作者：Zen，PANews
如果把今天全球具身智能产业的版图摊开，会发现车企几乎无处不在。
自己下场造机器人的，有Tesla的Optimus、小鹏的IRON，以及手握Boston Dynamics的现代汽车；给机器人提供第一批真实工作岗位的，又是宝马、奔驰这些汽车制造商；就连机器人公司的股东名单里同样频繁出现汽车产业资本：奔驰直接投资Apptronik，智元背后则站着比亚迪、上汽等车企。
也就是说，在今天的具身智能行业里，无论是造机器人、训练机器人、购买机器人，还是给机器人公司掏钱，汽车产业都是绕不开的一股力量。
而这周发生的两件事，又把这种关系推到了一个新的阶段。
8月24日，小鹏机器人业务完成首轮超过9亿美元融资，投后估值超过63亿美元，一举刷新中国具身智能行业单轮私募融资纪录。紧接着，现代汽车又在8月26日的CEO Investor Day上把机器人路线图讲得比许多机器人创业公司还完整。
机器人正在从实验室里的技术产品，变成需要规模生产、长期训练、寻找工作岗位，并最终被企业采购和融资的工业商品。而一旦竞争进入这个阶段，汽车行业过去几十年建立起来的庞大体系开始突然显现出价值。
机器人开始量产后，比赛进入汽车工业的主场
汽车和人形机器人都属于极其复杂的机电产品，而且它们有一个很重要的共同点： 软件的重要性不断上升，但最终都必须通过物理机器兑现结果。
汽车的软件和控制系统最终对应的是刹车、转向和车身运动；机器人模型输出的动作最终也会变成关节运动、抓取和实际操作。精度的偏差不会永远停留在一个看似漂亮的基准测试中，它最后可能变成撞坏的零件、停止的产线乃至安全事故。
因此，当机器人真正走向量产，评价标准也会随之改变。几次成功的奔跑、抓取和搬运，只能证明“它能够做到”；工业生产真正关心的，则是 同样的动作能不能重复成千上万次，并且始终保持足够的精度、可靠性和一致性。
宝马与Figure的工厂测试，就某种程度上已经显示出了人们对参与实际工业生产的机器人的要求和期许。Figure 02在BMW美国Spartanburg工厂连续运行约10个月，工作内容是拿取并放置用于焊接的钣金件。期间机器人累计工作约1250小时、搬运超过9万个零部件，参与3万多辆BMW X3生产。宝马特别强调称，这一工序要求机器人达到毫米级定位精度。
能够完成一次毫米级操作只是技术能力，在数万个零部件的连续作业中仍然保持稳定，才开始接近工业产品的考题。
而车企能够迁移给机器人的，也远不只是几个现成的零部件供应商。汽车工业数十年积累的是一整套将复杂产品从设计图纸推向大规模生产的方法：可制造性设计、供应商管理、零部件标准化、质量控制、耐久测试，以及围绕产线节拍、维修效率和产品追溯建立起来的生产体系。
现代对旗下Boston Dynamics机器人进行的生产规划，就是一个典型案例。在今年CES展会期间，现代汽车集团已经把旗下企业在机器人产业链中的分工摊开：现代汽车和起亚提供制造基础设施、工艺控制和大规模生产数据；现代摩比斯负责高性能执行器，并利用汽车零部件设计和量产经验推动关键部件标准化和可制造性优化；现代Glovis则负责物流和供应链。
最新一代Atlas的设计变化，则把这种“汽车工业思维”体现得更加具体。为了面向规模量产，Boston Dynamics将此前超过50种不同电机对应的执行机构大幅标准化，最终归并为三种核心类型，同时加入可现场更换的肢体和自动换电能力。
这些改动没有多少科幻色彩，却直接关系到机器人能不能真正成为商品。产品一旦进入万台级规模，每增加一种专用零件，都意味着新的采购、库存、质检、维修和供应链风险；每缩短一次维修时间，则意味着更高的设备利用率和更低的客户运营成本。当规模从几十台扩大到几万台，零部件标准化、良率和维修效率带来的价值，会被成倍放大。
因此，如果说具身智能的首轮竞争是谁能把机器人做出来，那么下一轮竞争很可能是谁能把机器人稳定地量产，而这正是汽车工业最擅长的游戏。
自动驾驶不只留下算法，更是一整套Physical AI基础设施
通过制造能力解决机器人的“身体”之后，下一道更重要、也更昂贵的命题，是如何让它的“大脑”持续迭代。
在这一点上，智能汽车行业过去十年的投入，给部分车企留下了一笔相当丰厚的“遗产”。
自动驾驶的发展实际上迫使Tesla、小鹏、现代等企业提前建设了一整套现实世界AI基础设施：车辆负责采集真实环境数据，云端筛选有价值的数据和失败案例，训练集进入算力集群，模型经过训练和验证后重新部署到车辆，再由车辆继续产生新的数据。
现实世界、数据、模型、部署，然后重新回到现实世界，这套循环同样是Physical AI赖以迭代的核心机制，也是车企进入具身智能最大的技术优势。
现代最新公布的路线图把这种投入展示得相当完整。Atria AI将在今年开始采集韩国真实道路数据，现代计划2028年在与英伟达合作的首款量产SDV上部署L2+系统，并从2029年启用一座100MW AI数据中心，规划容纳超过5万张GPU。现代集团此前还宣布，将投入超过5亿美元用于AI基础设施和人才，并与Google DeepMind、NVIDIA等建立Physical AI相关合作。
这些资产虽然最初大多只服务汽车工业，但它们并不存在一个“只能训练汽车”的围墙。高性能计算集群、数据工程平台、仿真工具、模型部署系统、边缘计算能力以及OTA体系，本质上都是训练和运营Physical AI所需要的通用基础设施。机器人业务加入之后，相当于在一座已经建好的AI工厂里增加了一条新产品线。
小鹏的路线更加直接，其已将VLA 2.0、Robotaxi和IRON统一纳入Physical AI框架。此次机器人融资中，模型研发本身就是资金用途之一。而小鹏对自身优势的描述也包括端侧AI芯片、Physical AI基础模型、训练算力以及高质量数据闭环。
这也解释了为什么近几年一批智能车企进入机器人行业，并不能简单理解成寻找“第二增长曲线”。
对于那些已经在自动驾驶上投入多年、搭建了大型AI团队和算力基础设施的企业来说，机器人提供了一种非常有诱惑力的可能：把过去只能控制四个轮子的Physical AI能力，扩展到拥有双手和双脚的机器上。
当然，这并不意味着车企进入机器人行业可以无缝迁移，只是相对从零开始的初创公司而言，这背后昂贵的数据与训练基础设施不需要再从零建设。
汽车企业更像是已经提前替自己支付了其中一部分入场费，但它们仍需要筹集数以亿计的资金，去建立数据、算力、训练工具和模型团队。
汽车工厂，正在成为机器人的“练级场”
有了身体，也有了训练“大脑”的基础设施，下一道难题随之而来：数据从哪里来？在这一点上，汽车企业手里的工厂开始变成另一张王牌。
严格来说，制造业企业都有工厂，富士康、亚马逊和大型物流企业同样会是具身智能极其重要的参与者。汽车工厂的特殊之处，在于它与前面的制造体系和Physical AI能力恰好连在了一起。
对今天尚未真正实现通用能力的人形机器人而言，汽车工厂的定位恰如其分——它比实验室复杂得多，却又没有家庭和商业街那么不可控。工人会移动，零部件存在差异，生产流程会发生变化，机器人需要识别环境并作出反应；与此同时，工位、物料、工作流程和评价指标又相对稳定。
更关键的是，汽车制造提供了大量高频重复任务。抓取、搬运、排序、装配、检测，每天可以重复几百乃至几千次。同一个动作成功还是失败、用了多长时间、是否需要人工接管、有没有影响生产节拍，都有明确结果。
因此，车企手里的工厂并不仅是一块“机器人应用场景”，它还是一台能够持续为机器人制造经验的机器。这也是Figure 02在BMW美国Spartanburg工厂修炼，智元也要与上汽合作，让机器人进场打工的原因。
现代为此专门建了一座训练场。今年6月，其Robot Metaplant Application Center（RMAC）已经在美国启用，并计划年底前把规模扩大十倍。RMAC模拟真实生产环境，让制造机器人先完成训练、数据采集、测试和验证，再进入正式生产线。现代设计的闭环是，机器人在Software-Defined Factory中的真实运行数据继续返回RMAC，用于重新训练和优化。
这就与很多机器人公司过去的开发模式存在明显差异。以前是在实验室里把能力练好，再出去寻找客户。现代这类车企正在尝试的是，把机器人研发、模拟训练、真实工厂和量产部署连成一个循环。机器人还没有成熟到足够卖给所有人的时候，集团自己先做第一批客户。
稳居汽车销量榜一的丰田，今年把这种优势直接写进了机器人战略。该公司称，其全球工厂每年生产约1000万辆汽车，拥有熟练工人和Toyota Production System，这些生产现场将成为机器人持续学习和改进的重要基础。丰田目前展示的场景，包括零部件运输、拣选以及医疗设备搬运。
这其实揭示了车企在具身智能行业一个非常特殊的位置，通常如果机器人不够成熟，普通客户会选择等等再买。但汽车集团可以先把机器人放进自己可控的工厂里工作，用内部需求换取部署规模，再用部署产生的数据继续改进产品。
具身智能早期存在某种死循环—— 没有客户就没有足够的真实数据，没有数据机器人就难以快速进步，而机器人不够成熟，客户又更不愿采购。而汽车企业拥有的工厂，恰好能够从这个循环中撕开一道口子。
当机器人开始成为一门“资产生意”
不过，即使机器人可以量产、模型不断进步、工厂部署也已经跑通，距离真正形成大规模市场仍然还有一道更现实的关卡：怎么卖出去？
这也是现代汽车本周投资人日上颇值得关注的一部分。现代汽车CEO José Muñoz没有只谈Atlas的技术路线，而是一路讲到了经销商和Hyundai Capital：现有Dealer网络未来可能承担机器人的分销和销售，集团金融部门则在研究相应的融资方案，租赁和分期付款都在潜在工具之列。
这意味着，现代已经开始把机器人当成一种需要被长期采购、融资和运营的工业资产来考虑。假设未来一台高性能机器人仍然价值数万美元，500台就是数千万美元资本开支。后续还涉及部署、维护、软件、零部件更换和停机损失。
对企业客户而言，影响采购决策的就不只是机器人能力本身，还包括融资成本、折旧周期、维修效率、软件收费方式以及残值如何计算。这些问题决定了机器人究竟只能停留在小规模试用，还是能够像叉车、服务器和其他工业设备一样进入企业的常规资本开支预算。
而汽车行业恰恰长期处理这套问题。全球销售网络、企业客户体系、贷款和融资租赁、维修网点、备件管理、资产残值和二手流通，本来就是一辆汽车离开工厂之后必须面对的完整生命周期。
现代现在正试图把这套体系复制到机器人上。按照集团此前公布的规划，机器人交付后还可以继续获得OTA软件更新、硬件维护与维修、远程监控等服务，并进一步以Robotics-as-a-Service方式提供完整解决方案。
这一层能力尤其容易被具身智能行业忽略。创业公司通常会花大量篇幅介绍模型、自由度和目标市场规模，很少有人会把“售后网点”和“设备融资”放在最耀眼的位置。但等到机器人真正开始一年卖几万台，这些东西突然就不再是配角。
小鹏汽车首席执行官何小鹏与IRON
小鹏已经开始向这个阶段迈进。IRON计划先进入小鹏门店和园区，再于2027年面向中国及海外的零售、服务等外部客户大规模交付。对于一家本身已经拥有制造基地、门店体系、海外渠道和企业合作资源的汽车公司来说，这条商业化道路显然要短于只有研发团队的机器人创业公司。
到这里，“车企进入机器人”已经不只是多开设一个机器人业务部门。 它们真正带进具身智能行业的，是过去围绕汽车建立起来的制造、渠道、服务、金融和资产管理体系。
当机器人开始从一台产品变成成千上万台需要融资、维护和持续运营的工业资产时，这套不依赖“AI”的能力，反而会越来越重要。
具身智能未必属于车企，但越来越绕不开汽车工业
当然，汽车公司拥有这些资源，并不意味着未来机器人行业一定会由汽车巨头统治。
BMW并没有必要自己成为Figure，Mercedes-Benz也可以与机器人创业公司合作。未来完全可能出现一批独立的机器人本体公司和基础模型公司，而汽车企业承担的角色更像大型客户、制造伙伴、数据场和商业化渠道。
但行业的竞争标准正在发生变化。早期具身智能最稀缺的是能跑起来的机器人，因此市场自然追逐运动控制、灵巧手和令人惊艳的Demo。等越来越多公司跨过这道门槛，稀缺的东西和关键点会逐渐后移，这些恰恰也是汽车工业最深的护城河。
现代的3万台产能规划、小鹏超过9亿美元的机器人融资，以及BMW、Toyota等汽车企业对生产线机器人不断加深的投入，背后其实指向同一件事情：具身智能正在从AI实验室的问题，越来越变成一项复杂的工业工程。
对于机器人行业来说，汽车公司也不一定就会成为最终赢家。但随着机器人竞赛不断向下一阶段递进，汽车工业已经悄悄把比赛带到了自己的主场。
