作者：Zen，PANews
把当前全球具身智能产业摊开来看，汽车企业几乎出现在每一个关键环节。
自己下场做机器人的，有 Tesla 的 Optimus、小鹏的 IRON，以及拥有 Boston Dynamics 的现代汽车。给机器人提供第一批真实工作岗位的，是宝马、奔驰等汽车制造商。再往股权结构里看，汽车产业资本同样频繁出现：奔驰直接投资了 Apptronik，智元背后则有比亚迪、上汽等车企。
从造机器人、训练机器人、采购机器人，到为机器人公司提供资金，汽车产业已经成为具身智能行业里绕不开的一股力量。
而本周接连发生的两件事，把这种关系又往前推了一步。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，刷新了中国具身智能行业单轮私募融资纪录。两天后，现代汽车又在 8 月 26 日的 CEO Investor Day 上，披露了一套比不少机器人创业公司还完整的机器人路线图。
这背后对应的是行业阶段的变化。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，并最终进入企业采购和融资流程的工业商品。竞争走到这里，汽车行业过去几十年建立起来的体系开始显出价值。
量产阶段到来后，比赛开始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。两者还有一个共同点：软件的重要性在持续上升，但结果最终都要由物理机器来兑现。
汽车的软件和控制系统，最后对应的是刹车、转向和车身运动；机器人模型输出的动作，最后则会落到关节运动、抓取和实际操作上。精度偏差不会一直停留在好看的基准测试里，它最终可能表现为零部件损坏、产线停摆，甚至安全事故。
所以，当机器人真正开始走向量产，评价标准也会改变。几次成功的奔跑、抓取和搬运，只能证明「它能做到」；工业生产真正关心的是，同样的动作能不能重复成千上万次，并且持续保持足够的精度、可靠性和一致性。
宝马与 Figure 的工厂测试，已经在一定程度上展示了工业场景对机器人的要求。Figure 02 在 BMW 美国 Spartanburg 工厂连续运行约 10 个月，负责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，参与了 3 万多辆 BMW X3 的生产。宝马特别强调，这一工序要求机器人达到毫米级定位精度。
完成一次毫米级操作，证明的是技术能力；在数万个零部件的连续作业中仍能保持稳定，才开始接近工业产品真正的考题。
而汽车企业能够迁移给机器人的，也不只是现成的零部件供应商。汽车工业数十年积累下来的，是一整套把复杂产品从设计图纸推向大规模生产的方法，包括可制造性设计、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 Boston Dynamics 机器人的生产规划，就是一个典型案例。今年 CES 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明确展开：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与可制造性优化；现代 Glovis 负责物流和供应链。
最新一代 Atlas 的设计变化，把这种汽车工业思维体现得更具体。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，最后归并为 3 种核心类型，同时加入可现场更换的肢体和自动换电能力。
这些调整并不强调科幻感，却直接关系到机器人能不能真正成为商品。产品一旦走向万台级规模，每增加一种专用零件，就意味着新的采购、库存、质检、维修和供应链风险；每缩短一次维修时间，则对应更高的设备利用率和更低的客户运营成本。规模从几十台扩大到几万台之后，零部件标准化、良率和维修效率带来的价值会被放大。
如果说具身智能第一轮竞争是谁先把机器人做出来，那么下一轮竞争，很可能是谁能把机器人稳定量产，而这正是汽车工业最擅长的领域。
自动驾驶留下的不只是算法，还有一整套 Physical AI 基础设施
解决了机器人的「身体」之后，下一道更重要、也更昂贵的题目，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厚实的基础设施资产。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，再由车辆持续生成新的数据。
现实世界、数据、模型、部署，然后再回到现实世界，这套循环同样是 Physical AI 持续迭代的核心机制，也是车企进入具身智能的一项重要技术优势。
现代最新公布的路线图，把这类投入展示得比较完整。Atria AI 将在今年开始采集韩国真实道路数据；现代计划在 2028 年于与英伟达合作的首款量产 SDV 上部署 L2+ 系统；从 2029 年起，还将启用一座 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。
这些资产最初大多服务汽车工业，但并不存在一道「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。
小鹏的路径更直接。其已将 VLA 2.0、Robotaxi 和 IRON 统一纳入 Physical AI 框架。这次机器人融资中，模型研发本身就是资金用途之一。小鹏对自身优势的描述，也包括端侧 AI 芯片、Physical AI 基础模型、训练算力和高质量数据闭环。
这也解释了，近几年一批智能车企进入机器人行业，不能简单理解为寻找「第二增长曲线」。对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，机器人提供的是另一种可能：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。只是相较于从零起步的创业公司，这背后昂贵的数据与训练基础设施，不需要从头再建。汽车企业更像是提前替自己支付了部分入场费，但仍需要继续筹集数以亿计的资金，去搭建数据、算力、训练工具和模型团队。
汽车工厂正在变成机器人的训练场
有了「身体」，也有了训练「大脑」的基础设施之后，下一道难题随之而来：数据从哪里来。这个环节里，汽车企业手中的工厂开始成为另一张王牌。
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的重要参与者。汽车工厂的特殊之处在于，它与前面的制造体系和 Physical AI 能力正好连在一起。
对今天尚未真正实现通用能力的人形机器人来说，汽车工厂的定位非常合适。它比实验室复杂得多，却又没有家庭和商业街那样不可控。工人会移动，零部件存在差异，生产流程也会变化，机器人需要识别环境并作出反应；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，汽车制造能提供大量高频重复任务。抓取、搬运、排序、装配、检测，每天可以重复几百次甚至上千次。同一个动作成功还是失败、耗时多久、是否需要人工接管、有没有影响生产节拍，都能得到明确反馈。
所以，车企手里的工厂不只是一块「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 工厂持续打磨能力，智元也要与上汽合作、让机器人进场工作的原因。
智元与上汽联合研发的「能仔 1 号」已经在上汽通用汽车奥特能超级工厂上岗。
现代则专门建设了一座训练场。今年 6 月，其 Robot Metaplant Application Center（RMAC）已经在美国启用，并计划在年底前把规模扩大 10 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。
这与很多机器人公司过去的开发模式存在明显差异。过去的路径往往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，今年也把这种优势直接写进了机器人战略。该公司表示，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、拣选和医疗设备搬运。
这揭示了车企在具身智能行业里的一个特殊位置。通常如果机器人还不够成熟，普通客户会选择继续观望；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，再用部署过程中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，机器人就很难快速进步；而机器人不够成熟，客户又更不愿采购。汽车企业拥有的工厂，恰好能从这个循环中撕开一道口子。
机器人开始成为一门资产生意
不过，即使机器人可以量产、模型持续进步、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口：怎么卖出去。
这也是现代汽车本周投资人日上颇受关注的一部分。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网络和 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对应的融资方案，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价值数万美元，那么 500 台就对应数千万美元的资本开支。后续还会涉及部署、维护、软件、零部件更换和停机损失。
对企业客户来说，影响采购决策的已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会停留在小规模试用，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。
而汽车行业长期处理的正是这套问题。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后必须面对的完整生命周期。
现代正在尝试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 的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。创业公司往往会花大量篇幅介绍模型、自由度和目标市场规模，很少有人把「售后网点」和「设备融资」放在最显眼的位置。但当机器人真正开始一年卖出数万台时，这些环节就不会再是配角。
小鹏汽车首席执行官何小鹏与 IRON 的规划，也显示公司正朝这一阶段推进。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，这条商业化路径显然比只有研发团队的机器人创业公司更短。
走到这里，「车企进入机器人」已经不只是多设立一个机器人业务部门。它们真正带入具身智能行业的，是围绕汽车长期建立起来的制造、渠道、服务、金融和资产管理体系。
当机器人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，这套并不依赖「AI」标签的能力，反而会变得越来越重要。
具身智能未必属于车企，但越来越离不开汽车工业
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主导。
BMW 没有必要自己成为 Figure，Mercedes-Benz 也可以继续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。
但行业的竞争标准确实正在变化。具身智能早期最稀缺的是能跑起来的机器人，所以市场追逐的是运动控制、灵巧手和令人惊艳的 Demo。随着越来越多公司跨过这道门槛，稀缺要素和关键环节会逐渐后移，而这些恰恰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持续加深的投入，背后共同指向一件事：具身智能正在从 AI 实验室里的问题，越来越变成一项复杂的工业工程。
对机器人行业来说，汽车公司未必会成为最后的赢家。但随着机器人竞赛不断进入下一阶段，汽车工业已经悄悄把比赛带到了自己的主场。