如果把特斯拉电动车的核心供应商名单，与Optimus人形机器人的潜在供应商名单放在一起，会看到一个耐人寻味的现象：那些为特斯拉提供底盘、热管理的厂商，如今又齐齐出现在Optimus执行器、关节模组和传感器的候选供应链中。

这不是巧合，而是汽车供应链能力外溢的一种自然延伸。

“汽车与机器人目前的供应链重合度大约在60%—70%。”盖世合伙人、研究院副总裁王显斌的这句判断，点出了当前汽车供应链集体转向具身智能的底层逻辑。

同源是共识。但共识之下，两个问题仍必须拆开看：这六七成，到底同在哪？剩下的三四成，又为什么搬不过来？

六七成同源，同的到底是什么？

先说结论：同的是产业能力，不是现成产品。

概括起来，主要集中在三个方面：核心零部件可迁移、制造能力可复用、车规标准可借鉴。

最直观的是零部件迁移。

目前业内普遍认为，具身机器人与智能汽车遵循同一套“感知—决策—执行”架构：感知层，摄像头、激光雷达是共同的“眼睛”；决策层，高算力芯片和域控制器是共同的“大脑”硬件；执行层，电机、减速器是共同的“四肢”；电池、热管理这些能源与散热系统，则是共同的“血液”和“循环系统”。

正是这种架构相通，在汽车产业链上催生了明显的“一对多”模式。

用车百会研究院理事长张永伟的话来说，“一个部件既可以支持汽车，也可以支持具身机器人。”

图片来源：均胜电子

比如感知层，速腾聚创、禾赛的激光雷达，既装在车顶，也装在机器人头顶。

决策层，地平线孵化的地瓜机器人、黑芝麻智能、德赛西威，正在把车规级域控能力搬进机器人体内。

执行层，均胜、拓普、三花这些汽车Tier 1，以及早年因汽车业务与行业结缘的兆威机电，如今也均是机器人关节模组与执行器的核心供应商。

墨甲智创机器人平台研究院副院长张海涛透露，奇瑞目前有60%—80%的座舱、智驾技术能力可以迁移到具身智能，墨甲机器人供应链中约40%用的是奇瑞体系内的供应商。

比零部件更深一层，是制造能力的可复用。

苏州清研精准汽车科技有限公司联合创始人、首席生态官陈超说得直接：汽车行业有许多先进经验、先进技术，以及很好的方法论和底层逻辑，值得具身智能行业学习和借鉴。“这些经验不一定能够百分之百复制，但底层逻辑是相通的。”

维他动力联合创始人赵哲伦也指出，智能电动汽车和智能机器人的核心架构几乎完全一致——传感器、计算平台、电机和电池，核心就是这四大块，而这四大块的产业链在中国已经非常成熟。

“但如果没有经历过汽车产业的积累，直接想做一款面向机器人的芯片、电芯或者电机，差距肯定还是很大的。”赵哲伦表示。

甚至车规级标准，也在某种程度上为具身智能提供了现成的质量标尺。

车规标准在可靠性、耐久性、环境适应性和质量一致性上，已经形成一套成熟且严苛的体系。虽然不能直接等同于机器人的全部应用场景，但机器人直接沿用，可以大幅缩短验证周期、降低试错成本，避免在基础可靠性问题上反复试错。

图片来源：小鹏

小鹏此前就多次提到，IRON量产版本将按照汽车级安全和可靠性标准开发。乐聚与东方精工共建的佛山万台级产线，也宣称在关键质量指标上已达到车规级交付标准。

整体来看，汽车和具身智能产业链的重合，主要集中在“把硬件做便宜、规模做大、做可靠”的部分。

至于剩下30%—40%的不同源，则是汽车和具身机器人各自所特有的部分，比如灵巧手、高自由度关节模组、力触觉传感器、微型电机、小脑运控算法、具身大脑等。

但注意，这部分恰恰也是整机最贵的地方。

以执行器为例，整体约占整机成本的40%—60%。虽然电机、结构件和总成制造可以依托汽车供应链，但执行器内部价值最高的高精度减速器、力矩传感器和一体化集成，并不由传统汽车零部件体系独立覆盖，仍需机器人领域的专业供应商参与。

换句话说，近七成的产业链重合度固然乐观，但真相其实是：越便宜、越标准化的环节越同源，越贵、越决定性能的环节越不同源。

同源，不等于照搬

这是最容易被误读的一点。

毋庸置疑，汽车与具身智能的技术栈高度同源，让汽车产业链企业跨界机器人具备了先天优势。

但同源不等于通用。即便是两者重叠最深的部分，也无法直接照搬。

“智能汽车和机器人的AI范式高度同源，但历史不会简单重复。”东风汽车集团研发总院智能化技术首席总工程师张振林说得直白。

这背后，两个领域最根本的分野，藏在一个看似简单的差异里——应用场景不同。

AI作图，来源：豆包

张振林指出，智能驾驶主要解决的是车辆如何在相对受限的物理空间中，通过环境感知、自主决策和避障，从A点到达B点。在此过程中，汽车除轮胎与地面之外，大部分接触都意味着风险。但机器人，尤其是面向真实作业的机器人，最大的不同是存在大量高频、主动的接触交互，其中涉及力、摩擦、动力学、形变等一系列问题。

换言之，智能驾驶更多是在约束条件下学习如何“穿行于世界”，而具身智能机器人还必须进一步学习如何“作用于世界”，以及如何应对动作带来的结果和反馈。

用法雷奥中国CTO顾剑民的话来说，汽车本质上是在二维空间中完成控制，核心目标是避免碰撞；而具身机器人需要与三维空间中的其他对象主动交互，这会涉及触觉感知——比如抓取零部件时就需要力反馈或扭矩反馈，这类需求在汽车领域是不存在的。

而从二维到三维，多出来的那一维，全是难题。

一个现实挑战是，具身机器人体积往往比汽车小得多，自由度却更高，这对控制器散热、结构设计和系统集成的要求，与汽车完全不在一个量级。

有业内人士透露，曾有机器人企业要求把控制器做到行业最小，塞进机器人狭小的胸腔里。这在技术上虽然可行，却带来一个严重问题：散热比汽车还要严酷。

“我们一模拟，芯片温度到250度了，真的就是快要融化了的感觉。这么狭小的空间，上风冷还是直接上水冷？但水冷跟车还不一样，汽车属于低频碰撞，而一个又能跳舞又能蹦又能跳的机器人，高频震动带来的耐久性问题，都需要有人去解决。”

材料领域同样如此。

金发科技机器人行业技术总经理俞飞就指出，汽车与具身机器人在材料品类上的复用比例其实仅在20%—30%。

这背后，更深层的差异来自工况本质：汽车属于低频工况，人形机器人则是高频工况，关节需要持续高频摆动，对强度、抗摔、导热等要求更高，由此带来的材料需求也明显不同。

“即便是二者重合的20%—30%材料品类，想直接复用难度也挺大，因为运动不太一样。”俞飞指出。

也就是说，这种复用不是简单搬运，而是需要材料性能提升与产品结构优化的“双向奔赴”。

但“身体”层面的差异，终归能用工程手段弥补。真正根本性的差异，在“大脑”。

汽车往往行驶在相对结构化、规则明确的道路上，核心任务是安全、高效地从A点移动到B点，环境变量相对可控且可预测。而具身智能机器人则需要在非结构化的复杂环境中作业，面对的是动态变化的人机交互场景和未知的物体形态。

这意味着，机器人不仅需要“看懂”世界，更需要“理解”物理规律，具备极强的泛化能力和实时应变能力。

而从“执行预设指令”到“自主认知决策”的跨越，使得具身智能对算力、模型训练数据质量以及边缘计算能力的要求，都远远超出了传统自动驾驶的范畴。

因此，即便底层硬件有部分重叠，上层智能系统的逻辑截然不同，也决定了两者在软件生态和研发体系上难以简单互通。

更何况，汽车“大脑”和具身“大脑”的研发体系和流程也完全不一样。

汽车研发遵循的是高度标准化、长周期且强调绝对安全冗余的V模型流程，而具身智能更接近互联网与AI行业的敏捷开发模式，强调快速迭代、数据闭环与端到端模型的持续进化。

这种节奏上的错位，意味着用造车的严谨流程去约束机器人的创新探索，或用机器人的快速试错逻辑去要求汽车的安全底线，都会导致严重的“水土不服”。

从这个意义上说，汽车与具身智能技术栈同源，固然给了汽车行业跨界玩家一条更高的起跑线，却没有铺好通往终点的捷径。

更现实的是：当前很多企业所谓的“同源”，更多体现为供应链名单上的重叠，而非量产意义上的共用。行业测算的六七成，与实际出货量之间，仍然隔着从POC到量产的整条鸿沟。

双向奔赴，没那么简单

产业链重合度如此之高，融合尚且挑战重重，汽车与具身智能究竟该如何“双向奔赴”？

回答这个问题之前，先要泼一盆冷水：汽车产业链企业手里的牌，比想象中难打。

最突出的矛盾，是供需错位。

顾剑民提到了一个现实问题：零部件企业开口就问“我能供你多少产品”，机器人公司第一句却是“我能卖给你多少机器人”，出发点完全不同。

有业内人士甚至遇到过更尴尬的反问：“我们说自己的优势是功能安全、网络安全，客户却说，连功能都没有，还谈什么功能安全？”

供需错位之外，还有两张牌要打问号。

汽车产业链玩家最常被提及的一张牌，是“躺在数据金矿上”——车企有大量工厂、园区、4S店，场景和潜在数据来源十分丰富。

但张振林说得很直白：有场景，不等于有数据；有数据，也不等于有高价值数据。

“就像每天有大量车辆在路上行驶，但这些数据并不天然都具有高价值。更何况，即使有了高价值数据，还要看有没有形成数据飞轮，让数据持续回流、训练、评测和迭代。”张振林表示。

换言之，对汽车产业链企业而言，真正重要的其实不是“有场景”本身，而是能不能把场景转化为持续的数据生产能力。

图片来源：猛士汽车

能力牌同样要打问号。

赵哲伦指出，车企切入具身智能，有两种能力需要补课。一是Physical AI闭环能力，即串联用户反馈、数据收集、模型训练、仿真测试、真实验证并最终推送新版本给用户的闭环组织能力，这在汽车行业仍属稀缺品；二是一体化创新能力，具身智能需要软硬件、产品定义、商业模式协同的整合创新。

不过，尽管困难重重，在张振林看来，仍可以从三个维度着手。

首先，建立能持续产出高价值数据的数据引擎。

这不是简单地搭个场景做数据采集，而是让机器人进入真实场景干活，在持续作业中产生真实数据。

“这些数据真正稀缺的，不只是机器人‘做过什么’，而是它为什么成功、为什么失败，失败带来了什么结果，以及如何从失败链路中恢复，最终完成任务。”张振林说。

在他看来，接下来行业真正的竞争，不是谁今天的数据最多，而是谁能够持续产生明天更有价值的数据。“特别是在当前具身智能的VLA、世界模型等技术路线还没有完全收敛的情况下，持续的数据生产和闭环能力，是我们非常关注的一点。”

其次，重构具身智能的工程体系。

汽车行业做智驾，追求的是模型在道路场景中的泛化能力，以及工程设计上的确定性。而大模型和具身智能面对的是一个更加开放、不确定的环境，需要快速迭代和更强的泛化能力。

“所以我们希望借鉴过去汽车产业形成的功能安全、可靠性验证、质量体系和V模型等工程能力，同时重新构建这些工程体系与大模型之间的接口：一边通过工程设计铸就确定性，一边允许模型在不确定性中学习和进化。”张振林表示。

再者，遵循一定的Robot ODD，逐步推进场景落地。

如同自动驾驶从ADAS起步，逐步从高速、停车扩展到城区，具身智能同样不可能一开始就有“通用大脑”。

“通用能力不是一天就能具备的，也不是简单把多种场景的数据放在一起训练就自然产生了。机器人真正落地，仍然要从一个个具体场景做起，比如分拣、搬运、巡检等，再逐步扩展能力边界。”张振林说。

顾剑民的判断与之类似。在他看来，两到三年后，将可以看到机器人率先在很多柔性产线、高强度、高容错率的岗位上落地；五年后，才是完全通用机器人大规模应用的时间点。

而现阶段，汽车供应链最该做的，是在有限场景里帮机器人训练、把数据反馈给机器人公司，先形成正向闭环，再谈上量、降本和提质。

竞争格局，同样现实。

在国内市场环境下，硬件层面的同源红利相对更容易被快速抹平。而在运动控制算法、场景数据和迭代速度上，机器人原生公司并不落下风。

当原生公司陆续在资本市场和交付榜单上跑起来时，汽车企业手里的“同源牌”，更像一张入场券，而不是通行证：它决定谁能进场，却不决定谁能赢。

结语

回到开头那个问题：六七成同源是真的，但能直接共用的远低于此。

真正同源的是产业能力，不是现成产品，更不是智能范式。

更何况，就算能力迁过去了，账怎么算：买方嫌贵、卖方有量无利、主业还在薄利——这是下一篇要算的账。