这是我写过的最深入的一份报告，关于一家非常令人兴奋的公司。
如果你阅读这篇文章，你将更深入地理解 Ouster 的所作所为、它如何融入 Physical AI，以及未来会是什么样子。
请收藏并分享这份报告。
没有付费墙。
尽情享受吧！
我在 Physical AI 第三层报告中已经简要介绍过 Ouster。
第三层是感知。
感知是 Physical AI 技术栈中机器观察、感知和理解周围世界的部分。机器人、无人机、自动驾驶汽车、工厂系统或智能路口必须先了解周围环境，才能做出有用的决策。Ouster 属于这一层，因为它通过激光雷达、摄像头、软件和智能基础设施产品，为机器提供更丰富的理解物理空间的方式。
但 Ouster 现在值得一份更深入的报告。
我相信 Ouster 正试图成为 Physical AI 领域更广泛的感知平台。
我们来稍微拆解一下。
Physical AI 是从屏幕内的 AI 向在现实世界中运行的 AI 的转变。机器必须看到世界，理解正在发生的事情，决定做什么，采取物理行动，然后从结果中学习。这个循环是整个 Physical AI 主题的基础。
Ouster 位于这个循环的前端。
它帮助机器感知世界。
它帮助机器理解世界。
然后，机器人、车辆、无人机或基础设施系统可以根据这种理解采取行动。
他们自己的 2026 年第一季度演示文稿现在将他们定位在 数字激光雷达、摄像头和 AI 计算 领域，覆盖 工业、机器人、汽车和智能基础设施。它还指出，Ouster 是 Physical AI 的基础端到端感知平台。
这是一个宏大的主张。
这份报告的目的就是判断这个主张是否可信。
为什么 Ouster 属于这里？
我想回答的第一个问题是，为什么 Ouster 在我的 Physical AI 篮子中。
在进行这项研究时，我寻找的是那些触及现实世界机器循环的公司。
- 感知
- 看见
- 理解
- 行动
- 学习
这个循环是区分智能机器和基础机器人的关键。
Ouster 显然处于这个循环的感知、看见和理解部分。
它通过销售机器实际用于感知其环境的硬件来参与其中：
- 激光雷达
- 摄像头
- AI 计算
- 传感器融合
- 感知软件
并且他们跨多个行业销售：
- 工业
- 机器人
- 汽车
- 智能基础设施
他们自称为“Physical AI 的端到端感知平台”。
这显然是拥有感知层的最直接的方式之一。直接性。这正是我想要的。而 Ouster 确实很直接。
当我阅读所有实际应用时，我得到的是：
- 仓库机器人需要避开人员
- 智能路口需要追踪车辆和行人
- 车辆需要构建 3D 模型
- 无人机需要空间意识
- 机器通常只需要知道物体在哪里
- 等等
这些都是 Ouster 试图解决的问题。
与我篮子里的其他一些名字不同，这不是未来的可能性。
今天已经在发生。他们在赚钱。
但很棒的是，整个 Physical AI 超级周期还处于早期。
我喜欢这种组合。今天有真实的收入。但超级周期仍然处于非常早期的阶段。
前面提到的所有应用都非常容易理解如何部署。但想想机器人的未来。我们甚至还没进入机器人领域的第一局。尤其是人形机器人或类似人形的服务。
我在这个介绍中要谈到的最后一点是他们的广度。我不太记得第一次听说 Ouster 是什么时候，但我知道我当时忽略了它。由于缺乏尽职调查，我一度认为它是一家与汽车周期紧密相关的激光雷达公司，而我很不喜欢投资汽车周期。而且我听到很多关于特斯拉将在没有激光雷达的情况下获胜的说法。我真的不太了解情况。
所以当我谈到广度时，我指的是几件事。
首先是 Ouster 触及的所有行业。
但其次，它们远不止是一个激光雷达故事。我们将在报告中进一步探讨，但快速概括一下，他们拥有：
- 立体摄像头
- 神经深度
- 机器人视觉
- AI 计算相邻领域
Physical AI 系统不会使用通用的传感器架构。不同的机器将使用不同的技术栈。这就是他们的广度所在。
本报告仅供教育和信息参考。它反映了我个人的研究过程、观点和对公开信息的解读。应将其视为一般的市场评论，而非个性化的投资建议、财务建议、法律建议、税务建议或买入、卖出、持有、做空或避免任何证券的建议。
Ouster 做什么
我们将在报告中详细探讨所有这些内容，这里只是让你提前了解。
1 - 激光雷达是基础。Ouster 销售帮助机器以 3D 方式测量世界的传感器。
2 - 他们还收购了 Stereolabs，将摄像头带入了故事中。这很棒，因为摄像头对于视觉上下文、机器人视觉和近距离操作非常重要。这是对 Ouster 所能提供产品的有意义的扩展。
3 - 然后是软件。Gemini 和 BlueCity 表明 Ouster 正在尝试将原始传感器数据转化为实际的客户成果。客户不希望只获得空间中的一百万个数据点，而是想要可操作的信息，比如一个人是否在限制区域内。这就是销售传感器和销售感知之间的区别。
4 - AI 计算帮助在机器附近处理所有这些数据。激光雷达提供 3D 结构，摄像头提供视觉上下文，软件解释数据。
传感器：激光雷达、摄像头、立体摄像头和雷达
机器感知世界的主要方式之间存在权衡。Physical AI 系统根据其需要执行的任务选择传感器。
摄像头、激光雷达、立体摄像头和雷达看待世界的方式不同。
让我们从摄像头开始，因为它们最容易理解。我们了解摄像头，对吧？它们提供视觉细节。它们可以看到颜色、标签、交通灯、标志、裂缝、人、包裹、纹理等等。这很好且有用，因为物理世界是为人类视觉设计的。
但普通摄像头看到的是平面图像。因此系统必须通过软件、运动、物体大小、透视或 AI 来估算深度。这可以工作得非常好，但它仍然是在估算距离，而不是直接测量距离。
激光雷达则不同。激光雷达发射激光脉冲并测量它们返回所需的时间。
这为机器提供了直接的 3D 距离。其特殊价值在于几何形状。激光雷达帮助机器理解物理空间中的形状、距离和位置。这就是为什么激光雷达在测绘、智能路口、工业自动化、港口、仓库、采矿、建筑以及其他机器需要确切知道物体位置的环境中变得特别有价值。
立体摄像头介于这两种想法之间。它们仍然是摄像头，但使用两个视图来估算深度。类似于人眼。
这就是收购 Stereolabs 的意义所在。通过这一补充，Ouster 现在也涉足了基于摄像头的深度感知。这很重要，因为一些机器人应用，尤其是机械臂或人形手，可能更关心近距离的视觉深度，而不是远距离的激光雷达。一个试图抓取物体的机器人可能不需要看到 500 米之外。它可能需要理解就在其夹爪正前方的物体。这是一个不同的感知问题。
然后是雷达。雷达使用无线电波。
它的主要优势在于运动和速度。它通常在雾、灰尘、雨、雪或能见度差的情况下工作得更好。代价是细节。雷达通常提供的物体细节少于激光雷达或摄像头。
综上所述，一旦我们理解没有单一传感器能解决所有 Physical AI 问题，Ouster 当前的战略就更有意义了。
他们从激光雷达开始，它提供直接的 3D 感知。
他们增加了立体摄像头，这对于机器人视觉、近距离深度和操作很有用。
然后 Gemini 和 BlueCity 增加了感知软件，帮助将原始传感器数据转化为对客户有用的东西。
这是关键点。Physical AI 系统不会使用一种通用的传感器架构。不同的机器将使用不同的技术栈。仓库机器人、智能路口、无人机、港口自动化系统、人形手、测绘车辆和采矿机器都有不同的感知需求。
因此，当你考虑 Ouster 的投资主题时，你不应该认为“激光雷达赢得一切”。
更好的主题是，机器需要感知，而 Ouster 正试图销售更多感知技术栈中的产品。
如果你喜欢这篇文章，请考虑收藏和分享！非常感谢。
特斯拉 / 激光雷达评论
我确实想解决一个常见的反对意见，每当人们谈论 Ouster 时我都会听到，无论这个论点是否合理。
特斯拉不使用激光雷达。那么为什么有人会在乎一家激光雷达公司呢？
我理解这个问题。特斯拉让摄像头优先的论点成为主流。其逻辑是摄像头便宜、可扩展，并且由一个庞大的车辆数据引擎支持。特斯拉控制着车辆、软件、计算、客户车队和更新周期。这给了它独特的优势。
所以是的，这个论点值得尊重。
但我也认为，很多人在这里走错了捷径。
特斯拉是一家公司、一种架构、一个用例。它专注于大众市场的乘用车。
Ouster 的机会远不止于此。我们谈论的是到目前为止我提到的所有 Physical AI 应用。这些系统与消费级乘用车有不同的经济性。
一个激光雷达传感器对于某个用例来说可能太贵或不必要，但在另一个用例中，相对于安全、正常运行时间、精度、自动化或任务性能的价值，它可能只是一笔小成本。
所以我认为更值得关注/探索的是，哪些物理系统迫切需要直接的 3D 测量，以至于愿意为此付费？
这就是 Ouster 的问题。
我还想引用 Ouster 关于激光雷达与摄像头在雨中驾驶的文章和视频。我不会只是复述文章，但我发现它很有用，因为它强化了不同传感器以不同方式失效的观点。
https://www.youtube.com/watch?v=7QQKaurQW0Q
在演示中，Ouster 认为其中等雨量条件下，其激光雷达的失真程度低于摄像头画面，原因是更大的光学孔径、更短的曝光时间和数字返回处理。但与此同时，他们也表示湿路面会降低激光雷达在路面上的探测范围，因为水会产生镜面反射。
激光雷达并不完美。摄像头并不完美。雷达也不完美。
每种传感器都有优点和缺点。这就是为什么传感器融合可以使整个系统更强大。
Ouster 不需要每辆乘用车都使用激光雷达。它需要足够多的、来自所有行业的 Physical AI 系统决定，直接的 3D 感知能够创造足够价值来证明成本的合理性。
这就是背景。Ouster 现在已经不仅仅是单一产品了。
对于这份报告，我将把业务分为三部分：核心数字激光雷达业务、Stereolabs 摄像头和机器人视觉业务，以及 Gemini/BlueCity 软件层。关键问题是，这些业务中，有多少已经在今天的收入中体现，有多少仍然只是平台的可能性。
之后，我将拆解他们的：
- 终端市场
- 制造、供应链和知识产权
- 财务状况
- 单位经济 + 利润率
- 盈利路径
- 竞争
- 估值 + 财务建模
我正在实时构建我的整个 Physical AI 投资组合。如果你想看到我正在投资哪些公司、它们的完整深度分析以及各自的权重，请点击这里：
核心数字激光雷达
这是 Ouster 最初的引擎。
这仍然是公司今天最被验证的部分。第一季度，他们出货了约 8,300 个激光雷达传感器，而摄像头传感器约为 4,300 个。因此，尽管他们在拓宽产品线，激光雷达仍然是核心硬件基础。
激光雷达为机器提供对世界的 3D 测量。
那面墙有多远？那个人在哪里？这条路的形状是什么？等等。
现在，“数字”部分是 Ouster 特有的关键点。
较旧的激光雷达系统更偏向模拟和复杂。部件繁多，光学对准复杂，硬件更昂贵，难以扩展。
Ouster 的观点是，他们使用更接近半导体的架构，结合了 VCSEL（发出光的微型激光器）、SPAD（非常敏感的探测器）和定制 SOC（处理信号并帮助将其转化为距离数据的芯片）。
再次强调，这个流程是：
- 传感器发出激光
- 光照射到物体上
- 部分光反射回来
- 探测器捕捉返回的光子
- 芯片测量时间
- 传感器计算距离
非常快速地重复这个过程，覆盖多个方向，你就得到了点云。
这是物理空间中测量点的云。每个点都表明“在这个距离和角度存在某物”。当你有足够多的点时，机器就能理解场景的形状。
这里有一个产品家族。
- OS0 更像是短距离 / 宽视野传感器
- OS1 是平衡的中端产品
- OS1 Max 是更远距离的产品
- O2Dome 是用于广域覆盖的穹顶式传感器
所以产品线基本上是为不同物理任务准备的不同的“眼睛”。
这是因为这些不同的 Physical AI 系统有不同的需求。
例如，采矿车辆不需要与人形手腕摄像头相同的传感器。
现在，Ouster 正在尝试使激光雷达更具可扩展性。过去，激光雷达的成本一直是个问题。功能强大，但价格昂贵。他们声称，通过使用更接近半导体的架构，他们可以降低成本、提高可靠性、缩小产品尺寸，并使制造过程随时间推移更具可扩展性。
Rev8：新产品周期
这是 Ouster 最新的激光雷达平台。它非常重要。
这绝不仅仅是产品周期的常规更新。
我们谈论的是：
- 更远的距离
- 更高的分辨率
- 原生色彩
- 更好的可制造性
- 更坚固耐用
- 与 Physical AI 更深的相关性
让我们从原生彩色激光雷达开始。
记住，传统激光雷达提供 3D 结构。摄像头为机器提供色彩和视觉上下文。通常，如果客户两者都需要，他们必须通过软件将它们结合起来。那么他们就需要考虑校准、时序、对齐和集成工作。
Rev8 旨在通过同时捕获 3D 数据和颜色上下文来简化这一过程。
那么这为什么重要呢？对于 Physical AI 来说，机器不仅需要知道物体在哪里。它还需要理解它正在看什么。颜色在这里增加了更多上下文。
现在我们还需要谈谈 L4 Ouster Silicon。
这是为 Rev8 提供动力的定制芯片。他们希望芯片不断改进，这有助于传感器随着时间的推移变得更好、更便宜、更具可扩展性。
Rev8 之所以重要，主要有几个原因：
- 这是当前的产品周期，客户现在正在评估的产品
- 它强化了 Physical AI 的故事，因为原生彩色 3D 数据对于机器人、测绘、智能基础设施、工业自动化、无人机和训练数据都很有用
- 这是平台主张必须开始自我证明的地方。如果 Rev8 帮助 Ouster 销售更多软件、集成感知、机器人工作流和多产品系统，那么这个故事就会变得更有说服力。
Rev8 客户证据
产品规格是一回事。但我们想知道这些是否真的在吸引客户。
这里有各种各样的标志，涵盖重型设备、机器人、无人机、测绘、工业自动化、自动驾驶和基础设施类市场。
这并不意味着已经产生收入。可能只是测试、原型、许可等。
但这确实告诉我们，相关 Physical AI 市场的客户至少正在接触这项技术。
Stereolabs
在这里，故事超越了纯粹的激光雷达。
Stereolabs 为 Ouster 带来了摄像头、机器人视觉、深度软件、AI 计算相邻领域以及一个开发者生态系统。
所以现在我们有了通过激光雷达实现的 3D 感知和通过摄像头实现的视觉深度。
这些摄像头更适合近距离的视觉理解。
机器人手臂、人形手或操控系统可能需要知道它正前方是什么。这是一个截然不同的感知问题。
这就引出了 ZED。
ZED 摄像头是立体摄像头，意味着它们使用两个摄像头视图来估算深度。类似于人眼。
他们最新的演示文稿特别强调了 ZED X NANO。
这是他们定位用于机器人和操控的小型摄像头产品。这张它安装在机械臂上的图片清晰地展示了其用例。
然后我们有神经深度。
这基本上意味着 AI 辅助的深度估算。摄像头捕获图像，软件帮助估算距离和形状。
这也与 Physical AI 训练数据相关联。这些机器人需要真实世界的例子。从不同角度、在不同光照条件下、在不同位置、不同杂乱程度下观察物体。立体摄像头可以帮助捕获这种视觉深度。
总而言之，Stereolabs 将 Ouster 的业务拓展到激光雷达之外，为 Ouster 提供了更清晰的机器人/操控角度，并对传感器争论进行了对冲。
Gemini 和 BlueCity
这是软件 / 智能基础设施部分。
到目前为止，我们已经讨论了收集物理世界所有信息的硬件。
现在我们必须讨论客户如何实际获取所有这些原始信息并使用它们。因为最终，客户不想只看一个 3D 点云。他们想要答案。
那是人吗？还是车辆？它在移动吗？有拥堵吗？等等。
这就是软件的用武之地。
Gemini 是更广泛的感知平台。
把它想象成一个层，它接收传感器数据并将其转化为物体检测、分类和跟踪。在这两张图片中，你可以看到软件正在检测人、多少人、他们在画面中停留了多长时间、他们的速度以及他们的位置。
BlueCity 则更具体。它是一个构建在该感知层之上的交通管理应用。
城市和交通机构可以在路口、道路、高速公路、路中横道和其他交通环境中使用它。
X 现在限制我在此处放置更多图片。因此，如果你想继续阅读并查看图片（它们很重要），请点击此处（Substack 上无付费墙）：
https://open.substack.com/pub/cruxcapitalgroup/p/oust-deep-dive-one-of-my-favorite?r=6so16n&utm_campaign=post&utm_medium=web&showWelcomeOnShare=true
城市采用这种方式的一些原因包括：使路口更安全、更有效地疏导交通、在事故发生前了解危险模式。他们还可以更有针对性地升级基础设施。
您还可以将这种实时数字交通流转化为数字孪生。
📷
因此，您不仅获得了一个可用于使交通信号更动态（例如，某个方向可能需要更长的绿灯时间）的实时信息流，还可以将其用于规划和模拟。我们在 Physical AI 主题的先前层中讨论过很多这方面内容。一旦城市拥有了路口的数字版本，它就可以测试各种变化。如果增加一条自行车道会怎样？改变信号配时呢？增加一个受保护的左转车道呢？数字孪生成为在真正物理改变之前理解路口变化的一种方式。
同样有趣的是，这可以更加“保护隐私”。
📷
起初我并不完全理解为什么这很重要，因为我只是假设我们在主要路口行走时总是被拍摄。但这允许城市在 3D 空间中追踪物体和运动，而不一定需要面部级别的图像。他们可以模糊处理。如果隐私问题会减缓大量摄像头的部署，这可能是桥梁。
终端市场
在本报告中，我们已经触及了他们的终端市场，但在这里我将清晰地列出它们。Ouster 定义了四个主要类别。每个类别下还有一些子类别。我将尽可能清晰地列出它们。
📷
客户究竟在哪里迫切需要 3D 感知并愿意为此付费？
工业
这是一个非常重要的近期类别。
仓库、港口、工厂、堆场、矿山、建筑工地、农场和重型设备。这些环境是物理的、混乱的，且对安全敏感。
仓库机器人需要避开工人和货架。
📷
港口自动化系统需要追踪集装箱、卡车、起重机和人员。
📷
采矿车辆需要在崎岖不平的地面、灰尘、黑暗和巨大设备中导航。
📷
这是一个强大的市场，因为客户想要空间感知，而不仅仅是图像。
Ouster 持续强调对这个终端市场非常重要的三个特性。
1 - 在所有光照条件下都有良好性能。
📷
2 - 坚固耐用，适应各种条件。
📷
3 - 高分辨率。
📷
你可以非常清晰地看到这些机器可能拥有的强大能力以及它们的各种用例。
从某些方面来看，工业市场比其他市场有更好的经济性。如果一个激光雷达传感器可以帮助防止停机、减轻劳动力压力、提高安全性或增加吞吐量，那么客户就可以证明这项资本支出的合理性。
这是一个今天就能产生实际收入的市场。
智能基础设施
这是我们刚刚介绍的 BlueCity / Gemini 类别。
我觉得我已经很好地介绍了它们，所以这里不再重复相同的内容。
但我想说的是，这不仅仅局限于道路和交叉路口。想想机场、校园、体育场馆、安全区域、零售空间、公共场馆等场所。这些地方需要在不完全依赖人工监控摄像头的情况下了解正在发生的事情。
任何需要追踪有多少人或物体、他们在那里停留了多长时间、分析你想要强化或降低其再次发生可能性的趋势等有用的区域，都可以应用这项技术。
数字孪生这个角度也非常重要。实际进行物理改造如果操作不当，可能会引发巨大的麻烦并造成高昂的成本。一旦你拥有了足够的数据，就可以模拟各种改造方案，并在实际部署前找出最有效的那一个。
部署实例
现在我们来看一些实际的部署案例。Ouster 表示，BlueCity 已有超过 700 份签约的路口和道路部署项目。
查塔努加市在经过 12 个月的试点后，将 BleuCity 扩展到了 120 多个路口。他们将其用于交通流量管理和安全事故检测/分析。
犹他州交通局为超过 100 个路口选择了 BluteCity。他们评估了六种激光雷达系统，其中五种满足最低要求，而 Ouster BlueCity 集成解决方案获得了最高的综合供应商评分。
佐治亚州交通局为亚特兰大周边新增的 30 多个路口选择了 BlueCity，其中包括世界杯前夕梅赛德斯-奔驰体育场附近的区域。很酷的应用案例，你可以看到其中的潜力。
还有更多的成功案例。关键在于，这些应用正在发生，并且他们正在取得成功。
安装与维护
这是其卖点的一部分。
城市不想每次升级一个传感器就进行大规模的道路施工。Ouster 表示，BlueCity 平均安装时间为 3-5 小时，可利用现有基础设施，无需安装悬臂、进行挖掘或封闭车道，无需复杂校准，并且维护成本低。这些传感器设计寿命为 250,000 小时 MTTF（平均无故障时间），并能适应各种环境的宽泛温度范围。
这些对于实际部署都至关重要。如果一个交通部门觉得部署过程痛苦或维护成本高昂，即使是最先进的产品也可能不会被选择。
安全
Ouster 有一个专门页面介绍其安全应用。
📷
我觉得这一点特别有意思。
📷
"现在可以检测到像无人机或从围栏外扔进来的盒子这样的小型漂浮物体。"在如今这个对无人机能力和威胁极为关注的时代，我可以想象，这将成为所有主要城市、港口、体育场馆等场所都会部署的应用案例。
他们花了大量篇幅讨论误报和态势感知能力。
📷
他们表示，激光雷达 + Gemini 可以构建一个 PIDS（周界入侵检测系统），并估计可以将烦人的警报率降低 95%。
安全团队不想要一连串的噪音警报。他们只想要真正的警报。如果系统不断被触发，操作人员就会失去对它的信任。
📷
有人明白这个梗吗？好了，这是我今天唯一的一个笑话。
Ouster 将 Gemini 定位为一种更准确地触发警报的方式。这就是其理念。
人群分析
机场、酒店、零售、交通枢纽、体育场馆、音乐场所。
排队管理、停留时间测量、用户旅程追踪、人员配置优化、保护隐私的分析。
这就是数字孪生理念可以再次发挥作用的地方。如果你想最大化机场效率以减少排队和等待时间，你需要足够的数据来在数字层面操控不同的因素，看看效果如何，然后再承担在现实世界中实施的风险。
机器人 / 无人机
现在才是正题！酷炫的东西。
这可能是人们想到物理 AI 时最容易联想到的、"主题性"最强的类别。但请记住，这不仅仅是人形机器人。
我们谈论的是：测绘、检测、SLAM（待会会讲到）、自主移动机器人、国防地面车辆、测绘无人机、有限空间无人机、农业/林业无人机，以及现在的 Stereolabs 风格的基于摄像头的机器人视觉。
SLAM。即同步定位与地图构建。
这意味着机器人同时在做两件事。它正在构建或更新周围环境的地图，同时也在确定自己在该地图中的位置。
📷
Ouster 自己的 SLAM 解释说明称，SLAM 帮助机器人估算其位置和姿态，同时创建地图，这正是自主机器人能够导航的原因。它举了吸尘器、最后一英里配送机器人、仓库机器人、矿井、火山隧道以及其他未知环境的例子。Ouster 还指出，基于激光雷达的 SLAM 使用传感器测得的距离和形状数据，比仅使用摄像头的方法更适合创建逼真的 3D 数字孪生地图。
这就是机器人客户使用激光雷达的实际原因。
测绘、勘测和检测
客户需要 3D 地图或 3D 检测模型。激光雷达可以直接创建 3D 数据。
📷
更高分辨率的传感器可以帮助手持测绘设备用更少的扫描次数收集有效数据；无人机检测受益于更轻的激光雷达和更远的探测距离；农业/工业检测则需要足够的细节来绘制和检测高价值资产，精度可达厘米级。
如果你正在检测一座桥梁、矿井、隧道、货船、下水道、公用设施或工业场地，你可能不需要人形机器人。你可能只需要一架搭载强大 3D 传感器的无人机或移动机器人。
减少进入危险区域的人员数量。
加快检测速度。
创建精确的 3D 模型。
减少停机时间。
降低检测成本。
机器人部署和 SLAM 地图
许多自主机器人在良好运行之前需要一张高质量的地图。这张地图可以由机器人、手持系统、背包或无人机创建。
📷
dConstruct 的案例研究很好地解释了这一点。dConstruct 在其名为 dASHPack 的轻型测绘背包中使用了 Ouster 数字激光雷达。该系统包括一个 OS1-32 激光雷达、一个 IMU（惯性测量单元）和四个 RGB（彩色）摄像头。它可以在 20 分钟或更短时间内创建超过 500 平方米的高清点云地图。Ouster 表示，结合 dASHPack / dASHXplorer 的工作流程，可以在大约 30 分钟内生成一张详细地图。然后，这些地图可用于部署自主机器人，例如清洁机器人、最后一英里配送机器人和检测机器人。
📷
国防地面机器人
让士兵远离危险的车辆或危险路线。就这么简单。
📷
Forterra 是 Ouster 的主要案例。Forterra 为国防领域开发基于地面的车辆自主系统。Ouster 表示，Forterra 的 AutoDrive 平台使用多个 Ouster OS 数字激光雷达传感器，再加上摄像头和雷达，以实现车辆周围的最大视野。这些环境正是感知技术面临挑战的地方：越野、GPS 信号弱、低光照、有雾、多尘、下雨、地形不熟悉、没有车道标记。
Ouster 表示，Forterra 已被选入四个现役美国国防部项目，已交付超过 100 辆车辆，累计运行 40 万英里，其技术正在超过十个国家的美国军事项目中运行。
这是一个激光雷达在非乘用车领域应用的绝佳例子。
用于农业、林业和雪地作业的无人机
好了，最后一个。我需要继续往下讲。但是有太多酷炫的应用案例了。
这部分稍显小众，但显示了其广泛性。
📷
Deep Forestry 开发了一款一键式自主勘测无人机，适用于密集、杂乱的环境，例如工业建筑、仓库、地下隧道以及农业/森林管理。关键在于，森林和农业环境杂乱、密集，很难手动绘制地图。
Microavia 是另一个小众例子。
📷
Ouster 表示，Microavia 使用预先编程的自主任务和自动充电无人机来监测滑雪胜地的雪分布，延长开放季节，并支持雪崩控制、检测和缓解。
这些目前都不是巨大的独立业务板块，但它们显示了为什么无人机市场远不止消费级和国防级应用。
还有在机械臂上的 Rev8 部署，我们之前已经讨论过了。
汽车
这个领域受到的关注可能超过了它应有的程度。
让我们把它分成几个部分。
- 消费级 ADAS（高级驾驶辅助系统）。天哪，我个人真的不太喜欢这个。但我想，如果真需要的时候，它能在那里也挺好。自适应巡航控制、车道保持、自动紧急制动等等。他们的论点是，激光雷达的直接 3D 测量可以改善远距离物体检测、小物体检测和整体感知能力。
📷
- 无人驾驶出租车队。
其对自主性的要求远高于消费级 ADAS。
"通过减少车辆停机时间，并为服务不足的社区和人群消除使用障碍，车队运营商能够以更具竞争力的价格提供更多出行服务。一键叫车服务的出现已经对酒后驾驶、疲劳驾驶和危险驾驶行为产生了显著影响。这将更上一层楼。"
📷
- 自动驾驶卡车运输
长途运输、场内卡车、采矿卡车、工程车辆。
"每三名卡车司机中就有一人在其职业生涯中会卷入一场严重事故。"哇，我没想到比例会这么高。
📷
- 班车和巴士。
固定路线。这使得自主驾驶比完全开放的乘用车驾驶更容易实现。
📷
制造、供应链和知识产权
Ouster 能否扩大规模并保护其业务？
首先是制造规模。他们的 10-K 报告称，他们设计的数字激光雷达技术适用于大批量制造，并且 Benchmark 和 Fabrinet（嘿，我们认识你们！）制造了其大部分产品。这应有助于降低产品成本，并随着需求增长而扩大生产规模。这很棒。它不需要拥有每一家工厂。利用你的大型制造合作伙伴来更快地扩大规模。
他们还将其宣传为"可扩展的全球履约模式"。
📷
因此，他们提供可扩展的外包制造服务，并在全球三个主要区域进行本地履约，目标是缩短交货周期并降低总成本。
然后就是我们之前谈到的可靠性方面。
📷
这些机器并不是在干净、安静的环境中使用的。因此，它们能够在真实、恶劣的环境中使用的理念，使其成为真正且成熟的产品。
现在是政府 / 基础设施采购角度。
这可能是 Ouster 在某些市场拥有的真正优势。
📷
Ouster 表示，其获得"购买美国货"和"购买美国货法案"认证的传感器有资格获得使用联邦资金和拨款的政府机构的采购。同一篇文章称，这些认证传感器被认为 100% 在美国制造，并且 100% 使用美国国内采购的材料。这并非适用于全球每一款 Ouster 传感器，但对于联邦资助的基础设施、公共交通、安全和公共部门部署来说，这一点至关重要。
国防领域也是如此。Ouster 表示，其 OS1 传感器已获得国防部批准用于无人驾驶航空系统，并被列入 Blue UAS 框架。
📷
他们将其描述为符合 NDAA 规定、供应链安全审查以及为美国政府机构及合作伙伴简化采购流程。它还表示，Ouster 技术已部署在美国陆军、美国海军、国家实验室、NASA 以及交通部资助的项目所使用的系统中。
这一点很重要，因为便宜的国产激光雷达可能凭借价格赢得一些商业市场。但在政府、国防、关键基础设施和联邦资助的交通领域，客户可能更关心值得信赖的供应链、合规性、网络安全和国内制造选项。
最后一部分是知识产权和防御能力。Ouster 表示，其知识产权涵盖数字和模拟产品及解决方案，包括软件、用于自主系统的实时 3D 视觉、制造工艺和校准方法。它还表示，它拥有专利、设计、版权、商标、商业秘密和其他权利，同时指出，没有任何一项专利或知识产权权利能够单独保护整个业务。
最后一点很重要。我认为护城河不是某一项特定的专利。更可能是所有不同部分的组合。比如定制芯片、数字激光雷达架构、坚固耐用的产品设计、软件等等。
财务状况
首先要理解的是，Ouster 已经是一家拥有实际收入的公司。在 2026 年第一季度，他们报告了约 4900 万美元的收入，同比增长 49%，共出货 12,600 多个传感器。其中包括 8,300 多个激光雷达传感器和 4,300 多个摄像头传感器。
📷
我们来分解一下。
- 产品收入很重要。第一季度的版税收入并不显著，管理层表示 2026 年全年版税收入应低于 500 万美元，且大部分在下半年。因此 Ouster 仍然是一个更纯粹的产品业务。
- 纯激光雷达业务同比增长约 44%。因此，传统的核心业务并未被 Stereolabs 所掩盖。激光雷达本身仍在强劲增长。
- 不过，Stereolabs 已经在做出贡献。第一季度 Stereolabs 贡献了约 7 周的收入，并且仍然出货了 4,300 个摄像头传感器。
- 智能基础设施和工业是当前的支柱。第一季度收入贡献排名第一和第二。
- BlueCity 已有 700 多个签约站点部署项目，涵盖路口、路段中间和高速公路。Gemini 获得了一个重要的客户续约，产生了数百万美元的收入，已部署在 550 多个站点，并使用了一个基于 400 多万个标记对象训练的模型。这些是最有力的证据，表明 Ouster 正试图从纯粹的传感器供应商转型为软件赋能的感知系统提供商。但我们仍然需要更多关于其中有多少是经常性软件收入、多少是硬件/项目收入的信息披露。
- Rev8 也是一个关于规模/成本的故事。Rev8 的设计目标是比 Rev7 更经济、更具可扩展性。管理层表示，OS1 Max 可能在某些领域获得较高的平均售价，但更广泛的 Rev8 升级不应破坏客户的经济效益。因此，它意味着更好的性能、更广泛的采用、更强的可扩展性，以及在特定高端应用场景中可能实现更高的定价。
- 盈利路径是可行的，但尚未完成。第一季度 GAAP 毛利率为 43%。调整后 EBITDA 亏损为 500 万美元。现金 / 受限现金 / 短期投资为 1.75 亿美元，无债务。第二季度收入指引为 4950 万美元至 5250 万美元。管理层的长期框架是收入增长 30%–50%，GAAP 毛利率 35%–40%，运营费用从 2025 年水平增长 5%–8%。
竞争 / 防御能力
还有其他公司能复制这些成果、以更低价格竞争或使产品价值降低吗？
Ouster 自己的 10-K 报告相当直白地指出了这些风险。他们表示，如果无法维持具有竞争力的平均售价、高产量或降低产品成本，收入和利润率可能会受到损害。因此，Ouster 告诉我们，硬件业务存在定价压力风险。他们还明确指出，他们与拥有更多资源的成熟公司、新进入者以及替代技术竞争，并且激光雷达本身的采用仍存在不确定性。
- Hesai 可能是最需要提及的直接激光雷达竞争对手。 Hesai 拥有非常广泛的激光雷达产品组合，涵盖 ADAS、无人驾驶出租车、无人驾驶卡车、机器人、仓储/物流、固定式应用和空间感知。其产品页面展示了远距离车载激光雷达、近距离固态激光雷达、迷你 360° 激光雷达、中距离激光雷达和高性能 360° 激光雷达。这涵盖了 Ouster 潜在市场的很大一部分。因此，我认为 Hesai 是价格和规模上的威胁。如果激光雷达变成大宗商品硬件市场，像 Hesai 这样的中国供应商可能会挤压利润率。但 Ouster 的防御优势在于西方供应链、合规性、软件、BlueCity/Gemini、Rev8 原生色彩以及工业/基础设施关系。
- RoboSense 也非常相关。 其网站列出了用于汽车的激光雷达、用于机器人的激光雷达，以及用于机器人运动和手眼协调的主动摄像头产品。这使其变得有趣，因为它部分反映了 Ouster 在收购 Stereolabs 后试图做的事情：激光雷达加机器人视觉。因此，RoboSense 不仅是价格竞争对手，更是战略竞争对手。Ouster 在说："我们正在成为激光雷达 + 摄像头 + 面向物理 AI 的感知软件。"而 RoboSense 也在向激光雷达加机器人感知领域推进。
- Aeva 的定位与 Ouster 不同。 Ouster 的 Rev8 是原生色彩的 3D 激光雷达。Aeva 的定位是 4D FMCW 激光雷达，这意味着它测量 3D 位置加速度。Aeva 的传感器赋予设备和车辆 3D 视野，同时还能检测周围物体的移动速度。这在高速自主驾驶、卡车运输、无人驾驶出租车和动态环境中最为重要。目前，Aeva 对 Ouster 的智能基础设施或工业业务构不成主要竞争威胁。但它是相关的，因为如果市场认定每个点的速度信息至关重要，那么 Aeva 拥有差异化的架构。Ouster = 3D + 原生色彩 + 坚固可扩展的数字激光雷达 + 软件。Aeva = 3D + 速度 / 4D 运动感知。Aeva 是另一个我有兴趣为我的物理 AI 投资组合进行投资的公司。
还有很多其他的竞争对手。
这实际上是四场战斗。
首先是激光雷达与激光雷达的竞争。Ouster 必须在探测距离、分辨率、可靠性、成本、尺寸、功率、功能安全性和可制造性方面与其他激光雷达公司竞争。
其次是激光雷达与其他传感架构的竞争。一些客户可能会选择摄像头、立体摄像头、雷达或更便宜的混合方案，而不是激光雷达。
第三是硬件与软件的价值获取。如果 Ouster 只销售传感器，客户或集成商可能会获取更多的软件和应用价值。Gemini 和 BlueCity 是 Ouster 向上游价值链移动的尝试。
第四是中国 / 成本压力。中国激光雷达供应商在成本上可能非常激进。Ouster 的防御不仅仅是"更好的规格"。它必须是数字架构、定制芯片、可靠性、合规性、软件、客户关系和西方供应链信任的综合体现。
Ouster 最大的优势在于它不只专注于一个市场。我们花了很多时间讨论他们的所有市场和用例。因此，Ouster 并不完全依赖于某一个乘用车车型周期或无人驾驶出租车项目。
第二个优势是数字激光雷达架构。他们的 10-K 报告称，数字产品使用 VCSEL、SPAD、片上信号处理、定制系统级芯片技术，以及围绕激光雷达-摄像头融合的专利。正如我提到的，Ouster 正试图让激光雷达更像半导体产品：更集成、更具可扩展性，更少依赖大量分立模拟元件。
另一个优势是 Rev8。这是可以帮助他们捍卫核心业务的产品。首款原生色彩激光雷达、L4 级芯片、OS1 Max、256 通道、远距离、高密度点云以及功能安全设计，都为 Ouster 提供了更强的产品故事。
然后是收购 Stereolabs 后的广度。Ouster 现在作为一家纯激光雷达公司的脆弱性降低了，因为 Stereolabs 为他们带来了立体摄像头、神经深度、机器人视觉和 AI 计算邻近性。如果一个机器人使用摄像头而非激光雷达进行操控，Ouster 仍然可以在该架构中拥有产品。
最后是软件 / 应用层面。Gemini 和 BlueCity 是最明确的证明。一个原始的激光雷达传感器比一个已安装的交通管理系统或感知工作流程更容易被替换。如果 Ouster 深入到路口、安防系统、人群分析、港口、仓库和机器人工作流程中，替换将变得更加困难。
估值框架
以每股约 42 美元计算，公司市值约为 27 亿美元。其 52 周高点是 51.50 美元。
问题在于，公司能否成长到享有溢价估值，然后随着市场开始不再将 Ouster 视为激光雷达硬件供应商，而是视为物理 AI 感知平台，进一步扩大这一估值。
对于 2026 年，我认为一个合理的基准情况是大约 2.2 亿至 2.35 亿美元的收入。这假设第一季度和第二季度并非偶然，Stereolabs 贡献全年收入，智能基础设施保持强劲，工业持续增长，Rev8 在下半年开始做出更有意义的贡献。
对于 2027 年，我会使用大约 3.4 亿至 3.8 亿美元的收入。这假设 Rev8 的采用率提升，BlueCity 持续扩展，Stereolabs 进一步整合，并且 Ouster 继续以远高于普通硬件增长率的速度复合增长。
对于 2028 年，如果物理 AI 周期持续扩大，并且 Ouster 继续执行，那么 5 亿美元或更多的基准情况并非不合理。此时模型开始变得更有趣得多，因为收入规模加上稳定的毛利率可以创造真正的运营杠杆。
盈利路径也变得清晰可见。
首席财务官的框架是：收入增长 30% 至 50%，GAAP 毛利率 35% 至 40%，以及可控的运营费用增长。如果 Ouster 的收入达到 3.4 亿至 3.8 亿美元，同时保持毛利率在 40% 左右，调整后的 EBITDA 盈利将变得更加现实。
这就是为什么 2027 年如此重要。市场已经在展望今天的亏损，并为这条路径买单。
看跌的情况仍然非常真实。如果 Rev8 的采用速度慢于预期，如果摄像头组合拉低了平均售价，如果软件收入仍然难以显现，如果中国激光雷达供应商施压定价，或者市场认定 Ouster 仍然主要是一家硬件公司，那么市盈率可能会迅速压缩。
在这种情况下，我会使用 12 个月看跌价格区间 30 至 38 美元。
这并非灾难性情景。更像是一种"公司没问题，但市盈率降温了"的情景。
我的 12 个月基准目标价更高：60 至 75 美元。
这假设 Ouster 继续打破人们对老式激光雷达公司的看法，Rev8 的采用变得更加可见，Stereolabs 继续为机器人故事添砖加瓦，BlueCity 的胜利保持强劲，并且市场继续奖励 OUST 作为更纯粹的上市物理 AI 感知投资标的之一。
我的 12 个月看涨目标价是 90 至 100 美元。
这需要 Rev8 的强劲爬坡，更多有命名的量产项目采用，更清晰的软件附加证据，持续的智能基础设施胜利，以及一个更愿意给予 Ouster 平台型公司溢价市盈率的市场。
对于 24 个月的框架，我会使用：
看跌情况：35 至 40 美元。
基准情况：100 至 120 美元。
看涨情况：140 至 160 美元。
24 个月基准情况假设 Ouster 接近或超过 5 亿美元收入，调整后的 EBITDA 已转正或明确处于正轨，并且市场不再争论这仅仅是一家激光雷达公司。在这种版本中，Ouster 成为少数几个能够通过公开市场投资于涵盖激光雷达、摄像头、智能基础设施、机器人、工业自动化和软件的物理 AI 感知领域的流动性标的之一。
24 个月看涨情况则假设更强劲的因素。Ouster 证明了 Rev8 不仅仅是一个更好的传感器，而是一个更大平台周期的开始。这意味着客户正在购买更多的技术栈。激光雷达、摄像头、AI 计算、Gemini、BlueCity 和软件开始以更集成化的业务形式出现。
此时，市盈率才能保持高位。
现在，他们必须继续赢得这份信任。
我最关注的四个方面是：收入增长、毛利率质量、软件附着力以及盈利进展。
如果这些方面共同改善，我认为基准目标价将显著高于当前股价。
如果收入增长，但业务看起来仍然主要是硬件，那么股票仍然可以上涨，但上行空间非常有限。
这就是估值的核心逻辑。
请记住，这些是我个人的财务建模情景，并非正式的目标价。
如果你喜欢这篇文章，请考虑订阅我的 Substack！在那里，我正在构建我完整的物理 AI 投资组合和研究。我将对所有这些相关公司进行同样深入的剖析。我也会密切关注这些公司，包括财报电话会议、演示、尝试与高管交流、压力测试投资逻辑等。
你可以点击我简介里的链接来订阅！
如果不行也没关系。请至少考虑分享这篇帖子！
财务披露与免责声明
在发布时，本人并未持有 Ouster 的股份。本人正在积极研究该公司，并可能在任何时候（包括发布后不久）根据估值、股价走势、投资组合构建、新信息、风险管理或论点变化等因素建立头寸。
本报告仅用于教育和信息目的。它反映了我个人的研究过程、观点以及对公开信息的解读。应将其视为一般的市场评论，而非个性化的投资建议、财务建议、法律建议、税务建议，或购买、出售、持有、做空或回避任何证券的建议。
本报告中的任何内容都不应被视为对 Ouster 或任何其他提及公司的完整分析。所讨论的公司可能带有重大风险，包括估值风险、稀释风险、客户集中度、产品延迟、竞争压力、利润率压力、供应链风险、关税风险、执行风险、收购整合风险、技术风险、监管风险以及股价波动。
我可能在任何时候，不经事先通知，对任何提及的公司进行买入、卖出、增持、减持、回避或改变我的看法。我的个人投资决策可能与本报告中表达的观点不同，并且随着新信息的出现，我的观点可能会发生变化。
本报告中讨论的任何财务数据、产品声明、客户关系、管理层评论、市场预测、估值范围或情景框架，均基于在撰写时被认为可靠的公开信息。然而，公司声明、预测、市场预期以及我自己的假设可能被证明是不准确或不完整的。未来结果可能与当前预期存在重大差异。
读者应自行进行尽职调查。在做出任何投资决策之前，请审查公司文件、财报电话会议记录、投资者演示文稿、资产负债表、竞争定位、估值、风险以及您自身的财务状况。如有需要，请考虑咨询合格的财务顾问、税务专业人士或法律顾问。
