2025年汽车行业投资策略：同源性优势明显，机器人打开车企成长空间

汽车供应链是人形机器人发展天然土壤

1.1、 算法：机器人大脑与自动驾驶算法高度同源

1.1.1、 自动驾驶算法发展——规则走向神经网络，端到端迈向认知智能

纵观自动驾驶发展历史，我们看到智驾的算法经历了明确的发展路径。最早期 自动驾驶通常采用传统计算机视觉算法来识别障碍物，多个摄像头的识别结果通过 后融合来形成综合感知结果，识别准确度差，经常被一些基础问题所困；2021 年起 特斯拉连续召开多次 AI DAY，推出 BEV+Transformer 以及 Occ 占用网络，几乎将感 知问题解决，行业迎来快速发展期，采用上述算法的玩家通常可解决智驾的“能用”； 但彼时感知之外，规控仍然采用规则为主的方案，驾驶行为死板，面对复杂多变的 城市道路，通常只能在特定道路或者路况运行；时间来到 2023 年，特斯拉再次引领 潮流，推出端到端自动驾驶算法，实现了感知到控制的信息无损传递，全局优化， 真正实现了智驾“好用”。这一思路在 2024 年被国内玩家广泛采纳，全国都能开成 为智驾头部玩家的入场券。此后伴随大语言模型的发展，玩家发现智驾并非只是需 要“会开车”，还需要理解道路状况，在面对如文字标牌、潮汐车道等场景时，单纯 的端到端显得力不从心；理想汽车在 2024 年首次推出端到端+VLM 算法，跻身智驾 第一梯队，随后 2025 年推出 VLA 算法，而我们看到同样进入 2025 年，大家从单纯 通过端到端训练“系统 1”逐步开始利用强大的多模态模型构建算法的“系统 2”能 力，同时将模仿学习和强化学习结合，通过世界模型构建虚拟环境，来让智驾突破 极限。近期特斯拉的 FSD 已大幅放松驾驶员监控，会根据路况提示驾驶员关注前方， 实质上开始迈向类 L3 功能。 纵观智驾的发展历史，总体上算法经历了规则主导到模型主导，从模块化到端 到端，从单纯探索系统 1 的能力逐步延伸到探索系统 1 和系统 2 相结合。相应的对 场景的适应性越来越强。对应的智驾能力也越来越完善。

1.1.2、 机器人算法发展——从规则驱动到数据驱动再到认知驱动

回顾机器人的发展历史，也经历了相似的发展路径。早期的工业机器人通常采 用 PID 等控制算法，来实现对机械臂的控制，这类算法需要预编程，之后机械臂会 按照人类给与的流程来执行相应的动作。随后本田等公司推出 ASIMO 等双足机器人， 基于数学模型的算法逐步出现，这类算法核心是对机器人平衡的控制，出现了零力 矩点（ZMP）+线性倒立摆（LIPM）等数学建模的方式来保障机器人平衡，实质上 是一种基于纯规则的算法方案，复杂且调整困难，同时灵活度差，ASIMO 机器人最 终昙花一现逐步淡出视野。随后随着机器人身体自由度的增加，模型预测控制（MPC） +全身动力学控制（WBC）涌现，波士顿动力依靠液压驱动的 Atlas 一度引领潮流， 但该算法本身的泛化性仍然不足，对复杂环境的适应性差。进入新时代，神经网络 快速发展，模仿学习和强化学习成为训练机器人算法的新范式，对机器狗等产品， 构建虚拟环境进行强化学习成为了训练其完成移动的普遍方式，而对操作类的任务 和人形机器人而言，模仿学习成为主要训练方法，采用遥操作或者动捕，机器人可 以完美复刻人类复杂的动作和行为。同时伴随大模型的发展，VLA 等算法更是让机 器人成为了具备“大脑”的实体，可以自主和人交互，完成任务。 整体而言，我们看到机器人同样经历了从规则驱动到数据驱动再到认知驱动的 过程，模型的泛化性不断增强，能力也从简单的/规划好的行为逐步进化到复杂地形 穿越、完成简单任务等。

1.1.3、 自动驾驶和机器人算法实现交汇

机器人和自动驾驶在算法端，日渐走向相似的道路。行业基本收敛为多模态大 型端到端神经网络，以及 VLA 模型等。能力上尽量同时具备“系统 1”和“系统 2” 的快慢思考。因此两者在模型构建思路以及要解决的问题上日益重叠。具体算法而 言我们看到理想汽车、元戎启行等玩家选择了 VLA 的技术路线，另外还有智驾玩家 选择端到端+VLM 的方案；而机器人领域无论 Physical Intelligence 还是 Figure 也积 极开拓 VLA 以及具有快慢思考的算法，特斯拉则采用了大的多模态模型，同时也加 入推理能力。机器人和智驾在算法端实现交汇。

1.1.4、 自动驾驶和机器人在数据基建方面高度复用

数据基建方面，机器人和汽车自动驾驶两者高度复用。我们知道自动驾驶算法 的开发不是灵光乍现一蹴而就，而是领先的技术方案和缜密的工程化开发相结合， 海量的算力以及领先的模型开发技术是基础，同时需要结合自动化的数据闭环体系， 数据收集、自动标注、仿真、验证缺一不可。近年更涌现出世界模型等新兴技术来 构建虚拟环境，以便算法在其中进行不断试错强化训练，进而达到最优效果。而这 样的数据基建体系对机器人而言同样适用，以仿真为例，我们看到理想已经依靠世 界模型对其智驾算法强化训练，机器人领域英伟达 IssacLab 同样可为机器人提供服 务物理世界规律的仿真世界，方便机器人训练。特斯拉在其最新的分享中也介绍了 将同样的生成式模型只切换数据进而实现对车和机器人的训练。因此两者复用度和 同源性高。我们相信当机器人真正迈向实用，工程化能力重要性也将日益凸显，因 为实用场景中稳定性、可靠性等亦是关键元素。

1.2、 电子电器架构和热管理：两者诸多场景值得借鉴

电子电气架构方面，汽车行业基本形成集中式方案，并逐步向中央计算平台演 进；由于汽车执行器的种类非常多，因此不同领域通常通过一个域控制器来管理； 机器人系统通常需要实现语音交互、语义理解、动作执行等。因此其控制单元也包 含 GPU 以及 MCU、CPU 等，同时由于机器人也涉及感知-决策-执行链路，在电子 电气架构上，两者具有充足可借鉴性。而在热管理领域，汽车已经发展多年，形成 完备解决方案，而机器人则仍被散热问题所困扰，两者亦有诸多可借鉴的地方。

1.3、 供应链玩家：汽车与机器人零部件高度协同

1.3.1、 人形机器人涉及零部件众多，产业链玩家百花齐放

人形机器人涉及多种精密零部件，如决定运动性能与可靠性的旋转/直线执行器、 灵巧手等三大执行器，以及丝杠、减速器、电机、传感器、轴承、编码器/控制器/ 芯片等高壁垒、高精度零部件。同时由于零部件种类繁多，产业链较长，而我国拥 有完善供应链和量产能力，在量产阶段具备优势，全球产业普遍选择在中国布局供 应链。

1.3.2、 汽车制造与机器人研发存在天然的同源性，汽车产业链迎发展新机遇

汽车零部件企业具备“规模降本+质量管控”的体系化优势，零部件企业前瞻布 局机器人产业。汽车与机器人行业存在众多共同的供应商，这意味着汽车产业的部 分供应链可以直接应用于人形机器人的开发，由技术同源性驱动产业协同创新。凭 借强大的研发实力、制造能力以及丰富的量产经验，车企在人形机器人的研发和制 造过程中具有显著的先发优势。汽车零部件企业具备精密加工设备的规模化应用经 验，可快速实现机器人零部件研发制造迭代；同时车企布局人形机器人时，具有稳 固且成熟的合作纽带的汽车零部件企业有望优先受益，相关零部件企业有望切入新 赛道实现二次增长。

汽车产业历经数十年发展，已形成成熟的供应链体系和大规模量产能力。汽车 与机器人零部件有较大重合度，尤其在传感器、芯片、动力系统等核心领域高度重 合。车端成熟的规模化制造能力直接支撑机器人降本与量产，推动零部件企业从“零 件级”走向“系统级”。激光雷达、传感器、动力电池、高强度轻量化材料等已在汽 车企业大规模批量应用，高质量、低价格的零部件将快速、大幅度降低机器人生产 成本。

1.4、 应用场景：汽车工厂或为首批落地应用场景

1.4.1、 从工业机器人到人形机器人：汽车制造的下一代生产力

工业机器人发展成熟，但可适配场景相对局限。工业机器人在焊接、喷涂等结 构化场景中渗透率高，但功能单一、柔性差，无法适应非标准化、动态变化的作业 环境（如总装、故障排查），无法满足新能源汽车“多车型、小批量”的柔性生产需 求，成为自动化深化的瓶颈。人形机器人成为柔性制造与协同作业的新载体。人形 机器人的类人形态使其能直接使用人类工具、适应现有流水线，实现从“固定工位” 到“全流程灵活作业”的跨越，通过通用性+环境适应性，填补装配、检测、维护等 非标环节的自动化空白。鉴于此，人形机器人是车企实现全流程自动化闭环、构筑 智能制造能力的核心抓手。

1.4.2、 汽车工厂是机器人产业化落地的确定性前沿

需求端刚性驱动：人形机器人成为对冲劳动力成本上行、保障稳定生产的有效 选择。机器人直接替代重复性劳动岗位，优化人力成本结构，提升产能利用率与资 产周转率。供给端高度适配：汽车产业作为高端制造标杆，其标准化、流程化的产 线为机器人提供天然的渗透土壤。机器人在焊接、喷涂等关键环节超越人工极限， 降低作业风险。产业升级牵引：新能源汽车竞争深化，倒逼车企通过自动化升级追 求极致生产效率与产品一致性，构筑成本与品控优势。机器人赋能汽车现代化产业 制造，适应新能源汽车“多车型、小批量”的定制化生产趋势。

1.4.3、 多家机器人厂商与汽车企业达成应用合作，在汽车工厂中进行测试和应用

2024 年 Figure AI 与宝马达成商业合作协议，将通用型人形机器人引入汽车生产 线。特斯拉 Optimus 机器人在美国弗里蒙特工厂测试电池包分解、车身焊接及物料 搬运。优必选与多家车企合作，2024 年 2 月，其 Walker S 系列机器人率先进入蔚 来第二先进制造基地总装车间，实现全球首例人形机器人与人类协同完成汽车装配 及质检作业；同年 5 月与东风柳汽签署战略合作，2025 年上半年批量部署 20 台 Walker S1，承担安全带检测、油液加注、车身质检等 12 类任务，依托群体智能技 术实现多机协同分拣与装配，填补高温高危岗位缺口。2025 年 10 月，上汽大众与德 国顶尖机器人企业 Neura Robotics 签署战略合作谅解备忘录，双方将联合开展探索 性项目，在汽车制造领域开发并部署认知机器人系统，以此提升智能工厂的生产效 率与灵活性。

特斯拉引领，车企积极布局人形机器人领域

2.1、 特斯拉 Optimus：引领行业的技术标杆与量产野心

2.1.1、 迭代时间线与关键里程碑

特斯拉在人形机器人领域的布局，集中体现了其将“第一性原理”从汽车制造 延伸至机器人开发的战略思路。从 2021 年“AI 日”上略显青涩的舞者亮相，到如今 即将面世的第三代 Optimus Gen3（V3），特斯拉在短短四年间完成了令人瞩目的技 术跃进，将人形机器人研发推入了“精细化+拟人化”的新阶段。 特斯拉技术迭代路径清晰，目标明确。第一代 Optimus 主要验证了基础的运动 与平衡能力；第二代在环境感知与任务执行通用性上取得突破；而即将发布的第三 代，则聚焦于实现接近人类的灵巧操作与复杂环境下的自主决策能力。这一迭代历 程，映射出特斯拉从“能动”到“能干”，再到“巧干”的技术深化路线。目前看来， 即将到来的 Gen3（V3）应该已经达到了量产机的标准，硬件成熟度与运动/精细操 作能力都相对较为完备。

2.1.2、 Gen3（V3）双线突破更新，核心改变集中于“脑”与“手”

在软件层面，特斯拉专为端侧推理设计的 AI5 芯片成为了 Gen3（V3）的“最 强大脑”。其性能据称为前一代的 40 倍，这意味着 Optimus Gen3（V3）能够在本地 实时处理更庞大的视觉、触觉数据流，运行更复杂的神经网络模型，进行更快速的 运动规划与决策，减少对云端计算的依赖，从而提升响应的实时性与可靠性。这标 志着人形机器人的“智能”正在从集中式走向分布式，从“联网思考”迈向“自主 思考”。此外，FSD 的 AI 技术可以被迁移到 Optimus 上，Grok 也将用于 Optimus 的 语音识别功能。 在硬件层面，灵巧手的设计是 Gen3（V3）拟人化的关键。其单手拥有 22 个以 上自由度（22-DoF，我们预计最终方案会是 23-25DoF 单手），在关节数量、运动范 围与力度控制上已接近甚至媲美人类手掌。部分手部执行器将被后置到前臂上，这 是模仿人类的手，因为控制人类手部的肌肉主要位于前臂。Gen3（V3）的每条手臂 至少会有约 26 个执行器，使得其与人类的灵活程度相当。这意味着 Gen3（V3）能 够精准执行诸如握持不同形状的工具、操作精密仪器、完成穿针引线等高度精细化 的任务。手的灵巧化是人形机器人得以进入制造业装配、家庭服务、医疗辅助等广 阔场景的基础，特斯拉在灵巧手处的突破具有里程碑意义。

2.1.3、 依托汽车行业高端量产能力，加速人形机器人商业化普及

汽车产线向机器人产线复制，量产规划雄心彰显行业蓝图。特斯拉并未将 Optimus 停留在实验室概念。公司已明确计划于 2026 年第一季度（2-3 月）展示具备 量产意图的 Gen3（V3）原型机，并着手规划建设年产百万台级别的生产线，V4 将 会生产 1000 万台，V5 可能会生产 5000 万到 1 亿台。这一激进的时间表与规模目标， 远超外界早期预期，凸显了特斯拉意图将人形机器人打造为继电动汽车之后的又一 核心支柱产业。 Optimus Gen2 几乎不可能量产，特斯拉对 Optimus Gen3（V3）的设计进行了彻 底地改进，增加功能的同时使其适于量产。特斯拉 CEO Elon Musk 曾多次预测，人 形机器人未来的市场需求可能远超汽车，Optimus 可能会成为“史上最伟大的产品”， 特斯拉不同于其他美国汽车公司，它具备现实世界人工智能的要素以及卓越的电气/ 机械工程/规模生产的能力，而由于人形机器人领域供应链尚未成熟，如果想要每年 生产 100 万台 Optimus 甚至更多，其制造面临巨大挑战。这需要高度垂直整合并深 入供应链，Optimus 工程团队大多来自汽车部门，为规模量产提供了先天优势。特斯 拉的垂直整合能力、规模化制造经验与成本控制之道，将从汽车工厂复制到机器人 生产线，有望大幅降低人形机器人的硬件成本，加速其商业化普及。

2.2、 中国车企群雄并起：多元策略竞逐新赛道

在特斯拉的示范效应与未来产业前景的吸引下，中国车企迅速反应，纷纷以不 同策略切入人形机器人赛道。截至目前，已有小鹏、小米、广汽、奇瑞、比亚迪、 上汽、蔚来、理想等 13 家整车企业明确入局，形成了百花齐放、各有侧重的竞争格 局。它们的参与并非偶然，而是基于自身技术积累与战略考量作出的必然选择。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）