2026汽車行業投資策略：同源技術筑壁壘，機器人賽道成車企成長新引擎

2026 年正處于人形機器人從技術原型向規模化量產邁進的關鍵窗口期，而汽車制造行業與這一新興賽道的深度綁定，正在成為行業格局重塑的核心線索之一。

汽車供應鏈與人形機器人研發存在天然的技術同源性 —— 汽車領域積累的傳感器、控制系統及目標識別算法，為機器人研發提供了直接技術借鑒；同時，車企憑借零部件體系的 “規模降本 + 質量管控” 優勢、超 50% 的供應鏈資源共享能力，可快速支撐機器人的成本下探與產能落地。當前，特斯拉 Optimus 已進入 “精細化 + 擬人化” 階段并計劃 2026 年底量產，國內小鵬、小米等 13 家車企也通過自研、合作、戰略投資等方式密集布局人形機器人賽道。更關鍵的是，這一布局不僅是車企的業務邊界拓展，更推動其估值體系從傳統制造業的 “銷量 / 份額驅動”，向科技公司的 “現金流 + 分部估值” 框架遷移，人形機器人正在成為打開車企成長空間的核心增量。在此背景下，本報告將聚焦車企在人形機器人賽道的同源性優勢與布局邏輯，解析其成長潛力與行業影響。

一、汽車供應鏈是人形機器人發展的天然土壤

1.1、算法：機器人 “大腦” 與自動駕駛算法高度同源

1.1.1、自動駕駛算法發展 —— 從規則走向神經網絡，端到端邁向認知智能

回顧自動駕駛的發展歷程，智駕算法的演進路徑清晰可辨。最早期的自動駕駛，多采用傳統計算機視覺算法進行障礙物識別，多個攝像頭的識別結果會通過后融合的方式整合為綜合感知信息，但這種方式的識別精度較低，常常受一些基礎問題的制約；

2021 年起，特斯拉接連舉辦多場 AIDAY，推出 BEV+Transformer 架構與 Occ 占用網絡，幾乎攻克了感知層面的難題，行業由此進入快速發展階段，采用這類算法的參與者基本能夠實現智駕的 “可用”；不過在當時，感知環節之外的規劃與控制部分仍以規則類方案為主，駕駛動作較為僵化，面對復雜多變的城市道路環境，通常只能在特定路段或路況下運行；

2023 年，特斯拉再度引領行業方向，推出端到端自動駕駛算法，實現了從感知到控制的信息無損耗傳遞與全局優化，真正讓智駕達到了 “好用” 的水平。這一技術思路在 2024 年被國內行業參與者廣泛借鑒，“全國范圍內可行駛” 也成為了頭部智駕企業的核心入場標準。此后，隨著大語言模型的發展，行業參與者意識到智駕不僅需要具備 “駕駛能力”，還需能夠理解道路場景，在面對文字標識牌、潮汐車道等復雜場景時，單純的端到端方案會顯得應對不足；理想汽車于 2024 年率先推出端到端 + VLM 算法，成功躋身智駕第一梯隊，2025 年又推出 VLA 算法；

同樣在 2025 年，行業內的參與者也從僅通過端到端方式訓練 “系統 1”，逐漸轉向借助強大的多模態模型來構建算法的 “系統 2” 能力，同時將模仿學習與強化學習相結合，通過世界模型搭建虛擬環境，助力智駕突破性能邊界。近期，特斯拉的 FSD 系統已大幅放寬對駕駛員的監控要求，會依據路況提示駕駛員留意前方路況，實際上已開始向類 L3 級別的功能邁進。回顧智駕算法的發展歷程，其整體路徑是從規則主導轉向模型主導，從模塊化架構過渡到端到端架構，從單一探索 “系統 1” 的能力，逐步拓展為同時探索 “系統 1” 與 “系統 2” 的協同能力。與之相對應的是，算法對不同場景的適配性持續提升，所具備的智能水平也愈發完善。

1.1.2、機器人算法發展 —— 從規則驅動到數據驅動再到認知驅動

回顧機器人的發展歷程，其也走過了相似的演進路徑。早期的工業機器人一般采用 PID 等控制算法來操控機械臂，這類算法需要預先編程，之后機械臂便會依照人類設定的流程執行對應的動作。此后，本田等企業推出了 ASIMO 這類雙足機器人，基于數學模型的算法開始逐步應用，這類算法的核心是對機器人平衡狀態的控制，零力矩點（ZMP）+ 線性倒立擺（LIPM）等數學建模方式被用來保障機器人的平衡，本質上這是一種純規則類的算法方案，不僅流程復雜、調整難度大，同時靈活度較低，ASIMO 機器人最終也只是曇花一現，逐漸淡出了行業視野。隨著機器人身體自由度的提升，模型預測控制（MPC）+ 全身動力學控制（WBC）的方案開始出現，波士頓動力依托液壓驅動技術打造的 Atlas 機器人曾一度引領行業潮流，但該算法本身的泛化能力依然有限，對復雜環境的適應程度不高。步入新的發展階段后，神經網絡技術快速迭代，模仿學習與強化學習成為了機器人算法訓練的新范式：對于機械狗這類產品，搭建虛擬環境開展強化學習，成為了訓練其完成移動動作的常用方式；而針對操作類任務與人形機器人，模仿學習則是主要的訓練方法，借助遙操作或者動作捕捉技術，機器人能夠精準復刻人類的復雜動作與行為。同時，隨著大模型技術的發展，VLA 等算法更是讓機器人成為了具備自主 “大腦” 的實體，能夠獨立與人進行交互并完成各類任務。

從整體來看，機器人的發展也經歷了從規則驅動到數據驅動、再到認知驅動的過程，算法模型的泛化能力持續增強，其功能也從簡單的、預先規劃好的動作，逐步升級為能夠完成復雜地形穿越、執行簡單任務等更豐富的能力。

1.1.3、自動駕駛和機器人算法實現交匯

在算法層面，機器人與自動駕駛技術的發展路徑正日漸趨同。行業內的技術方案已基本集中于多模態大型端到端神經網絡以及 VLA 模型等方向，在功能層面則力求同時具備 “系統 1” 與 “系統 2” 對應的快速反應和深度思考能力。正因如此，兩者在模型的構建思路以及需要解決的核心問題上，重疊度正不斷提升。從具體的算法路線來看，理想汽車、元戎啟行等企業選擇了 VLA 技術路線，還有部分智駕領域的參與者采用了端到端 + VLM 的方案；而在機器人領域，無論是 Physical Intelligence 還是 Figure 等企業，也在積極布局 VLA 以及具備快慢思考能力的算法，特斯拉則采用了大型多模態模型，同時融入了推理功能。至此，機器人與智駕技術在算法層面實現了技術交匯。

1.1.4、自動駕駛和機器人在數據基建方面高度復用

在數據基礎設施建設層面，機器人與汽車自動駕駛技術之間具備高度的復用性。我們知道，自動駕駛算法的開發并非突發靈感就能一蹴而就，而是需要領先的技術方案與嚴謹的工程化開發相結合，海量的算力資源與先進的模型開發技術是其基礎支撐，同時還需要配套自動化的數據閉環體系，數據采集、自動標注、仿真測試、效果驗證等環節缺一不可。

近年來，世界模型等新興技術開始出現，用于搭建虛擬環境，以便算法在其中進行反復的試錯與強化訓練，從而達到最優的運行效果。而這樣的數據基建體系，對于機器人技術而言同樣適用：以仿真環節為例，理想汽車已經借助世界模型對其智駕算法開展強化訓練，在機器人領域，英偉達的 IssacLab 也能為機器人提供符合物理世界規律的仿真環境，便于機器人進行訓練；特斯拉在最新的技術分享中也提到，通過同一套生成式模型，僅切換訓練數據，就能同時實現對汽車與機器人的算法訓練。由此可見，兩者在數據基建層面的復用度與技術同源性都較高。我們認為，當機器人技術真正邁向實用化階段時，工程化能力的重要性也將愈發突出，因為在實際應用場景中，系統的穩定性、可靠性等都是關鍵的核心要素。

1.2、電子電器架構和熱管理：兩者諸多場景值得借鑒

在電子電氣架構領域，汽車行業目前已基本形成了集中式的技術方案，并且正逐步向中央計算平臺的方向演進；由于汽車所搭載的執行器種類較為豐富，不同功能領域通常會通過對應的域控制器來進行管理。而機器人系統通常需要實現語音交互、語義理解、動作執行等功能，因此其控制單元也包含 GPU、MCU、CPU 等硬件組件，同時機器人同樣涉及感知 - 決策 - 執行的技術鏈路，所以在電子電氣架構層面，兩者之間具備充分的技術可借鑒性。在熱管理領域，汽車行業經過多年的發展，已經形成了成熟完備的解決方案，而機器人領域目前仍受散熱問題的困擾，因此兩者在這一領域也存在不少可以相互借鑒的內容。

1.3、供應鏈玩家：汽車與機器人零部件高度協同

1.3.1、人形機器人涉及零部件眾多，產業鏈玩家百花齊放

人形機器人包含多種精密零部件，比如決定其運動性能與運行可靠性的旋轉 / 直線執行器、靈巧手等三類核心執行器，以及絲杠、減速器、電機、傳感器、軸承、編碼器 / 控制器 / 芯片等技術壁壘較高、精度要求較嚴的零部件。同時，由于人形機器人的零部件種類豐富，對應的產業鏈條較長，而我國擁有完善的供應鏈體系與規模化量產能力，在量產階段具備突出優勢，因此全球范圍內的相關產業普遍選擇在中國布局其供應鏈。

1.3.2、汽車制造與機器人研發存在天然的同源性，汽車產業鏈迸發新機遇

汽車零部件企業擁有 “規模化降本 + 質量管控” 的體系化競爭優勢，不少零部件企業已前瞻性地布局機器人產業。汽車與機器人行業存在大量共同的供應商，這也就意味著汽車產業的部分供應鏈資源可以直接應用于人形機器人的開發工作，依托技術同源性推動產業層面的協同創新。憑借強勁的研發實力、先進的制造能力以及豐富的量產經驗，車企在人形機器人的研發與制造過程中，具備較為顯著的先發優勢。汽車零部件企業擁有精密加工設備的規模化應用經驗，能夠快速推進機器人零部件的研發與制造迭代；同時，當車企布局人形機器人業務時，與其有著穩固且成熟合作關系的汽車零部件企業有望率先獲得發展機遇，這些相關零部件企業也有望借此切入新賽道，實現業務的二次增長。

汽車產業經過數十年的發展，已經構建起成熟的供應鏈體系與大規模量產能力。汽車與機器人的零部件存在較高的重合度，尤其是在傳感器、芯片、動力系統等核心領域，兩者的零部件重疊程度更高。汽車端成熟的規模化制造能力，能夠直接為機器人的成本下降與量產落地提供支撐，推動零部件企業從 “單一零件供應” 向 “系統級解決方案提供” 轉型。激光雷達、各類傳感器、動力電池、高強度輕量化材料等產品，已經在汽車企業中實現了大規模批量應用，這些高質量、低價格的零部件，將幫助機器人的生產成本實現快速、大幅的降低。

1.4、應用場景：汽車工廠成為首批落地應用場景

1.4.1、從工業機器人到人形機器人：汽車制造的下一代生產力

工業機器人雖然發展已較為成熟，但適用的場景相對有限。工業機器人在焊接、噴涂等結構化作業場景中的滲透率較高，但這類機器人功能較為單一、柔性化程度低，無法適應非標準化、動態變化的作業環境（例如總裝環節、故障排查環節），也難以滿足新能源汽車 “多車型、小批量” 的柔性生產需求，成為了汽車制造自動化深化進程中的瓶頸。而人形機器人則成為了柔性制造與協同作業的新載體：其類人的形態能夠讓它直接使用人類的工具、適配現有的生產線，實現從 “固定工位作業” 到 “全流程靈活作業” 的轉變，借助通用性與環境適應性，填補裝配、檢測、維護等非標準化環節的自動化空白。基于這一點，人形機器人成為了車企實現全流程自動化閉環、構建智能制造能力的核心關鍵載體。

1.4.2、汽車工廠是機器人產業化落地的確定性前沿

從需求端來看，存在剛性的驅動因素：人形機器人成為了應對勞動力成本上漲、保障生產穩定的有效選擇。機器人可以直接替代重復性勞動崗位，優化企業的人力成本結構，同時提升產能利用率與資產周轉效率。

從供給端來看，兩者具備高度的適配性：汽車產業作為高端制造領域的標桿，其標準化、流程化的生產線為機器人的應用提供了天然的滲透場景。機器人在焊接、噴涂等關鍵作業環節能夠突破人類的能力極限，同時降低作業過程中的安全風險。

從產業升級的角度來看，新能源汽車領域的競爭不斷加劇，倒逼車企通過自動化升級來追求極致的生產效率與產品一致性，從而構建成本與品質管控方面的優勢。機器人能夠為汽車現代化制造產業賦能，更好地適應新能源汽車 “多車型、小批量” 的定制化生產趨勢。

1.4.3、多家機器人廠商與汽車企業達成應用合作，在汽車工廠中開展測試與應用

2024 年，Figure AI 與寶馬簽署商業合作協議，將通用型人形機器人導入汽車生產線作業。特斯拉 Optimus 機器人則在美國弗里蒙特工廠，開展電池包分解、車身焊接及物料搬運等環節的測試。優必選與多家車企展開合作：2024 年 2 月，其 Walker S 系列機器人率先進入蔚來第二先進制造基地的總裝車間，完成了全球首例人形機器人與人類協同開展汽車裝配及質檢作業的實踐；同年 5 月，優必選與東風柳汽簽署戰略合作協議，2025 年上半年批量部署了 20 臺 Walker S1 機器人，承擔安全帶檢測、油液加注、車身質檢等 12 類任務，并依托群體智能技術實現多機協同分揀與裝配，填補了高溫高危崗位的人員缺口。2025 年 10 月，上汽大眾與德國頂尖機器人企業 Neura Robotics 簽署戰略合作諒解備忘錄，雙方將聯合開展探索性項目，在汽車制造領域開發并部署認知機器人系統，以此提升智能工廠的生產效率與運營靈活性。

二、特斯拉引領，車企積極布局人形機器人領域

2.1、特斯拉 Optimus：引領行業的技術標桿與量產野心

2.1.1、迭代時間線與關鍵里程碑

特斯拉在人形機器人領域的布局，集中展現出其將 “第一性原理” 從汽車制造領域延伸至機器人開發的戰略邏輯。從 2021 年 “AI 日” 上略顯青澀的舞者亮相，到如今即將問世的第三代 Optimus Gen3（V3），特斯拉在短短四年間完成了令人矚目的技術躍升，將人形機器人的研發推進至 “精細化 + 擬人化” 的新階段。

特斯拉的技術迭代路徑清晰、目標明確：第一代 Optimus 主要驗證了基礎的運動與平衡能力；第二代在環境感知與任務執行的通用性上取得突破；而即將發布的第三代，則聚焦于實現接近人類的靈巧操作與復雜環境下的自主決策能力。這一迭代歷程，映射出特斯拉從 “能完成基礎動作” 到 “能高效執行任務”，再到 “能靈活精準作業” 的技術深化路線。從當前情況來看，即將推出的 Gen3（V3）應該已達到量產機型的標準，硬件成熟度與運動、精細操作能力都相對完備。

2.1.2、軟硬件技術突破：邁向擬人化與自主化

在軟件層面，特斯拉專門為端側推理場景設計的 AI5 芯片，成為了 Gen3（V3）的 “最強大腦”。其性能號稱達到前一代的 40 倍，這意味著 Optimus Gen3（V3）能夠在本地實時處理更龐大的視覺、觸覺數據流，運行更復雜的神經網絡模型，進行更快速的運動規劃與決策，減少對云端計算的依賴，從而提升響應的實時性與可靠性。這標志著人形機器人的 “智能” 正從集中式走向分布式，從 “聯網依賴式思考” 邁向 “自主獨立思考”。此外，FSD 的 AI 技術可遷移至 Optimus 上，Grok 也將應用于 Optimus 的語音識別功能。

在硬件層面，靈巧手的設計是 Gen3（V3）實現擬人化的關鍵。其單手握有 22 個以上的自由度（22-DoF，我們預計最終方案會是 23-25DoF 單手），在關節數量、運動范圍與力度控制上已接近甚至媲美人類手掌。部分手部執行器被后置到前臂上，這是模仿人類的手部結構 —— 因為控制人類手部的肌肉主要位于前臂。Gen3（V3）的每條手臂至少會配備約 26 個執行器，使其靈活程度與人類相當。這意味著 Gen3（V3）能夠精準執行諸如握持不同形狀的工具、操作精密儀器、完成穿針引線等高度精細化的任務。手部的靈巧化是人形機器人得以進入制造業裝配、家庭服務、醫療輔助等廣闊場景的基礎，特斯拉在靈巧手領域的突破具有里程碑意義。

2.1.3、依托汽車行業高端量產能力，加速人形機器人商業化普及

汽車產線的經驗向機器人產線遷移復制，其量產規劃的雄心凸顯出行業的廣闊藍圖。特斯拉并未將 Optimus 停留在實驗室概念階段，公司已明確計劃于 2026 年第一季度（2-3 月）展示具備量產意圖的 Gen3（V3）原型機，并著手規劃建設年產百萬臺級別的生產線；后續 V4 將實現 1000 萬臺的產能，V5 甚至可能達到 5000 萬到 1 億臺的產能規模。這一激進的時間表與規模目標，遠超外界早期預期，凸顯了特斯拉意圖將人形機器人打造為繼電動汽車之后又一核心支柱產業的戰略野心。

Optimus Gen2 幾乎不具備量產可行性，因此特斯拉對 Optimus Gen3（V3）的設計進行了徹底改進，在增加功能的同時使其適配量產需求。特斯拉 CEO 埃隆?馬斯克曾多次預測，人形機器人未來的市場需求可能遠超汽車，Optimus 或許會成為 “史上最偉大的產品”。特斯拉與其他美國汽車公司不同，它具備實現通用人工智能的要素，以及卓越的電氣 / 機械工程、規模生產能力；而由于人形機器人領域的供應鏈尚未成熟，若要實現每年生產 100 萬臺 Optimus 甚至更多，其制造環節將面臨巨大挑戰。這需要高度垂直整合并深度介入供應鏈，而 Optimus 工程團隊大多來自汽車部門，為規模量產提供了先天優勢。特斯拉的垂直整合能力、規模化制造經驗與成本控制方法，將從汽車工廠復制到機器人生產線，有望大幅降低人形機器人的硬件成本，加速其商業化普及進程。

2.2、中國車企群雄并起：多元策略競逐新賽道

在特斯拉的示范效應與未來產業前景的吸引下，中國車企快速響應，紛紛以不同策略切入人形機器人賽道。截至目前，已有小鵬、小米、廣汽、奇瑞、比亞迪、上汽、蔚來、理想等 13 家整車企業明確入局，形成了百花齊放、各有側重的競爭格局。它們的參與并非偶然，而是基于自身技術積累與戰略考量作出的必然選擇。

2.2.1、路徑一：依托技術同源，深耕自研之路

部分技術積淀深厚的車企選擇自主研發路徑，其核心邏輯在于汽車智能化與機器人技術之間存在明顯的 “同源延伸” 關聯。

• 自動駕駛技術的遷移：汽車的感知（激光雷達、攝像頭、毫米波雷達）、決策（AI 算法、芯片）、控制（線控底盤）系統，與人形機器人對環境感知、路徑規劃、運動控制的需求高度契合。例如，小鵬汽車旗下的小鵬鵬行團隊，充分利用了其在智能駕駛領域的深厚積淀：其研發的機器人平臺，采用了與智能駕駛系統 “同源” 的圖靈 AT 芯片作為計算核心，并積極探索將端到端自動駕駛大模型的感知與決策能力遷移至機器人，使其能更好地理解復雜指令、適應動態環境。這種技術復用極大地縮短了研發周期，降低了試錯成本。

• “三電” 技術的應用：新能源汽車在電池、電機、電控方面的技術優勢，可直接轉化為人形機器人動力系統的性能保障。高能量密度電池提供長效續航，高功率密度電機確保強勁動力與精準控制，成熟的電控技術則保障了運動過程的安全與穩定。比亞迪等在三電領域擁有全產業鏈優勢的企業，在此方面具備天然的技術門檻。

• 制造與供應鏈優勢：車企的大規模精密制造能力、質量控制體系與供應鏈管理經驗，對于解決機器人關節、減速器、殼體等核心零部件的量產與成本問題至關重要。

2.2.2、路徑二：強強聯合合作，加速整合落地

對于一些希望快速進入賽道或補足自身短板的車企而言，與專業的機器人公司或人工智能企業展開合作，成為了高效的布局路徑。

奇瑞與 Aimoga 的合作，正是這一模式的典型案例：奇瑞作為傳統制造巨頭，擁有深厚的工程化、產業化能力與豐富的應用場景理解；而 AI 公司 Aimoga 則在機器人運動控制算法、AI 視覺與靈巧操作等軟件層面具有專長。雙方合作研發的人形機器人 “MomDine”，旨在瞄準工業與商業服務場景，實現了硬件制造與軟件智能的優勢互補。這種合作模式能使車企在較短時間內獲得相對成熟的技術方案，快速推出產品原型并驗證市場。

2.2.3、路徑三：通過資本紐帶，開展戰略投資與生態綁定

面對行業中持續涌現的創新型機器人創業企業，借助戰略投資展開布局，逐漸成為更多車企的選擇。這既是一種財務投資，更是一種技術前瞻與生態卡位的布局方式。

小米集團早在 2022 年就率先投資了國內頂尖的人形機器人創業公司優必選，并持續通過其產業基金布局機器人上下游產業鏈。在小米的 “手機 ×AIoT” 戰略中，機器人是智能生態的重要一環，投資有助于其整合先進技術，完善未來智能生活的藍圖。

比亞迪、上汽、北汽等企業也都通過旗下投資平臺，參股了多家在核心零部件、運動控制或 AI 算法上有特色的機器人公司。這種 “資本 + 產業” 的深度綁定，使車企能夠緊密跟蹤技術前沿，在機器人產業成熟時快速導入自身體系；同時也能為被投企業提供寶貴的應用場景和試煉場。

戰略投資模式對車企的價值體現在以下方面：

• （1）快速掌握相關領先技術：對于部分布局較晚或 AI 能力相對薄弱的車企而言，戰略投資機器人公司有望幫助其快速掌握相關領域的領先技術。

• （2）資本運作實現輕量化布局：相比全自研模式，戰略投資或許是投入產出比更高的舉措之一。如上汽投資團隊曾表示，投資智元機器人比自建產線快 18 個月，還能規避 30% 的技術風險。

• （3）利用供應鏈優勢推動量產及降本：車企具備強大的制造能力、零部件供應鏈體系，能夠迅速整合產業鏈資源以推動機器人產品實現量產，并借助其規模優勢推動成本下降、加速機器人產品的普及。

2.3、生產、銷售等領域多元化部署，機器人業務反哺汽車主業

當前，汽車產業正推進在生產、銷售等領域多元化布局機器人業務，人形機器人的參與正逐步達成對汽車主業的協同反哺。

• 生產端：替代人工環節，降本增效：人形機器人可適配現有工位，執行質檢、裝配等重復性工作，減少對人力的依賴，提升工藝穩定性與產線柔性，從而降低人工成本、增強制造韌性。

• 銷售端：智能導購提升體驗：機器人借助自然語言處理等技術，在展廳提供咨詢、講解及個性化推薦服務，減輕銷售人員負擔，以科技感吸引客戶，提升服務效率與品牌形象。

• 數據賦能：驅動全鏈路智能化：機器人作為數據感知節點，實時采集生產與銷售數據，支持構建數據孿生系統，實現過程優化、質量預警與營銷策略改進，形成 “制造 — 銷售 — 反饋” 的數據閉環。

總而言之，機器人業務已從單點替代發展為系統賦能，在生產、銷售與數據層面反哺汽車主業。隨著與 AI、物聯網等技術的融合，其應用將延伸至更多環節，助推汽車產業的數字化、高端化轉型。

三、AI 浪潮下，車企估值體系有望向科技公司邁進勢

3.1、乘用車板塊在燃油車時代享一般制造業估值，新能源時代有所提升

在燃油車時代，乘用車板塊對應的是一般制造業的估值水平。傳統燃油車時代，汽車產業已趨于成熟、成長性不高，且盈利能力相對偏低，因此乘用車板塊享受的是制造業的一般估值。具體來看，2011 年以來，乘用車板塊的市盈率普遍介于 10-15 倍之間，市銷率則長期處于 1 倍以下。

2020-2022 年處于新能源車加速滲透的階段，乘用車板塊的估值隨之迎來顯著提升，其中行業龍頭還享有更高的估值溢價；不過從 2023 年起，行業開始面臨產能過剩的擔憂，板塊估值也逐步回落。

2020 年開始，乘用車行業進入了新能源車加速滲透的階段。由于汽車的動力形式迎來了根本性變革，再疊加智能化進入從 0 到 1 的發展階段，市場得以看到乘用車行業出現了新的成長性機會。同時，自主品牌借助自身在三電系統及供應鏈領域的優勢，持續搶占合資燃油車的市場份額，這讓自主乘用車板塊在 2020-2022 年間迎來了估值強勢提升的階段。

從具體車企來看，在這一階段，比亞迪全力布局新能源車業務，持續推進刀片電池、e 平臺、DM-i 等技術的研發工作，憑借高性價比的優勢快速成長為國內新能源汽車領域的龍頭企業。也正是因為比亞迪具備突出的成長性，相較于上汽、長城、長安、吉利等新能源轉型節奏偏慢的車企，市場為比亞迪賦予了更高的估值溢價。

不過到了 2023-2024 年，乘用車行業面臨一定程度的產能過剩擔憂，行業競爭的加劇使得乘用車行業的盈利能力不僅沒有較此前實現提升，甚至相比燃油車時代還有一定程度的下滑。在這樣的背景下，乘用車板塊的估值出現了明顯下滑，但相較于燃油車時代仍然處于更高水平，能夠享受消費品級的估值待遇。

3.2、“智能化 1→10 + 機器人 0→1” 發展期，車企有望逐步享受科技股估值

特斯拉是采用科技股估值邏輯的車企典型代表，2021-2022 年其市銷率多數時候維持在 15 倍以上；2024 年以來盡管銷量出現下滑，但市銷率仍穩定保持在 5 倍以上，且從底部區間波動回升。

特斯拉長期以來都對標科技股進行估值：2021-2022 年，其市銷率多數時段處于 15 倍以上；2023 年因營收增長導致市銷率大幅回落的階段，仍穩定在 5 倍以上；2024 年以來即便銷量有所下滑，市銷率依舊從底部區間波動回升，近期更是突破了 15 倍。

特斯拉的估值溢價源于其宏大的 AI 布局藍圖，其宏圖計劃 4.0 的核心是打造能將人工智能融入物理世界的產品與服務，涵蓋 FSD、Robotaxi、機器人等領域，商業模式也從單純的硬件收費拓展為軟硬件一體化收費的全新模式。

以機器人業務為例，特斯拉已構建起 “算法復用 + 硬件共源 + 制造降本 + 工廠應用” 的四位一體基礎體系：（1）硬件與供應鏈：依托自身在電力電子 / 半導體、傳感器及計算單元等領域的專業技術儲備與采購規模優勢，保障供應鏈的安全性并實現成本控制，比如自研 FSD 芯片等舉措；（2）軟件與 AI：Optimus 的數據收集、處理以及虛擬測試環節，都可以復用自動駕駛 FSD 業務投入巨額資金搭建的基礎設施；（3）規模化制造：借助在全球超級工廠積累的大批量、高效率制造經驗，助力機器人實現大規模生產；（4）數據飛輪：特斯拉分布于全球的工廠，本身就是收集訓練數據、開展機器人迭代與驗證工作的理想試驗場。

作為全球科技領域的龍頭企業之一，特斯拉成功打開了車企估值的想象空間。

在自動駕駛、機器人、飛行汽車、AI 芯片、大模型等領域展開全方位布局的小鵬，是中國車企中科技屬性最為突出的代表之一，因此也享受了一定的估值溢價。

以特斯拉為對標標桿，小鵬在自動駕駛、機器人、飛行汽車、AI 芯片、大模型等領域進行了全維度布局，成為國內車企中科技屬性最強的企業之一。尤其是 2024 年第四季度以來，小鵬的月銷量明顯躍升至新的臺階，扎實的基本面為其估值提供了有效的支撐；后續增程式車型及全新車型的上市，還將進一步推動其銷量增長。

展望未來，隨著小鵬在自動駕駛、機器人等領域的技術不斷精進，有望獲得市場更多的認可，逐步成長為中國車企中的科技股標桿企業之一。

總體而言，車企的估值定價邏輯，有望從傳統制造業 “由銷量 / 份額驅動的 PE/PS” 模式，遷移至 “科技公司式的現金流折現 + 分部估值” 框架。

當前，車企在芯片、自動駕駛算法等技術領域展開了全面布局，同時在供應鏈、銷售渠道、產品定義等方面也具備深厚的積累。Robotaxi 作為潛在的大市場，憑借其軟硬件收費模式所具備的強勁盈利能力，有望成為車企新的估值錨點。

與此同時，面對具身智能這一海量市場，車企擁有較為全面的競爭優勢 —— 尤其是在算法層面，智能駕駛與機器人技術的發展路徑正日益走向趨同，未來車企有望在這一領域占據重要的市場地位。

2025 年 9 月，馬斯克在 X 平臺上表示，人形機器人業務可能會占據特斯拉未來價值的 80%。而國內那些深度布局機器人領域的車企，也將因此獲得充足的估值溢價。

汽車制造與機器人研發存在天然的同源性。汽車制造領域所積累的傳感器技術、控制系統，以及目標識別、路徑規劃等算法，均為人形機器人的研發提供了重要的技術借鑒。車企在人形機器人的研發和制造過程中具有顯著的先發優勢。汽車與機器人共享大部分供應鏈資源，車端成熟的屬地化與規模化制造能力直接支撐機器人降本與量產，將快速、大幅度降低機器人生產成本。我們認為，不論是乘用車整車廠，還是上游各類零部件及總成制造商，都將顯著受益于機器人行業的新興發展，在機器人商業化的藍海市場中跑出競爭優勢。

零部件端，供應鏈企業正從“低價博弈”轉向“技術+生態+全球化”的價值競爭。智能駕駛、熱管理、輕量化等高附加值賽道的發展有效提振盈利水平，同時出海+人形機器人新業務打開第二增長曲線，成長性與估值修復空間較為可觀。

? 如欲獲取完整版PDF文件，可以關注鈦祺汽車官網—>智庫，也可以添加鈦祺小助理微信，回復“報告名稱：汽車行業投資策略：同源性優勢明顯，機器人打開車企成長空間 ”。

點擊下方，查看近期熱門行業研究報告