新造车企业加码人形机器人：从样机到量产的关键挑战

新造车企业扎堆加码人形机器人已经算不上一件新鲜事。从特斯拉陆续放出Optimus的演示视频到国内几家新造车悄悄立项、公开招聘机器人岗位、甚至直接发布样机几乎每隔一阵子就会出现一波讨论热度。但讨论归讨论真正的问题一直摆在那里造车的人能不能顺利造出能赚钱的人形机器人我的判断没变过短期很难中期要拼供应链长期还得看软件和数据。这篇文章就把这个判断拆开聊重点讲清楚“造人”这件事里最容易低估的工程问题、量产瓶颈和商业陷阱。1. 新造车为什么集体盯上人形机器人1.1 汽车行业的天花板和机器人第二曲线先理解动机。整车制造是典型的重资产、长周期、强周期行业。新造车企业从交付第一辆车开始就要一直面对销量、毛利率、供应链、补能网络、智能化迭代这些事。做到一定规模之后增长放缓几乎是必然的因为汽车市场的总量虽然大但竞争者也多价格战一轮接一轮纯靠卖车赚钱越来越难。这时候人形机器人看起来像是一个很自然的“第二曲线”。它和汽车有相似之处需要机械结构、电机驱动、电池供电、传感器感知、算法决策也需要大规模制造能力来降低成本。更重要的是人形机器人的想象空间很大——如果真能在工厂、物流、家庭服务这些场景里用起来市场容量不亚于汽车。所以新造车加码机器人不是单纯追逐热点更多是想把已经积累的电机、电池、智驾算法、供应链管理和整机集成能力迁移到一个增量市场里。另一个原因也现实资本市场需要新故事。整车业务一旦进入稳定期估值逻辑就会从“高速增长”切换到“制造业利润”市盈率会被压得很低。机器人业务虽然短期不贡献利润但它能撑住“科技公司”的估值预期。所以从企业战略角度布局人形机器人几乎是必然选择。1.2 造车积累的能力确实能迁移一部分不能说新造车做机器人是完全跨界。至少有三个方向是明确的三电系统动力电池、电机、电控这是新能源汽车的核心人形机器人的关节电机、电池管理、热管理可以直接借鉴甚至部分零部件规格是共用的。智能化链路车端智驾涉及感知、融合、规划、控制人形机器人也需要环境感知、运动规划、操控策略底层的数据闭环方法论可以平移。供应链管理造车新势力都经历过从0到1搭建供应链的过程知道怎么选供应商、怎么管控质量、怎么降本。机器人同样依赖大量定制化零部件供应链能力是量产的前提。这也是为什么大家觉得“车企造人”比互联网公司更靠谱。至少它在硬件制造、品控和供应链上不是从零开始。1.3 但“造人”不等于“造车”跨界不是降维打击可一旦进入技术细节就会发现问题没那么简单。汽车是“载人运动工具”人形机器人是“与人共存的通用操作平台”。两者的核心矛盾完全不同。汽车跑在结构化道路上路面相对平整交通规则明确感知方案可以围绕道路、车辆、行人去做针对性优化。人形机器人要面对的却是非结构化环境家里有台阶、有门框、有插头工厂里有托盘、有料箱、有各种不规则工件甚至光照变化、地面湿滑都会造成影响。自主移动只是基础真正难的是灵巧操作也就是机械臂和灵巧手能不能稳定地抓取、插拔、装配、搬运。这些能力在车端智驾里并没有完整沉淀。车端算法再强也没必要去算“让五根手指以多大力度捏住一颗鸡蛋”。所以“造车的人做机器人”有优势但不是降维打击而是跨了一个维度。2. 从样机到量产车企“造人”要过五道硬关2.1 硬件关节、灵巧手、传感器不是换个供应商就行人形机器人的硬件难点集中在三个地方。第一是旋转关节和线性关节。机器人要像人一样走路、转身、下蹲每个关节都需要高功率密度电机、谐波减速器、力矩传感器和驱动器的紧密配合。关节数量一多整机重量、体积、散热和成本都会跟着涨。车用电驱系统虽然功率大但尺寸和重量要求完全不同不能直接搬过来。第二是灵巧手。手是人形机器人最复杂的执行器也是目前差距最大的部件。一个成年人的手有27个自由度现在很多演示机器人的手只有6到12个自由度能做到精确抓取已经很不错要做到穿针引线、拧螺丝、用工具这种精细操作难度还会继续上升。而且手部空间极小传感器、驱动、传动机构都要塞进去结构设计、散热和可靠性都是难点。第三是传感器和算力平台。足底的力传感、视觉的深度相机、IMU、关节编码器这些传感器在汽车上有对应产品但封装形态、防护等级和实时性要求不一样。车载域控制器算力很高但功耗和体积也大放到机器人身上得重新选型或定制。这些硬件问题不是靠发布会上的样机就能解决的。样机可以手工调试、特制零件、精心维护量产则要面对公差一致性、长期磨损、环境适应性和成本控制。很多团队卡在“样机很惊艳落地就失灵”的阶段核心就是硬件可靠性没有跟上。2.2 软件车端智驾和人形机器人大脑有交集但差异更大车端智能驾驶和机器人大脑在感知、预测、规划上有一些共用模块但底层逻辑很不一样。车是刚性约束。它必须在车道内行驶横纵向控制有明确的动力学模型路径规划相对规则所以算法可以用大量道路数据训练再通过仿真和实车测试不断收敛。人形机器人是柔性与刚性混合。它既要保持平衡又要适应地形还要处理被遮挡的物体和动态的人。操作层面更麻烦机械臂的逆解、避障、力控、柔顺控制这些都是车端智驾没有深入涉及的技术栈。尤其是“移动操作”协同也就是机器人一边走一边抓取或者一边避障一边操作这需要把导航、感知、运动控制、操作规划放在同一个系统里做联合优化复杂度远高于单独做一台车。模型层面也有差异。自动驾驶的主流路线是BEVTransformer加上占据网络输出目标轨迹和安全边界。人形机器人需要的可能是视觉语言模型、具身操作模型、强化学习策略还要结合遥操作数据、仿真数据和真机数据持续迭代。车端积累的数据并不能直接用因为传感器安装位置、视角高度、运动方式完全不同。所以车企有算法团队不假但“人形机器人专用算法栈”还是要重新搭。如果直接套用车端方案大概率会出现“路况体验像车操作体验像婴儿”的割裂感。2.3 制造整车产线经验有用但机器人需求不同整车制造讲究高节拍、自动化、高一致性和严格的品控这些经验在机器人的机械装配、线束布置、整机测试上确实有用。但机器人多了一个汽车没有的麻烦运动关节多整机标定复杂而且产品迭代速度极快。汽车五六年一个大改款零部件供应商体系成熟产线自动化率高。人形机器人现在连标准模组都还没有完全统一关节执行器、灵巧手、结构件的设计经常变很多零件还得手工装配调校。这时候想复制汽车产线的规模效应还太早。另一个问题是售后维护。汽车有4S店体系零配件流通规范。人形机器人如果卖进工厂或家庭维修谁来做远程诊断能不能识别关节疲劳换一个关节需要多久这些问题现在很多团队还没有答案。2.4 成本样机可以不计成本量产必须算供应链账一台演示用机器人的成本通常是非常高的行业里常见说法是几十万元甚至上百万元具体数字会随着配置波动。真正的问题是如果面向工业场景客户能接受的价格往往只有十几万元到二十万元一台而且还要算上维护费用和投资回报周期。如果面向家庭场景消费者愿意付出的价格更敏感。成本能不能降下来取决于出货量。出货量小零部件采购就没有议价能力没有议价能力整机成本就降不下来成本降不下来场景就铺不开。这是一个典型的“先有鸡还是先有蛋”的死循环。车企即使有供应链管理经验也需要先找到一个愿意付费、能规模化复制的应用场景才能把循环跑起来。所以我一直觉得判断一家车企机器人项目是不是靠谱不是看发布会而是看它的成本路线图有没有具体时间表什么时候关节模组自研率超过多少什么时候单台物料成本压到某个区间什么时候实现千台级交付。这些指标比概念视频更有说服力。3. 判断一家车企机器人项目能不能落地盯这几个指标3.1 从Demo到产品先看稳定性和重复精度演示视频里机器人能走路、能挥手、能搬运箱子看起来不错。但落地判断的标准不是“能不能做到一次”而是“连续做一千次、一万次成功率和精度还剩多少”。建议关注这几个数据MTBF平均无故障时间机器人能连续运行多久不出故障这是可靠性的核心指标。重复定位精度每次抓取、放置、插拔的位置误差能不能控制在毫米甚至亚毫米级。成功率连续执行同一任务完成率是多少。工业场景一般要求99%以上实验室里做到90%已经不错。调试/恢复时间出现异常后需要人工介入多久才能恢复。如果一个团队只敢展示单次成功不敢提连续运行数据那大概率还处于Demo阶段。车企做机器人最大的优势应该是把工程建设能力导入进来如果连可靠性测试都不透明项目状态就要打问号。3.2 从实验室到工厂场景、效率、替代价值机器人落地到一个真实场景要看三件事任务是否足够稳定效率是否达到人工水平投入产出比是否为正。比如在汽车工厂里搬料箱机器人需要先识别料箱位置、规划路径、走到点位、抓取、搬运再放到规定位置。整个过程中机器人必须能应对料箱摆放偏移、行人经过、光线变化等意外情况。如果这些情况都需要人工干预那就没法和人工竞争。效率也很关键。如果机器人完成一个循环需要30秒人工只需要10秒那么即便机器人能24小时工作也会因为班产效率不足被产线淘汰。很多Demo任务都是“慢动作演示”一旦要求节拍拉满问题就会暴露出来。再一个是替代价值。工厂要的不是“看着未来感很强”而是“能不能减少一个操作工”或者“能不能提升良率”。如果机器人部署后的成本比人工还高即便技术上再先进也很难规模化。3.3 从单台到批量供应链、一致性和售后维护单台跑通只代表工程样品没问题批量交付才是商业化的开始。批量阶段要看供应链是否稳定。关节电机、减速器、丝杠、芯片、传感器这些核心零部件是自研、定制还是外采供应商产能能不能跟上如果核心部件短缺整机交付就会延期。还要看一致性两台机器人的动作差异能不能控制在可接受范围内装配工艺能不能保证每一台的线束、传感器标定都不出错售后维护同样关键。机器人卖出去之后出现问题怎么排查能不能远程看日志、升级固件备件库怎么搭建如果客户工厂在偏远地区维修人员多久能到这些都会直接影响口碑和复购率。很多项目死在“第一次交付的100台后面持续修了半年”。3.4 常见误判展示动作好看不等于技术成熟有些人对机器人项目的判断会不自觉地被视频效果影响。看到机器人会跑步就认为“量产在即”看到机器人会叠衣服就认为“家庭服务马上落地”。这种判断大多是错的。展示动作大多是精心设计的脚本环境固定目标物体也是专属定制甚至失败重复拍摄多次。真人演示还存在遥控操作的可能。所以看项目进度时一定要追问这些动作是自主决策还是预设轨迹有没有在非结构化环境下进行随机扰动来了能不能恢复有没有明确的任务级成功率数据如果拿不到这些信息宁可保持观望也不要因为一个发布会视频就认定“新造车已经掌握了造人能力”。4. 车企造人最容易踩的坑4.1 低估了人形机器人的长尾场景很多团队做机器人喜欢把目标放在“通用人形机器人”上认为它什么都能干。但这个目标恰恰是最远的路线。真实世界里场景需求高度碎片化工厂里的搬运、质检、装配、上下料物流里的分拣、装卸、配送家庭里的清洁、收纳、照护每一个场景都是完全不同的任务组合。通用机器人如果要覆盖这些场景就得拥有极强的感知、规划、操作和多任务泛化能力现在的技术还做不到。那些落地比较快的机器人基本都是“专用环境受限任务”例如在固定工位上做单一动作。如果一上来就朝着通用方向做很容易陷入“什么都能演示什么都不稳定”的困局。更好的做法是先聚焦一个关键场景把该场景的可靠性、节拍、成本打磨到能商业化交付再考虑横向扩展。但这对车企来说很难因为“通用人形机器人”才是资本市场喜欢的故事专用机器人被认为天花板有限。于是不少公司被资本预期倒逼着去做了更难却更不落地的事。4.2 高估了车端软件的直接复用刚才提到过车端智驾和机器人操作算法的差异很大。但实际项目里很多团队是自动驾驶团队直接转岗做机器人习惯性把变道策略、轨迹规划、感知模型往机器人身上套。结果就是机器人在开放空间里走得很稳一旦需要灵巧操作就暴露出严重短板。因为操作任务涉及力觉反馈、柔顺控制、多指协同车端的“安全轨迹规划”思维根本解决不了“手里的螺丝刀该用多大力气”这种问题。我在评估这类项目时会重点看他们的研发团队结构是不是有真正的机器人领域人才还是只有智驾工程师有没有专门做机械臂控制、灵巧手研发和运控算法的团队仿真平台是否支持真机数据的闭环迭代。如果都是智驾背景短期内很难补齐操作能力。4.3 忽视了“谁买单、谁使用、谁维护”的闭环很多团队把精力放在“怎么走、怎么抓”上却忽略了商业模式。机器人造出来之后卖给谁客户拿它做什么坏了找谁修运行数据归谁这些都是商业化之前必须回答的问题。工业场景里制造业客户不会为了“科技感”买单他们只关心三个问题能不能提升效率能不能降低成本能不能减少安全风险如果机器人的综合成本高于人工那即便演示得再好客户也会礼貌地拒绝。家庭场景更复杂服务对象可能是不懂技术的老人和孩子对安全、隐私、故障率和售后响应要求极高。一旦机器人出现失控或磕碰责任认定也是问题。很多车企能做好汽车产品是因为有成熟的经销和售后网络但机器人的售后体系需要重新建设不能直接套用。4.4 时间表排得太满业务资源分散新造车企业同时要搞新车、搞智能驾驶、搞补能网络现在再加一个机器人项目对组织资源是巨大挑战。人形机器人是一个少则五年、多则十年才能成熟的方向如果时间表排得太满比如“明年量产、后年交付一万台”基本等于给团队挖坑。机器人需要长期重投入只有项目负责人扛得住业务压力才有机会跑通。现实往往是机器人团队一开始被寄予厚望一旦汽车主业遇到销量压力研发预算就会被削减项目逐步边缘化。这也是为什么很多“造人”项目发布会之后就没有下文的原因之一。如果真的要长期投入就应该把机器人业务独立孵化配置专门的供应链、算法、硬件、项目团队并且设定合理的阶段性目标。比如第一年只做实验室可靠性验证第二年做少量工厂PoC第三年才尝试小批量交付。这个节奏在资本市场看来不够性感但远比画饼现实。5. 我的一些实际判断5.1 短期工业场景先跑通消费级别急着画饼未来两三年人形机器人最能落地的场景大概率还是工业场景里的搬运、上下料、检测辅助和重复装载。因为这些任务的环境相对结构化客户又有明确KPIROI相对容易计算。家庭场景虽然宣传价值大但安全、隐私、成本、个性化需求都会拖慢落地速度。而且工业场景可以通过“先用移动操作机器人跑单点任务”来验证不用一开始就要求机器人双足行走。像轮式底盘加机械臂、AGV加协作臂的方案在不少工厂已经用了好几年。人形机器人的“双足”能力在多数工业任务里并不是必须项。所以我建议车企做机器人时不要执念于“人形”先把操作能力打磨好再用机器人形态解决场景问题可能更快。5.2 中期核心供应链决定量产节奏未来三到五年谁能把关节模组、灵巧手、减速器、丝杠这些核心部件的成本和可靠性做下来谁就能在人形机器人量产上占住位置。车企的优势在于他们比创业公司更懂供应链管理也有更强的资金储备来支撑自研核心部件。但这里也有一个矛盾如果核心部件自研前期投入巨大如果外购成本和技术创新都受制于人。最合理的方式可能是“核心部件自研周边部件外购”在保证竞争力的同时控制成本。中期还要关注上游的材料、制造工艺和测试标准是否成熟。只要供应链没有成熟单个公司再努力量产都会卡在交付环节。5.3 长期跑赢的关键在数据和模型迭代人形机器人的长期壁垒是数据和模型形成的飞轮。机器人需要在真实环境里积累大量交互数据才能提升泛化能力算法模型越强机器人使用场景越广场景越广又能收集更多数据。这个闭环一旦跑起来后来者很难追上。车企在这方面的优势是“数据中心智能驾驶”的经验知道怎么建数据采集、标注、仿真和评测体系。但机器人的数据采集比自动驾驶难很多自动驾驶可以靠车载传感器在路上跑几百万公里机器人却需要真机在特定环境里反复执行物理操作数据获取成本高且很难通过纯仿真替代。因此长期要看团队有没有能力建立高效的真机学习场景以及在仿真环境里训练的策略能不能迁移到真机上。5.4 给从业者和关注者的一句话一句话总结新造车搞人形机器人方向没错热潮也不用泼冷水但一定要把预期拉长、把问题拆细、把指标落地。别信发布会信连续测试数据别一窝蜂做通用先在具体场景里证明价值别把“造人”当作造车的延伸它更像是重新创业。这条路确实道阻且长但也不是没有机会关键是能不能扛过样机到量产之间的那段灰色地带。对新造车企业来说现在最该做的不是继续加码概念而是沉下心来把单一场景里的可靠性、成本和售后这三件事跑通。跑通了造人就不再是故事跑不通就只是又一场昂贵的大型实验。