分析师报告：汽车制造业的具身智能

新兴技术研究 机构研究小组 物理人工智能在汽车制造中 乔纳森·格乌金克高级研究分析师，移动技术及供应链技术 jonathan.geurkink@pitchbook.com pbinstitutionalresearch@pitchbook.compbinstitutionalresearch@pitchbook.com PitchBook 是Morningstar公司，为从事私募市场业务的专业人士提供最全面、最准确和最难找到的数据。 发布于2026年3月30日 目录 要点1 人工智能正深入汽车制造与维护领域2 汽车制造市场面临压力4 生产力的机遇5 人工智能改造工厂车间9 前瞻性的丰富11 是人类还是非人类？ 重要结论 物理AI是汽车制造业的新竞争战场。 物理AI可能是应对“中国速度”的唯一可信回应。 VLA和世界模型正在汇聚成一个单一的物理人工智能堆栈。 •杰夫·贝索斯正在组建最全面的物理AI投资组合之外。关于NVIDIA。 • 当前的机器人选手正在赢得战争，但可能会输掉战役。 人工智能正在更深入地应用于汽车制造与维护。 人工智能正在成为汽车制造的基础技术，正在改变车辆的设计、组装和优化方式。现代工厂越来越多地依赖AI驱动的系统来完成计算机视觉质量检验、预测过程控制和自主机器人等任务。机器学习模型实时分析生产线上的传感器数据，以检测缺陷、调整公差并提高产量，而协作机器人（“协作机器人”）则利用感知和规划算法与人类操作员安全共事。这种集成实现了更高的精度、更少的浪费，以及能够适应新型车辆设计且无需大量重新配置的更灵活的制造系统。 在车间地板之外，AI在汽车维护中发挥着至关重要的作用，通过预测和基于状态的监控来实现。汽车和工业设备配备了众多传感器，生成包括温度、振动和性能指标的连续遥测数据流。基于时间序列分析和异常检测的AI模型利用这些数据预测部件故障，在故障发生之前。这使得制造商和车队运营商可以从被动维护转变为主动策略，减少停机时间，延长部件使用寿命，并降低整体运营成本。在联网汽车中，这些洞察甚至可以传输回制造商，以实现持续改进和远程诊断。 电子和软件内容在整车价值中的占比持续增长，而不仅仅是电动汽车（EV）。燃油喷射、排放控制、防抱死制动系统、变速箱、车舱气候控制系统以及众多其他子系统都需要电子传感器和控制系统，从而在车辆中配备多个电子控制单元，以及数英里长的线束以支持它们之间的通信。电动汽车和混合动力车在电动机和电池管理方面还增加了更多的组件、传感器和控制系统。 人工智能在制造业和维修领域的融合，也使得汽车系统的生命周期方法更加一体化。生产过程中收集的数据可以用来指导维护模型，而现场性能数据则反馈到设计和制造优化中。如数字孪生等技术——物理资产的虚拟表示——允许工程师在不中断实际操作的情况下模拟性能、诊断问题并测试更新。随着人工智能模型不断改进和扩展，预计它们将推动整个汽车价值链的自动化、弹性和智能化，从最初的组装到长期的服务和支持。 全球汽车行业正承受着前所未有的压力和紧张——特斯拉的崛起和应对气候变化而转向电动汽车的强制令让传统汽车制造商措手不及，现在整个行业正遭受高达700亿美元的减记投资。中国近年来的优势进一步加大了压力，新能源汽车（NEV，包括纯电动汽车和混合动力汽车）、数百个新品牌、庞大的产能（包括新的“黑工厂”），以生产超过5000万辆汽车来满足国内2500万辆的需求，导致出口激增，以及被称为“中国速度”的无与伦比的新车开发节奏。 同时，汽车制造商正面临压力，需要在软件和连接等新领域扩张，这些领域正日益成为软件定义的车辆、空中更新和改进，以及基于区域和中央控制的新汽车电子架构的关键区别。在这种情况下，许多人纷纷在运营领域的AI投资以及工厂车间的物理AI上寻找突破口，以期提高生产率并重获竞争优势。上文深入探讨了汽车制造、维护和相关供应链中AI的应用以及初创公司产生的重大影响。 汽车制造业市场面临压力 全球汽车制造业是地球上最大和最复杂的工业部门之一，在正常生产年份，每年大约生产8500万到9000万辆汽车。当考虑到汽车销售、零部件和组件时，该行业每年的收入估计为3万亿美元到4万亿美元，使其成为全球经济的基础。少数国家主导着生产，仅中国就占全球汽车产出的30%到35%，超越其他国家成为世界无可争议的制造领导者。德国、日本、美国、韩国和印度构成了顶级梯队，每个国家都维持着围绕其国内汽车制造商和庞大供应商网络的深厚工业生态系统。电动汽车的兴起正在改变产能建设的地点，中国积极领导——2024年全球电动汽车销量增长了25%，超过1700万辆，其中中国占1100万辆——而欧洲和北美传统汽车制造商正忙于以巨大成本改造传统设施。1 特斯拉从一家小众电动汽车初创公司发展到顶峰时期全球最有价值的汽车制造商，从根本上改变了全球汽车行业赖以建立的所有假设，其对现有制造商的影响既技术性、金融性，又文化性、存在性。在特斯拉之前，传统OEM企业的主流观点是电气化是一项合规性练习——一件需要慢慢管理、按照自己的时间表进行、同时保护其支撑成本结构和供应商关系的庞大利润来源的内燃机业务的事情。特斯拉通过证明消费者愿意为软件能力、空中更新和性能定义的电动汽车支付溢价，而非仅仅为了环境美德，破坏了这种自满，并确立了产品和技术标准，使传统OEM企业发现自己需要从零开始赶超。其财务后果是严重的：大众投入超过1000亿美元用于电气化，福特创建了专门的电动汽车部门并承担了数十亿美元的F-150 Lightning等车型损失，通用汽车放弃了其整个产品路线图，转向一个远比预期的更昂贵和复杂的电动汽车未来。 超越资本，特斯拉更深层次的颠覆是组织和哲学层面的——它证明了汽车公司可以被像软件公司一样运营，拥有敏捷的开发、快速的迭代、电池和芯片的垂直整合，以及直接面向消费者销售的模式，完全绕过了经销商网络，揭示了特许经销商体系的结构性过时。也许最具影响的是，特斯拉的成功为中国电动汽车制造商打开了大门，证明了市场论点：它验证了消费者对大规模软件定义电动汽车的胃口，创建了使电动汽车可行的全球充电和监管基础设施，并吸引了资本和工程人才，为更广泛的电动汽车产业播下了种子。 生态系统——包括那些后来将特斯拉自己的策略用于对抗西方既得利益者，以更低成本和更快的开发周期取胜的中国制造商，使得传统原始设备制造商（OEMs）陷入了一个尴尬境地：一边是被唤醒的颠覆者，另一边是更快觉醒的竞争者。 生产力机会 当考虑完整的供应链时，汽车制造的劳动力规模令人震惊。直接的汽车组装就业仅仅是可见的冰山一角：该行业涵盖了数以万计的一级、二级和三级供应商，生产从钢材冲压件和玻璃到半导体和软件等所有产品。截至2024年中，仅美国的汽车行业就雇佣了大约210万人，汽车和零部件制造业的就业人数达到110万——而美国只是全球就业人数的一小部分。2在全球范围内，这幅图景是宏伟的：行业估计表明，更广泛的汽车价值链——包括经销商、售后服务、物流和供应商层次——支持了超过5000万个工作岗位。截至2025年，直接汽车和汽车制造业在全球范围内雇佣了大约260万人，前五年平均每年增长率为1.1%。3工资因地区而异，差异极大，从德国和美国中西部的工会化程度高的装配工厂——熟练的流水线工人每小时可以赚得30至50美元——到墨西哥、东欧和东南亚的低成本制造中心，劳动力套利推动了数十年的投资。 汽车产业劳动力目前处于一个关键且动荡的转折点，这一转折点是由电气化、自动化和地缘政治动荡所驱动的。近42%的汽车行业工人担心，随着技术的进步，他们可能在两年内失去自己的角色，三分之二的汽车制造商预计明年将增加对流程自动化的投资，其中74%的人预计制造和IT岗位所需的技能将发生重大变化。4电动汽车转型对劳动力市场尤其具有破坏性，因为电动驱动系统比内燃机拥有更少的运动部件， 需要较少的组装劳动力，并消除了整个零部件制造类别。与此同时，对新技术的要求急剧增加——拥有电动汽车技术、电池制造和自动驾驶专业知识的工程师和技术人员，正在获得高额薪酬，公司面临软件开发者、数据分析师和网络安全专家的持续短缺——这导致了建设上一个世纪汽车与建设下一个世纪汽车所需劳动力之间的痛苦错配。贸易政策的不确定性进一步扰乱了全球供应链，大多数汽车制造商报告称这影响了他们的招聘计划，在已经深刻的技术转型之上又增加了一层宏观经济不稳定。 人工智能改造工厂车间 物理AI——视觉-语言-行动（VLA）模型、类人机器人、智能自动化的融合——有望成为自20世纪60年代和70年代工业机器人引入以来，汽车制造业就业市场最具颠覆性的力量，但有一个关键区别：早期的自动化浪潮消除了狭窄、重复的任务，而物理AI则威胁要取代人类保留的认知和适应性劳动。以前需要人类判断的任务——如视觉检查焊接处的细微缺陷、在车体中布置电线束、应对生产线上的错序部件——正是VLA驱动的机器人，如Figure AI的Helix或Physical Intelligence的π0正在训练执行的不规则、技巧密集型工作的类型。这对全球劳动力的影响是深远的：中国汽车供应链中的1700万工人、印度生态系统的800万工人、德国精密制造业心脏地带的180万工人，都面临着这样一个未来：部署AI训练机器人的边际成本持续下降，而其能力不断扩大。这并不意味着大规模失业是不可避免的——汽车史表明，新技术往往倾向于改变劳动力而不是纯粹消除它，从而对机器人技术人员、AI训练师、模拟工程师和车队运营经理产生需求——但过渡的时间表至关重要。如果物理AI按照行业预测的2025年至2030年的激进部署曲线成熟，那么调整的速度将快于大多数国家为劳动力再培训系统设计的速度，尤其是在汽车就业最近才成为进入中产阶级阶梯的新兴市场，如印度、印度尼西亚和墨西哥。 中国汽车制造商在过去十年中积累了一系列结构优势，这使得西方和日本的原始设备制造商（OEMs）通过传统手段难以竞争——劳动力成本较低、垂直整合的电池和电动汽车供应链、庞大的国内规模，以及政府的大力补贴，使得比亚迪、上汽集团和吉利等公司能够以利润率定价，这对在西方成本结构下运营的福特、大众或丰田来说将是毁灭性的。通过传统手段——协商降低工资、搬迁工厂或挤压供应商——来缩小这一差距在很大程度上已经耗尽。 一项策略和贸易关税，虽然提供了暂时的庇护，但并没有解决根本的竞争力差距。然而，物理AI代表了一种潜在的平衡器，正是因为它从根本上解决了成本结构问题：如果一家西方原始设备制造商能够部署类人机器人，并使用VLA动力自动化，大幅度压缩汽车组装的劳动力含量，那么地理工资套利——一直以来都偏向于中国和低成本制造中心——开始变得不那么重要。在德国或日本运行的宝马或丰田工厂，如果主要依靠GR00T或Helix等模型驱动的几乎完全自动化的生产线，理论上可以达到与武汉或重庆的密集人员工厂相媲美甚至更优的单位经济效益，同时还能享受到接近终端市场的便利、更强的知识产权保护以及更坚韧的供应链。这场竞赛并非没有风险——中国汽车制造商正在同时投资相同的物理AI技术，并且在机器人部署密度上已经领先——但对于面临来自中国电动汽车竞争的生存压力的传统原始设备制造商来说，将物理AI作为制造业转型平台的选择，可能与其说是一种战略选择，不如说是一种生存的必要。 如何与中国速度竞争 中国汽车制造商所构建的最被低估的优势不仅仅是成本，还有速度。比亚迪、理想汽车和蔚来汽车已经证明了将一辆汽车从概念到展台的周期缩短至18到24个月的能力，这大约是传统西方和日本老牌汽车制造商通常的4到5年开发周期的一半，而这个速度差异正变得与价格差距一样具有战略致命性。传统的开发流程——如粘土建模、实物原型、碰撞测试、法规验证、供应商工具准备——本质上是顺序的、劳动密集型的，正是这个流程开始被人工智能所颠覆。应用于汽车设计的生成式AI工具可以将成千上万的车身和动力系统配置的探索从几个月缩短到几天；基于物理的仿真平台，如英伟达Omniverse，可以用高保真度的虚拟验证取代大部分实物原型测试；