•
汽車巨頭殺入機器人賽道
當特斯拉將Autopilot演算法注入Optimus的“大腦”，廣汽GoMate用汽車電驅技術重構機器人關節，一場由車企主導的“造人”革命正在重塑全球產業格局。據摩根士丹利預測，到2030年全球人形機器人市場規模將突破千億元，其中，中國憑藉汽車產業鏈優勢，有望佔據半壁江山。
車企的跨界不僅是技術復用，更涉及人才遷徙與生態重構，這場從“四個輪子”到“兩條腿”的進化，不僅是技術跨界，更是一場關於人類生產方式的深刻重構。
1. 技術復用：從造車到“造人”的底層邏輯
車企跨界人形機器人並非偶然，其本質是工業化能力向智能化場景的系統性遷移。這種跨界背後，隱藏著技術復用、供應鏈共享和戰略重構的深層邏輯。
1.1 技術同源性的深度挖掘
智能汽車與人形機器人在感知、決策、執行三大核心環節的技術架構高度重疊。尤其是軟體層面，智能汽車領域積累的環境感知、路徑規劃、動態決策等演算法，可直接遷移至人形機器人開發。這種技術外溢效應，本質上是汽車產業在智能化處理程序中形成的“技術資產”向機器人領域的自然延伸。
2019年，特斯拉Autopilot團隊的工程師張宇（化名）被調往機器人Optimus項目，他發現Optimus的視覺方案几乎是Autopilot的“孿生兄弟”，甚至神經網路訓練資料都包含20%的汽車路測場景。張宇透露：“Optimus的視覺感知模組部分移植了ModelY的FSD演算法，僅用幾個月就完成環境建模能力驗證，其運動控制模組則大量復用了ModelY的底盤控制技術。”
在小鵬工廠的倉儲區，Iron機器人正分揀晶片級零件。操作台前，曾參與小鵬XNGP全場景導航系統開發的李工，正偵錯著攝影機參數：“我們移植了XNGP的視覺感知演算法，讓機器人能識別反光表面的零件編號，這在智能駕駛中叫‘強光抑制’，現在成了機器人的‘火眼金睛’。”
廣汽GoMate的力控系統，脫胎於新能源車電驅平台的扭矩分配演算法。廣汽的一位底盤控制專家表示：“我們把電動車電驅系統的扭矩分配演算法移植過來，讓機器人單腿站立時的平衡響應速度提升了50%，相當於給機械腿裝上了‘電子穩定程序’。”據悉，廣汽GoMate的力控系統開發周期比行業平均縮短9個月。
技術同源性讓車企能夠快速建構技術壁壘，甚至形成“汽車-機器人”雙向資料閉環——特斯拉Optimus每天在工廠產生的作業資料，可以反向最佳化其自動泊車演算法，甚至讓特斯拉的視覺感知模型迭代效率提升了40%；而小鵬汽車倉儲機器人產生的運算元據，也正在反哺其智能駕駛模擬系統的最佳化。
1.2 供應鏈的降維打擊
汽車產業的規模化優勢正在改寫機器人行業的成本規則。
常州某新能源車企的實驗室資料顯示，採用汽車級供應鏈的伺服電機成本僅為工業機器人同規格產品的63%，減速器採購價低至41%。
一位在汽車行業從業多年的採購經理表示：“以某種精密齒輪為例，作為機器人的核心部件，直接復用汽車電機減速器的沖壓模具，模具開發成本能直接節省800萬元。”
成本優勢不僅來自規模化生產，更源於汽車行業對零部件質量標準的嚴苛要求：車規級晶片失效率需低於百萬分之一（<1ppm），電池模組需通過1000小時高溫老化測試……
這些遠超消費電子領域的標準被原封不動地移植到機器人核心部件。特斯拉Optimus的大量齒輪復用Model3電機模具，單件成本下降82%；比亞迪將刀片電池模組堆疊演算法用於機器人關節設計，在縮小關節體積的同時，續航能力也得到提升；某新勢力車企的機器人關節軸承，採用與汽車輪轂軸承相同的全流程熱處理工藝，壽命達到20萬次循環，是傳統方案的2倍。
2. 入局路徑：自研、投資與生態競合
車企佈局機器人不僅是技術外溢的結果，更是應對產業周期的戰略選擇。當全球新能源汽車滲透率突破40%、傳統製造效率提升逼近天花板時，機器人成為打開第二增長曲線的關鍵。
摩根士丹利《Humanoid100》報告顯示，全球人形機器人產業鏈100家核心企業中，中國車企佔據3席（比亞迪、廣汽、小鵬），而特斯拉的機器人業務估值已超過其汽車業務的30%。這種佈局的背後，是對未來製造業話語權的爭奪——當機器人作業系統估值超過硬體製造商2.3倍時，車企的競爭優勢正從“機械臂數量”轉向“智能中台建構能力”。
車企的跨界策略呈現出顯著的差異化特徵，形成了“自研派”與“投資派”兩大陣營。特斯拉、小鵬、廣汽等企業選擇全端自研，試圖建構技術閉環；上汽、北汽、比亞迪則通過投資併購快速卡位，形成生態協同。
不同路徑背後是車企戰略目標的分化，反映出車企對技術成熟度與市場需求的差異化判斷。
2.1 全端自研派的激進實驗
特斯拉的Optimus項目是車企自研的典型樣本：
技術復用：2019年移植Autopilot視覺演算法，2021年匯入ModelY銲接技術，2023年整合Dojo超算訓練模型；
成本攻堅：通過復用汽車供應鏈，Optimus單機成本目標從初期的20萬美元壓降至2萬美元，計畫2026年實現10萬台/年的量產目標；
生態野心：馬斯克宣稱“Optimus未來價值將超過特斯拉汽車”，其本質是在建構“汽車-機器人-AI”三位一體的技術生態。
國內車企中，廣汽GoMate的研發路徑同樣激進：通過自研靈巧手等核心部件，將成本控制在市場同類產品的三分之一，並計畫2026年實現小批次生產。小鵬汽車則成立鵬行智能，建構300人研發團隊，其Iron機器人已在廣州工廠參與P7+車型生產。
然而，激進背後是真金白銀的投入，全端自研路徑需要承受高昂的試錯成本。特斯拉內部人士透露，Optimus項目累計投入已超35億美元，相當於2022年整個研發預算的四分之一。
2.2 資本運作的輕量化佈局
投資併購成為車企快速切入賽道的重要手段，也是更務實的選擇。
上汽集團通過旗下投資機構連續三次注資智元機器人、逐際動力，佈局減速器、伺服電機等核心部件。據智元機器人的一位高層透露，上汽投資團隊曾表示：“我們算過，投資你們比自建產線快18個月，還能規避30%的技術風險。”
這種輕量化佈局在北汽產投一位負責人的筆記本上寫得明明白白：投資銀河通用獲得力控感測器專利，入股帕西尼感知鎖定運動控制演算法，“就像當年佈局新能源三電系統，現在要卡位機器人‘新三電’——伺服電機、減速器、控製器。”
比亞迪的“自研+投資”雙輪驅動策略，透露出製造業巨頭的謹慎。機器人項目的一位核心員工表示：“自研團隊攻克核心演算法的同時，投資部同步掃描全球初創企業。”典型的做法是既投資智元機器人，又啟動“堯舜禹”機器人項目，形成技術冗餘。
但硬幣的另一面，是某新勢力車企的前車之鑑。2022年與海外機器人企業的聯合開發項目，因對方突然終止演算法授權而夭折。該企業前工程師透露："當時我們的產線都偵錯好了，最後只能看著進口裝置拆箱。"這段經歷也讓行業認識到：當投資變成單純的財務槓桿，核心技術的咽喉仍被他人緊握。
可見，單純的投資入局，雖降低了技術風險，但也面臨核心技術主導權讓渡的隱憂。
3. 人才遷徙：汽車人的第二戰場
汽車產業與機器人產業的人才流動，正在重構智能製造領域的人力資源版圖。
3.1 車企高管的創業衝鋒
汽車產業背景的創業者正在重塑機器人行業格局。
在北京中關村的創業大街，地平線前副總裁余軼南已實現從汽車行業高管到創業者的蛻變。
他於2024年創立的維他動力，種子輪即獲億元融資，核心團隊80%來自理想、小鵬等車企。
這樣的創業故事正在頻繁上演。
華為車BU前首席科學家陳亦倫創立的星海圖，專注於機器人路徑規劃演算法，其核心技術源自華為ADS自動駕駛系統的“擬人化決策”模型。
Momenta前量產負責人高繼揚的眾擎機器人，將視覺感知技術應用於工業機器人，其開發的分揀機器人已進入某主機廠的電池生產線，分揀精度達到毫米級——這得益於他在車企時積累的毫米波雷達與視覺融合演算法。
2023年以來，智能駕駛背景創業者成立的機器人公司超過50家，涵蓋硬體研發（如眾擎機器人）、演算法開發（如星海圖）、零部件供應（如安培龍科技）等細分領域。這些公司往往獲得車企戰略投資，如北汽產投投資銀河通用，小鵬汽車關聯基金注資有鹿機器人，形成“車企-創業公司”的共生關係。
《汽車商業評論》對這類創業者進行了畫像分析：
背景構成：78%來自智能駕駛/車聯網領域，15%來自汽車電子硬體，7%來自車企生產管理。
創業方向：43%聚焦運動控制演算法，29%專攻靈巧手硬體，18%開發具身智能大模型。
3.2 工程師的跨界逆襲
深圳某機器人公司的偵錯車間裡，前比亞迪三電工程師林浩（化名），正在校準機械臂的能量管理參數。這位曾經的電池管理專家，如今是機器人動力系統的核心開發者：“剛開始連減速器的傳動比都算錯，好在汽車電驅系統的控制邏輯是相通的。”他展示著自己開發的續航最佳化演算法，“我們把電動車的電池熱管理技術用過來，通過關節電機的餘熱回收，讓機器人續航提升了30%。”
獵聘網資料顯示，2023年汽車行業向機器人領域輸送的技術人才同比增長212%，其中35%流向人形機器人賽道。這些跨界工程師往往能實現技術的快速突破。
某汽車行業專家進入機器人行業後坦言：“智能汽車的域控製器開發經驗，可以直接應用於機器人運動控制系統，18個月完成行業平均3年的技術積累。將汽車電子架構中的功能安全機制應用於機器人控制系統，能夠讓故障響應時間縮短至50ms，達到車規級標準。”
這種轉型的驅動力不僅是技術相通性，更是職業發展紅利的吸引——具身智能領域頂尖人才的年薪已達百萬元級，且未來5年薪資增長空間超過300%。
3.3 車企的人才虹吸效應
特斯拉的招聘會上，“機器人運動控制專家”的展板前圍滿了求職者。招聘負責人透露，他們剛從波士頓動力挖來3名核心工程師，開出的年薪包含百萬期權。“我們需要既能理解汽車ESC系統，又懂雙足平衡演算法的‘雙棲人才’，這樣的人在市場上比晶片還稀缺。”
比亞迪2024年底啟動的“具身智能研究團隊”招聘，面向全球高校招募機器人方向碩博人才，崗位涉及仿生機構設計、動態步態規劃等前沿領域，年薪最高可達百萬，並提供新能源汽車技術平台的研發資源。
人才爭奪背後，是行業對複合型能力的極致需求——某獵頭公司統計顯示，既精通汽車電子架構，又掌握機器人運動控制的工程師，市場缺口已超過12萬人，且年薪普遍比汽車行業同崗位高出50%以上。
4. 產業重構：從供應鏈到價值分配的變革
車企的入局正在引發機器人產業鏈的深度重構，不僅體現在技術層面，更觸及商業模式的本質。
4.1 供應鏈的重組與升級
寧波某汽車線束供應商的產線上，技術主管趙工正在檢查機器人關節線束的彎折測試。“原本給新能源汽車設計的高壓線纜，現在要滿足80萬次彎折壽命。我們改良了矽膠絕緣材料，結果發現這種材料用在電動車充電樁上，壽命也提升了50%。”他指著生產線，“現在我們50%的產能轉向機器人線束，客戶甚至包括庫卡、ABB等國際巨頭。”
這種雙向技術流動已成常態。
蘇州某汽車感測器廠商將ADAS毫米波雷達微型化後，植入安防機器人，檢測精度提升至±2cm，這項改進隨後被應用於新一代自動泊車系統。
某汽車鋁合金壓鑄廠為機器人開發的輕量化關節殼體，採用了與汽車座椅骨架相同的真空壓鑄工藝，重量減輕20%的同時強度提升15%，同時反哺了新能源汽車的輕量化設計。
4.2 價值分配規則的重寫
汽車與機器人的產業聯動，讓製造業的價值鏈開始出現裂變效應。
小鵬工廠的伺服器機房裡，Iron機器人每天產生的大量作業資料正在即時上傳。“這些封包含上千種零部件的抓取姿態、幾百種工廠環境的動態避障場景，比汽車路測資料更複雜。”一位業務負責人透露，“我們計畫將資料打包成API服務，向第三方工廠提供裝置故障預測、物流路徑最佳化等解決方案——這可能比賣機器人硬體更賺錢。”
這種“資料即服務”的模式正在顛覆傳統邏輯。
特斯拉Optimus的運動控制資料已用於FSD演算法最佳化，使汽車在複雜路口的決策精準率提升3%；廣汽GoMate在廠區巡邏中採集的環境資料，可用於即時更新其車載高精地圖，減少了人工路測成本。
摩根士丹利預測，2030年機器人資料服務的利潤率將超過硬體銷售3倍，掌握資料閉環的車企將佔據價值鏈頂端。
4.3 標準制定的暗戰
車企正在將汽車行業的標準體系植入機器人領域。
深圳某機器人檢測中心，廣汽GoMate的關節電機正在進行IP68防水測試——這是汽車級的防水標準，遠超消費級機器人的IP54。檢測工程師介紹：“現在越來越多的客戶要求‘車規級標準’，某國產機器人品牌為了進入車企供應鏈，不得不將關節壽命從5萬次提升至8萬次，成本增加了20%。”
這種“車規級”標準的滲透，正在抬高行業准入門檻。某新入局者感嘆：“我們按工業標準設計的靈巧手，在車企的產線上連24小時連續作業都撐不住。”
某新勢力車企的倉儲機器人售價僅為市場均價的55%，卻實現了98.6%的定位精度，秘訣在於新能源汽車電池模組裝配工藝的數位化遷移；某傳統機器人企業為滿足車規級要求，重新設計了電機散熱方案，研發周期延長1年，但最終獲得了國內知名車企的定點訂單。
5. 未來挑戰：狂歡背後的產業理性
儘管前景廣闊，但車企的機器人戰略仍面臨多重現實挑戰。
5.1 成本的“卡脖子”壓力
首當其衝的是成本壓力。
當前Optimus的售價約14萬-21萬美元，遠超工業場景的成本承受能力。儘管特斯拉宣稱Optimus成本將壓至2萬美元，但內部檔案顯示：75%的精密減速器依賴日本進口，另外單台機器人的演算法訓練電費高達3800美元。
某車企高管坦言：“現在造機器人就像2015年造電動車——賣一台虧兩台，但不敢不跟。”
國內某機器人公司的量產車間裡，工程師們正在偵錯新一代減速器產線。項目負責人說道：“目前核心部件主要還是依賴進口，高精度減速器70%來自日本哈默納科，力矩電機50%來自瑞士ABB。我們正在聯合國內供應商開發替代方案，目標是將成本壓縮一半以上，但進展沒那麼快，至少要到2026年下半年。”
國產替代處理程序雖慢，但已有突破。某汽車零部件巨頭投資的減速器項目，採用了新能源汽車電機的齒輪加工工藝，精度達到ISO4級，正在接受廣汽、小鵬的裝車測試；比亞迪的“堯舜禹”機器人項目，自主開發的關節電機效率達到94%，接近國際一流水平。
5.2 技術遷移的邊界效應
人形機器人的類人感知能力不足，複雜環境下的動態平衡、觸覺反饋等尚未突破。當前機器人技術僅相當於智能駕駛的L2等級，距離L4級通用智能仍需5-10年。能源效率也是痛點，Optimus續航僅4小時，難以滿足全天候作業需求。
北京理工大學實驗顯示：汽車技術向機器人遷移時，在複雜決策環節效率衰減嚴重，轉化率甚至不足30%。
某自主品牌的仿生機器人項目停滯案例顯示，儘管完美復刻了汽車的ESC系統，但在雙足動態平衡控制上始終無法突破——這暴露出汽車與機器人在技術需求上的本質差異：前者追求特定場景的極致可靠性，後者需要通用場景的自適應能力。
行業正在探索破局之道。
小鵬與清華大學合作的觸覺反饋項目，將汽車座椅壓力感測器技術轉化為機器人的觸覺感知，使抓取玻璃製品的成功率從85%提升至99%；特斯拉將Dojo超算的訓練資料擴展至機器人場景，通過模擬10萬種極端工況，讓Optimus的動態平衡能力提升了50%。
5.3 組織文化的衝突與轉型
傳統車企的矩陣式管理與機器人研發所需的敏捷文化存在天然矛盾。
某國有車企機器人事業部員工王磊（化名）透露，其立項需經8個部門審批，而新勢力對手採用獨立公司運作，決策鏈條僅3個節點，直接導致同類產品開發周期相差14個月。這種衝突在傳統車企尤為明顯。
他無奈地搖頭，“我們的項目評審還在用汽車行業的APQP流程，而機器人研發需要快速試錯，上個月，一個關節電機的方案迭代，就因為流程太長耽誤了1個多月。”
某新勢力車企的機器人子公司採用扁平化管理，研發人員可直接向CEO匯報，項目決策周期壓縮至24小時，這種機制讓他們在動態平衡演算法上領先傳統車企18個月。
更深刻的矛盾在於績效考核體系——機器人研發需要容忍更高的失敗率，這與汽車行業“零缺陷”的質量文化形成衝突。
某機器人公司CTO在一場行業沙龍中表示：“我們每周都有‘失敗分享會’，允許工程師展示未成功的技術方案——這在傳統車企的質量體系裡，幾乎是不可想像的。”
上海一家新興的機器人公司，工程師們的績效考核表上有一項特殊指標：技術試錯貢獻度。團隊負責人解釋：“在汽車行業，項目失敗可能意味著職業危機；但在機器人領域，我們鼓勵工程師嘗試新技術，允許30%的項目試錯率。這種容錯文化在傳統車企是不被允許的，但是對於機器人行業來說，卻十分重要。”
該公司的陳工，之前是某大型車企的工程師，他對此深有感觸：“我去年主導的仿生關節項目最終失敗，但公司把我們積累的材料疲勞資料視為重要成果，這種考核機制讓我敢去挑戰行業難題。”
轉型並非一帆風順。某合資車企的機器人項目因沿用汽車行業的零缺陷標準，在關節電機耐久性測試中卡殼——過度追求10萬次無故障運行，導致研發周期延長6個月，成本增加40%。最終項目組不得不重新定義質量標準：在工業場景中允許0.5%的早期故障，通過快速更換模組來平衡可靠性與研發效率。
5.4 資本市場的理性審視
儘管人形機器人概念股在2025年漲幅超過300%，但產業實際成熟度仍存疑。某投行分析師指出：“當前行業存在顯著泡沫化風險，90%的初創企業尚未實現營收，而頭部企業的量產成本仍高於市場承受極限。”
商業化落地的節奏正在放緩。特斯拉Optimus的量產計畫三度延期，其2萬美元的成本目標至今未達，這為行業敲響警鐘。
商業化落地的不確定性加劇了行業風險。儘管高盛預測2035年全球人形機器人市場規模將達1540億美元，但當前需求集中在工業測試與科研領域，消費級市場尚未形成剛需。
不過，該分析師表示：“我們仍然看好車企背景的項目，有真實的應用場景和供應鏈支撐，比如某新勢力車企的機器人業務，已通過工廠內循環實現了5000台的小批次交付。而且廣汽GoMate已經實現了小批次生成，單價也相對有優勢，小鵬Iron通過內部場景驗證積累的技術參數，也正成為其對外輸出的重要競爭力。”
6. 結語：一場關於能力重定義的無限遊戲
汽車行業的“造人”運動，本質上是一場從交通工具製造商向智能生態建構者的重大轉變，是在智能時代重新定義自身的能力邊界——那些成功將汽車製造DNA注入機器人研發的企業，正在建構跨維度的競爭優勢；而仍在觀望的玩家，或將錯失定義下一代智能硬體的入場券。
這場轉變的深層邏輯，是汽車產業在智能化處理程序中形成的技術資產、供應鏈能力、資料積累，正在向機器人領域進行系統性遷移。這種遷移不是簡單的跨界，而是基於技術同源性的產業升維。當汽車企業將自動駕駛演算法轉化為機器人的“大腦”，將動力電池技術轉化為機器人的“心臟”，一個由智能汽車、人形機器人、智慧城市組成的新生態正在崛起。
那些曾經在汽車智能化浪潮中衝鋒的企業和人才，正在用行動回答一個終極命題：當交通工具的能力邊界被打破，當工業製造與AI演算法開始共振，人類究竟能創造出怎樣的智能新物種？這場關於能力重定義的無限遊戲，才剛剛拉開序幕。 (汽車商業評論)