa convencional tenha dificuldade em cobri-los, mas sua complexidade ainda possui limites claramente definidos. As soluções da Galaxea abrangem fulfillment, classificação, manuseio de caixas, separação e embalagem e, segundo relatos, podem lidar com aproximadamente 10.000 SKUs e objetos desconhecidos a 70–80% da velocidade humana. As entregas industriais da UBTECH em 2026 se concentram principalmente em despaletização e movimentação de materiais, com a despaletização alcançando 60–80% do tempo de ciclo exigido para produção. O relatório também enfatiza que a inteligência robótica não depende exclusivamente de novas plataformas humanoides. A Mech-Mind atualiza robôs convencionais com visão 3D, software/IA e efetores finais. Ela enviou aproximadamente 10.000 sistemas em 2025, registrou crescimento de receita de aproximadamente 70% em relação ao ano anterior no primeiro trimestre de 2026 e alcançou crescimento semelhante de pedidos no primeiro semestre. Robôs quadrúpedes também alcançaram maior adequação produto-mercado em aplicações como inspeção de redes elétricas, segurança, combate a incêndios, siderurgia e petróleo e gás. A Deep Robotics cresceu mais de 100% no primeiro semestre de 2026 e pretende aumentar as remessas de robôs quadrúpedes de nível industrial de aproximadamente 3.000 unidades em 2025 para aproximadamente 10.000 unidades em 2026. Casos de uso doméstico foram significativamente mais prevalentes do que no WRC 2025, mas questões de valor comercial, eficiência e segurança levarão tempo para serem resolvidas. O relatório não espera que robôs humanoides domésticos ganhem escala rapidamente; animais de estimação com IA, robôs de companhia, robôs de mesa e estações automatizadas de alimentos e bebidas podem ser adotados antes. As metas corporativas continuam agressivas. A Geekplus planeja remessas cumulativas de 10.000 produtos de inteligência incorporada nos próximos três anos, aproximadamente dois terços dos quais serão robôs humanoides com rodas Gino e um terço estações de trabalho de braços robóticos. A UBTECH visa aproximadamente 10.000 unidades em 2026 e 20.000–40.000 unidades em 2027. A Linkerbot planeja vender aproximadamente 20.000 mãos dextras em 2026, em comparação com aproximadamente 10.000 em 2025. A AI² Robotics visa aproximadamente RMB500 milhões em receita e entregas de vários milhares de unidades em 2026 e planeja capacidade anual de aproximadamente 30.000 unidades em 2027. A DexForce visa receita de aproximadamente RMB250–300 milhões, em comparação com RMB60 milhões em 2025. A OneRobotics visa uma CAGR de receita de aproximadamente 50% de 2026 a 2028. A Deep Robotics visa entregas de aproximadamente 10.000 robôs quadrúpedes de nível industrial em 2026. Essas metas refletem a disposição do lado da oferta para expandir, mas o relatório continua considerando a produtividade real e a aceleração comercial como áreas-chave que exigem validação. Para mãos dextras, o WRC 2026 apresentou significativamente mais tarefas de manipulação, com o setor passando do movimento básico para operações de múltiplas etapas. Mãos dextras são adequadas para tarefas que exigem maior flexibilidade, como usar ferramentas humanas, apertar parafusos e manipular múltiplos SKUs, mas pinças convencionais ainda dominam aplicações estruturadas, como classificação padronizada. Diferentes arquiteturas correspondem a diferentes faixas de custo e desempenho: os produtos de ligação de baixo DoF da Linkerbot custam aproximadamente RMB3.000–6.000, os produtos de acionamento direto de alto DoF aproximadamente RMB20.000–50.000, e os produtos acionados por tendões até aproximadamente RMB90.000–100.000. A empresa acredita que 15–20 graus de liberdade podem cobrir a maioria das necessidades operacionais práticas. Sistemas de ligação têm o menor custo e confiabilidade relativamente melhor, mas menor flexibilidade. Sistemas de acionamento direto fornecem controle mais preciso, mas aumentam custo, carga térmica e complexidade de integração. Sistemas acionados por tendões são os mais semelhantes às mãos humanas, mas vida útil e custo impedem a adoção em escala. Embora testes laboratoriais de preensão tenham excedido 1 milhão de ciclos, o teste contínuo energizado mais longo permanece abaixo de seis meses. A operação de longo prazo também pode enfrentar falhas de software, recalibração repetida, degradação de precisão, superaquecimento e danos a componentes de transmissão. Dados visuais, articulares, de força e táteis ainda precisam ser sincronizados; os dados não podem ser facilmente compartilhados entre diferentes projetos de mãos, e alguns dados de clientes no local não podem ser recuperados para treinamento. Até que a confiabilidade e a produtividade melhorem, soluções de alto DoF também terão dificuldade para atender aos requisitos de retorno sobre investimento de clientes industriais. As abordagens de modelos continuam evoluindo rapidamente. O relatório acredita que modelos visão-linguagem-ação, modelos de mundo e aprendizado por reforço coexistirão: modelos visão-linguagem-ação entendem instruções, objetos e contexto de tarefas; modelos de mundo caracterizam dinâmicas físicas e preveem resultados; e pós-treinamento, aprendizado por reforço e modelos de controle traduzem capacidades gerais em execução confiável de tarefas específicas. Algumas aplicações anteriormente exigiam 6–12 meses de pré-treinamento, enquanto melhores modelos fundamentais podem reduzir os dados incrementais necessários para tarefas novas relativamente simples a dezenas de horas. Portanto, em comparação com uma única pontuação de benchmark, o tempo necessário para concluir uma nova tarefa e a quantidade de dados exigida por nova tarefa podem se tornar indicadores mais eficazes da qualidade do modelo. Diversas empresas esperam que o “momento GPT” da inteligência incorporada chegue em 18–24 meses, ou por volta de 2028, mas o relatório considera essa expectativa otimista. As definições do setor para esse ponto de inflexão incluem uma taxa de sucesso zero-shot de 70–80% em tarefas desconhecidas, desempenho próximo ao de produção após pós-treinamento limitado, capacidade de executar tarefas de longo horizonte continuamente, resiliência a perturbações dinâmicas e ambientes estocásticos, e reduções substanciais nos dados incrementais e no trabalho de engenharia necessários para cada nova tarefa. O relatório identifica desempenho no mundo real, aceleração comercial e a capacidade de a escala de dados se converter em generalização como critérios-chave de validação, e acredita que a adaptação rápida à mudança tecnológica é mais importante do que apostar em uma única arquitetura. Os dados continuam sendo o gargalo mais frequentemente citado, mas horas brutas estão se tornando um indicador cada vez mais fraco de capacidade. Diferentes tarefas exigem diferentes receitas de dados: tarefas de locomoção e desempenho dependem mais de simulação; navegação, preensão e posicionamento podem usar mais dados egocêntricos; e tarefas domésticas dependem mais de teleoperação. A qualidade dos dados varia consideravelmente. Aproximadamente 80% dos dados internos de teleoperação da Galbot permanecem utilizáveis após a triagem, enquanto a taxa utilizável de dados egocêntricos terceirizados de baixo custo pode ficar abaixo de 10%. A UBTECH pretende obter aproximadamente 1 milhão de horas de dados utilizáveis em 2026, mas estima que isso possa exigir aproximadamente 4 milhões de horas de dados brutos. Dados egocêntricos terceirizados podem custar apenas aproximadamente US$2 por hora em países de baixo custo, enquanto dados multimodais de mãos de alta qualidade custam aproximadamente US$90–100 por hora. O valor pode, portanto, migrar da coleta básica para o desenho de tarefas, sincronização multimodal, controle de qualidade, limpeza e seleção de dados vinculada ao modelo. A Galbot visa aproximadamente 1 milhão de horas em 2026 e aproximadamente 10 milhões de horas até o primeiro semestre de 2028. A Galaxea visa aproximadamente 1 milhão de horas efetivas até o fim de 2026, aproximadamente 90% de fontes egocêntricas ou UMI e aproximadamente 10% de robôs físicos. A UBTECH atualmente possui aproximadamente 300.000 horas e visa aproximadamente 1 milhão de horas utilizáveis em 2026. A PsiBot atualmente possui aproximadamente 300.000 horas e considera aproximadamente 1 milhão de horas como um possível limiar para uma generalização mais acentuada. Barreiras de longo prazo têm maior probabilidade de surgir de falhas, intervenções humanas e casos extremos gerados pelas implantações. A escala da frota por si só é insuficiente: direitos sobre os dados, diversidade de cenários e velocidade do ciclo de feedback determinam se os dados podem aprimorar os modelos. Para dados de clientes que não podem sair da fábrica, o relatório também discute soluções de treinamento distribuído envolvendo armazenamento local e treinamento no local, com apenas o modelo aprimorado transmitido de volta. A computação está cada vez mais parecendo uma consequência da expansão de dados, e não uma corrida tecnológica independente. Diversas empresas alcançaram escala de milhares de aceleradores. A UBTECH possui recursos de treinamento em nuvem no nível de mil aceleradores e planeja alcançar o nível de dez mil aceleradores nos próximos 3–5 anos. A Galbot também está no nível de mil aceleradores, e seu poder computacional pode se expandir juntamente com a escala de dados e parâmetros, potencialmente alcançando 100.000 aceleradores até 2028. A AI² Robotics usa computação alugada no nível de mil aceleradores e planeja construir seu próprio cluster, alcançando o nível de dez mil aceleradores no longo prazo. A OneRobotics possui aproximadamente 1.000 recursos equivalentes a H100. A computação de treinamento em si pode não ser uma vantagem competitiva duradoura, mas pode ser usada para verificar a escala de dados, as capacidades de modelo e a velocidade de iteração de uma empresa. Os integradores atualmente dependem quase inteiramente de chips estrangeiros, enquanto testam ativamente alternativas domésticas. Algumas empresas estimam que um chip Nvidia equivale a aproximadamente quatro chips domésticos, indicando uma lacuna substancial de desempenho, embora a computação doméstica tenha evoluído da inexistência para a disponibilidade. À medida que modelos, janelas de contexto e entradas sensoriais multimodais se expandem, aumentam os requisitos de largura de banda de memória, transferência de dados, latência e consumo de energia, tornando a computação de borda outra área de integração vertical. A UBTECH e a MetaX estão desenvolvendo conjuntamente um chip dedicado para robôs humanoides, com potencial implantação em 2–3 anos. A Galbot está explorando computação na memória, chips domésticos de borda e inferência colaborativa nuvem-borda. Os desafios de hardware passaram de verificar se um robô pode se mover e realizar demonstrações para verificar se pode operar continuamente em intensidade de produção. As principais restrições atuais incluem confiabilidade, duração da bateria e limitações térmicas das articulações. Mesmo que um modelo possa decidir qual ação tomar, o sistema físico pode não ser capaz de executá-la de forma eficiente e repetida. Alguns grandes clientes de manufatura exigem compensação quando robôs causam paralisação de linhas de produção, o que significa que a perda econômica de uma única falha pode exceder amplamente o valor do próprio robô, uma vez que os robôs são incorporados aos sistemas de produção. Portanto, as métricas-chave estão migrando para tempo de operação contínua, probabilidade de falha, desvio de calibração, tempo de recuperação, eficiência térmica e energética, peso e integração totais, e durabilidade de sensores e efetores finais. A redução de custos também depende cada vez mais de simplificação de projeto, substituição de materiais e processos, padronização modular e consistência de produção, e não apenas da redução dos preços de componentes. Ligas de magnésio, moldagem por injeção de metal, fibra de carbono e materiais como PEEK estão sendo usados para melhorar peso, resistência ao desgaste e resistência ao calor. A Lingyi iTech está promovendo a padronização de módulos de bateria e articulações, que estima poder reduzir custos duplicados de projeto e desenvolvimento em 10–20%, enquanto a simplificação de estruturas complexas poderia reduzir os custos de fabricação em outros 10–15%. No nível das ações, o Morgan Stanley acredita que, à medida que as implantações começam, o limiar para fornecedores de componentes aumentará de aprovação em certificação de produtos para obtenção de confiabilidade, consistência, rendimento, escala de produção em massa e controle de custos. Por isso, prefere fornecedores líderes com capacidades de produção em massa e seleciona Leader Harmonious Drive Systems, Hengli Hydraulic e Shuanghuan Driveline como ações preferidas, todas classificadas como OW. As avaliações no apêndice mostram que a Lingyi iTech é avaliada usando um modelo de renda residual em múltiplos estágios, com custo de capital próprio assumido de 11%, taxa de crescimento de médio prazo de 16% e taxa de crescimento perpétuo de 5%. A Geekplus é avaliada em 5,6x P/S 2026E, com 50% baseado na média de P/S de 8,3x de pares de robótica humanoide e direção autônoma após desconto de 20%, e os outros 50% baseados na média de P/S de 4,6x de pares de automação de logística e armazenagem. Ao negócio de robótica não humanoide da Hengli Hydraulic é atribuído um P/L-alvo de 30x para 2027, abaixo do pico de aproximadamente 40–50x no ciclo anterior, porque se espera que o pico de vendas domésticas neste ciclo seja mais fraco, o crescimento dos lucros esteja se normalizando e o negócio de bombas e válvulas tenha superado sua fase de hipercrescimento. Seu negócio de robótica humanoide é avaliado usando DCF com WACC de 11% e taxa de crescimento perpétuo de 4%.

Estrutura de análise

O relatório primeiro compara observações no local do WRC 2026 e discussões com Geekplus, Lingyi iTech, OneRobotics, UBTECH e diversas empresas não listadas de robótica com o WRC 2025. Em seguida, analisa gargalos de comercialização em seis temas principais: implantação de aplicações, mãos dextras, modelos, dados, poder computacional e hardware. As métricas de validação incluem produtividade real, compras repetidas e escala de implantação em locais individuais, taxas de utilização de dados, velocidade de adaptação a novas tarefas, confiabilidade operacional contínua e custo. Por fim, o relatório relaciona tendências do setor a fornecedores de componentes com capacidades de produção em massa e avalia empresas selecionadas cobertas usando metodologias de renda residual, P/S, P/L-alvo e DCF.

Notas metodológicas

• (Método Fora do Vocabulário)Outro

  Pesquisa de Conferência e Comparação Anual de Exposições

  O relatório compara demonstrações no local e discussões corporativas no WRC 2026 com o WRC 2025 para identificar a mudança de foco do setor, de capacidades básicas de movimento para produtividade, confiabilidade e implantação comercial.

• (Método Fora do Vocabulário)Outro

  Métricas de Produtividade de Implantação e Rendimento de Dados

  Em vez de observar apenas contagens de robôs ou horas brutas de dados, o relatório examina a escala de implantação em locais individuais, compras repetidas, velocidade de tarefas, proporção de dados utilizáveis e o tempo e os dados necessários para novas tarefas para determinar se a expansão de escala pode se traduzir em capacidades reais.

• Método de AvaliaçãoModelo de Renda Residual RIM

  Avaliação de Renda Residual em Múltiplos Estágios

  O caso-base da Lingyi iTech usa um modelo de renda residual em múltiplos estágios para estimar o valor do capital próprio com custo de capital próprio de 11%, taxa de crescimento de médio prazo de 16% e taxa de crescimento perpétuo de 5%.

• Método de AvaliaçãoAvaliação P/S

  Avaliação P/S Ponderada por Pares

  A Geekplus usa um múltiplo P/S 2026E de 5,6x, derivado da combinação das avaliações de pares de robótica humanoide e direção autônoma com as de pares de automação de logística e armazenagem, com ponderação de 50% para cada grupo.

• Método de AvaliaçãoAvaliação P/E/PEG

  Avaliação por P/E-Alvo

  O negócio de robótica não humanoide da Hengli Hydraulic usa um P/E-alvo de 30x para 2027, em comparação com uma avaliação de pico de aproximadamente 40–50x no ciclo anterior.

• Método de AvaliaçãoDCF Fluxo de Caixa Descontado

  Avaliação DCF do Negócio de Robótica Humanoide

  O negócio de robótica humanoide da Hengli Hydraulic é avaliado usando um modelo de fluxo de caixa descontado, assumindo WACC de 11% e taxa de crescimento perpétuo de 4%.

Mapeamento e comparação de ativos

Mapeamento estruturado da tese para ativos nomeados (pontos fortes, pontos fracos, pares e riscos).

• Geekplus (2590.HK)

  O relatório classifica a empresa como OW e a vê como um investimento relacionado à comercialização de automação de logística e armazenagem e produtos de inteligência incorporada.

  Pontos fortes

  A meta de remessas cumulativas para produtos de inteligência incorporada nos próximos três anos é de 10.000 unidades, aproximadamente dois terços das quais serão robôs humanoides com rodas Gino. Há oportunidades de ganhos de participação de mercado, expansão de margens e aquisição de novos clientes.

  Pontos fracos

  A avaliação deve fazer referência a pares de robótica humanoide, direção autônoma e automação logística ainda em estágio inicial, e o investimento em inteligência incorporada pode superar as expectativas.

  Comparação

  O caso-base usa 5,6x P/S 2026E, com base em ponderação de 50/50 da avaliação de 8,3x para pares de robótica humanoide e direção autônoma após desconto de 20% e da avaliação de 4,6x para pares de automação de logística e armazenagem.

  Riscos

  Expiração de períodos de lock-up, crescimento de pedidos mais fraco do que o esperado devido à geopolítica, investimento em inteligência incorporada maior do que o esperado e deterioração do sentimento em relação aos mercados de robótica ou IA.

• Lingyi iTech (002600.SZ)

  O relatório classifica a empresa como UW e concentra-se em sua padronização de componentes-chave de robótica e negócios relacionados a hardware de IA.

  Pontos fortes

  Espera-se que a padronização de módulos de bateria e articulações reduza custos duplicados de projeto e desenvolvimento em 10–20%, enquanto a simplificação estrutural poderia reduzir ainda mais os custos de fabricação em 10–15%.

  Pontos fracos

  O crescimento e a qualificação de clientes para novos negócios, como infraestrutura de IA, smartphones dobráveis, óculos de IA e XR, permanecem incertos.

  Comparação

  O relatório usa um modelo de renda residual em múltiplos estágios consistente com sua estrutura de cobertura de hardware tecnológico, assumindo custo de capital próprio de 11%, taxa de crescimento de médio prazo de 16% e taxa de crescimento perpétuo de 5%.

  Riscos

  Aceleração de infraestrutura de IA ou qualificação de clientes mais lenta do que o esperado, demanda fraca por smartphones e telas dobráveis e atrasos em óculos de IA, XR ou outros novos negócios.

• OneRobotics (6600.HK)

  O relatório lista a empresa como NC e a usa como alvo de observação do setor para investimentos em modelos, dados e poder computacional de inteligência incorporada.

  Pontos fortes

  A empresa visa uma CAGR de receita de aproximadamente 50% de 2026 a 2028 e possui aproximadamente 1.000 recursos computacionais equivalentes a H100.

  Pontos fracos

  O relatório observa que dados do mesmo cenário podem se tornar rapidamente redundantes após várias horas, tornando a diversidade dos dados e a eficiência de utilização mais importantes do que simplesmente aumentar horas.

  Comparação

  Sua escala de computação está dentro da faixa de mil aceleradores descrita no relatório para diversas empresas líderes de inteligência incorporada.

• UBTECH (9880.HK)

  O relatório lista a empresa como NC e a vê como um importante alvo de observação para implantação de robôs humanoides industriais, transferência de modelos, dados e desenvolvimento de chips de borda.

  Pontos fortes

  A empresa garantiu compras repetidas da Foxconn, visa aproximadamente 10.000 unidades em 2026 e 20.000–40.000 unidades em 2027, e planeja obter aproximadamente 1 milhão de horas de dados utilizáveis.

  Pontos fracos

  A despaletização atualmente alcança 60–80% do tempo de ciclo de produção exigido, deixando uma lacuna antes que a mão de obra possa ser totalmente substituída. Aproximadamente 1 milhão de horas de dados utilizáveis podem exigir aproximadamente 4 milhões de horas de dados brutos.

  Comparação

  As entregas industriais concentram-se principalmente em casos de uso semiestruturados, como despaletização e movimentação de materiais, consistentes com a trajetória de implantação inicial descrita no relatório.

  Riscos

  Clientes industriais podem exigir compensação quando robôs causam paralisação de linhas de produção, ampliando as perdas econômicas decorrentes de confiabilidade insuficiente.

• Leader Harmonious Drive Systems (688017.SS)

  O relatório classifica a empresa como OW e a lista como uma empresa líder preferida de componentes de robótica.

  Pontos fortes

  O relatório acredita que, uma vez iniciada a implantação, confiabilidade, consistência, rendimento, escala de produção em massa e controle de custos elevarão as barreiras para fornecedores de componentes, beneficiando líderes do setor.

  Comparação

  A empresa está incluída entre os nomes de componentes preferidos do relatório, ao lado de Hengli Hydraulic e Shuanghuan Driveline.

• Hengli Hydraulic (601100.SS)

  O relatório classifica a empresa como OW e a lista como uma empresa líder preferida de componentes de robótica.

  Pontos fortes

  Cenários de alta potenciais incluem demanda por escavadeiras, bombas e válvulas mais forte do que o esperado; entrada nas cadeias de suprimentos de mais marcas estrangeiras; e maior penetração de robôs humanoides e participação na cadeia de suprimentos.

  Pontos fracos

  O negócio de bombas e válvulas superou sua fase de hipercrescimento, e o relatório acredita que o pico de vendas domésticas neste ciclo pode ser mais fraco do que no ciclo anterior.

  Comparação

  O negócio de robótica não humanoide usa um P/E-alvo de 30x para 2027, abaixo do pico de aproximadamente 40–50x no ciclo anterior. O negócio de robótica humanoide usa um DCF com WACC de 11% e taxa de crescimento perpétuo de 4%.

• Shuanghuan Driveline (002472.SZ)

  O relatório classifica a empresa como OW e a lista como uma empresa líder preferida de componentes de robótica.

  Pontos fortes

  O relatório acredita que, à medida que o setor passa da certificação de produtos para a produção em massa confiável, fornecedores líderes de componentes com escala de fabricação, rendimento e capacidade de controle de custos estarão melhor posicionados.

  Comparação

  A empresa está incluída entre os nomes preferidos do relatório, ao lado de Leader Harmonious Drive Systems e Hengli Hydraulic.

Dados principais

• Número Médio de Clientes por IntegradorDezenasAcima de aproximadamente 10 no início de 2026, mas clientes individuais geralmente ainda implantam apenas dezenas de robôs.
• Capacidades Logísticas da GalaxeaAproximadamente 10.000 SKUs; 70–80% da velocidade humanaPode lidar com objetos desconhecidos em fulfillment, classificação, manuseio de caixas, separação e embalagem.
• Produtividade de Despaletização da UBTECH60–80% do tempo de ciclo de produção exigidoAs entregas industriais em 2026 se concentram principalmente em despaletização e movimentação de materiais.
• Remessas e Crescimento da Mech-MindAproximadamente 10.000 sistemas em 2025; aproximadamente +70% de crescimento de receita YoY no 1T26O crescimento de pedidos foi semelhante no primeiro semestre de 2026.
• Meta de Robôs Quadrúpedes de Nível Industrial da Deep RoboticsAproximadamente 10.000 unidades em 2026Em comparação com aproximadamente 3.000 unidades em 2025; cresceu mais de 100% YoY no primeiro semestre de 2026.
• Metas de Remessas das Principais EmpresasGeekplus: 10.000 unidades cumulativas nos próximos três anos; UBTECH: aproximadamente 10.000 unidades em 2026 e 20.000–40.000 unidades em 2027Aproximadamente dois terços da meta da Geekplus compreendem robôs Gino e um terço estações de trabalho de braços robóticos.
• Faixas de Preço de Mãos DextraLigação: RMB3.000–6.000; acionamento direto: RMB20.000–50.000; acionamento por tendões: até RMB90.000–100.000Graus de liberdade mais altos e maior flexibilidade geralmente implicam maior custo, carga térmica e dificuldade de integração.
• Testes de Confiabilidade de Mãos DextraMais de 1 milhão de preensões em laboratório; operação contínua energizada mais longa abaixo de seis mesesA operação industrial contínua ainda enfrenta questões de calibração, precisão, superaquecimento e vida útil de componentes de transmissão.
• Ciclo de Adaptação a Novas TarefasReduzido dos históricos 6–12 meses para dezenas de horas de dados incrementais para tarefas simplesModelos fundamentais e pipelines de dados de ponta a ponta podem acelerar o desenvolvimento de modelos verticais e a transferência entre casos de uso.
• “Momento GPT” Esperado da Inteligência IncorporadaEm 18–24 meses, por volta de 2028Diversas empresas esperam esse prazo, mas o relatório considera o cronograma otimista.
• Diferenças nas Taxas de Utilização de DadosAproximadamente 80% para dados internos de teleoperação de alta qualidade; abaixo de 10% para dados egocêntricos terceirizados de baixo custoO rendimento de dados pode ser mais informativo do que horas brutas de dados.
• Meta de Dados da UBTECHAproximadamente 1 milhão de horas de dados utilizáveis em 2026Pode exigir aproximadamente 4 milhões de horas de dados brutos; atualmente aproximadamente 300.000 horas.
• Custos de Coleta de DadosDados egocêntricos terceirizados a partir de aproximadamente US$2/hora; dados multimodais de mãos de alta qualidade aproximadamente US$90–100/horaO valor pode migrar para desenho de tarefas, sincronização, controle de qualidade, limpeza e seleção vinculada ao modelo.
• Lacuna entre Chips de Treinamento Domésticos e EstrangeirosAproximadamente quatro chips domésticos equivalentes a um chip NvidiaEsta é uma estimativa da lacuna de desempenho fornecida por algumas empresas; os integradores ainda dependem principalmente de chips estrangeiros.
• Redução de Custos por Padronização de Módulos da Lingyi iTechRedução de 10–20% em custos duplicados de projeto e desenvolvimento; redução adicional de 10–15% nos custos de fabricaçãoDerivadas, respectivamente, da padronização de módulos-chave e da simplificação de estruturas complexas.
• Avaliação da Geekplus5,6x P/S 2026EBaseada em ponderação de 50/50 de uma avaliação de pares de 8,3x descontada em 20% e uma avaliação de 4,6x para pares de automação de logística e armazenagem.
• Premissas de Avaliação da Hengli Hydraulic30x P/E 2027 para o negócio não humanoide; WACC de 11% e crescimento perpétuo de 4% para o negócio humanoideOs métodos de avaliação por P/E-alvo e DCF são usados, respectivamente.

Impacto e implicações

O relatório acredita que as avaliações de valor no setor de robótica estão migrando de demonstrações de movimento e metas anunciadas de capacidade para a verificação de produtividade, compras repetidas, confiabilidade, feedback de dados em circuito fechado e economia unitária. Logística semiestruturada, movimentação industrial de materiais, inspeção e atualizações de automação convencional podem ganhar escala antes de robôs humanoides domésticos de uso geral. À medida que os clientes começarem a exigir compensação por paralisações de linhas de produção, a qualidade, consistência, rendimento, durabilidade e custo de produção em massa de robôs completos e componentes se tornarão barreiras mais elevadas. O relatório, portanto, favorece fornecedores líderes de componentes com capacidades confiáveis de produção em massa. A arquitetura de modelos e a computação de treinamento podem não constituir, de forma independente, vantagens competitivas duradouras; os direitos, a qualidade e a diversidade dos dados de implantação e a velocidade do feedback têm maior probabilidade de determinar a competitividade de longo prazo.

Riscos

• Clientes individuais geralmente ainda implantam apenas dezenas de robôs, deixando o setor longe da adoção em larga escala.
• A velocidade e a precisão em tarefas complexas ou de alta precisão continuam materialmente abaixo dos níveis humanos, e produtividade insuficiente pode atrasar a substituição de mão de obra.
• A confiabilidade operacional contínua de mãos dextras, sincronização de dados táteis, reutilização de dados entre arquiteturas, vida útil e custos de alto DoF ainda não atendem aos requisitos de aplicações industriais em escala.
• Dados de clientes no local podem não estar disponíveis para treinamento devido a requisitos de propriedade e segurança, limitando o feedback de implantação em circuito fechado.
• Permanece uma lacuna significativa de desempenho entre chips de treinamento domésticos e estrangeiros, e os integradores atualmente dependem principalmente de chips estrangeiros.
• Duração da bateria, restrições térmicas de articulações, desvio de calibração e falhas do sistema podem causar paralisações de linhas de produção, com as perdas econômicas resultantes potencialmente excedendo o valor do próprio robô.
• As questões de valor comercial, eficiência e segurança dos robôs humanoides domésticos levarão tempo para serem resolvidas.
• A Lingyi iTech enfrenta riscos de que a infraestrutura de IA e a qualificação de clientes avancem mais lentamente do que o esperado, a demanda por smartphones e telas dobráveis permaneça fraca, e novos negócios como óculos de IA e XR sofram atrasos.
• A Geekplus enfrenta riscos da expiração de períodos de lock-up, impactos geopolíticos nos pedidos, investimento em inteligência incorporada maior do que o esperado e deterioração do sentimento dos mercados de robótica e IA.

Pontos a observar

• Acompanhar se os volumes de implantação por cliente podem se expandir além de dezenas de unidades e se projetos de prova de conceito podem continuar se convertendo em compras repetidas.
• Monitorar produtividade de robôs, aceleração comercial e velocidade e precisão em tarefas complexas em cenários reais.
• Acompanhar se o tempo de adaptação a novas tarefas e a quantidade de dados necessária para cada nova tarefa continuam a cair.
• Verificar se taxas de sucesso zero-shot em tarefas desconhecidas podem alcançar 70–80% e se aproximar do desempenho de produção após pós-treinamento limitado.
• Observar se rendimento de dados, diversidade de cenários e feedback de implantação em circuito fechado podem converter conjuntos de dados na escala de milhões de horas em generalização mais forte.
• Acompanhar tempo de operação contínua, probabilidade de falha, desvio de calibração, tempo de recuperação, gestão térmica, duração da bateria e durabilidade do efetor final.
• Monitorar o progresso no teste de chips domésticos de treinamento e a potencial implantação do chip de borda dedicado da UBTECH para robôs humanoides nos próximos 2–3 anos.
• Acompanhar se as empresas conseguem cumprir suas metas de remessas, receita, capacidade, dados e computação para 2026–2028.