零次方机器人融资背后：Tesla与中国车企AI战略差在哪

2026-04-09 凌晨，36氪一条快讯很“硬”：具身智能企业零次方机器人宣布完成超亿元融资，团队来自清华，2025-01 创办，2025-12 已做到单月百台稳定量产，并在 2026 年以来拿下近亿元订单，与华润万家、商汤等达成合作，且在全国 20+ 地标场景验证。

我更关注的不是“又一家机器人公司融到了钱”，而是它折射出的一个趋势：**中国AI创业正在用更快的产品化速度，把“模型能力”推向“真实世界的可交付结果”。**这件事，跟汽车行业的AI竞赛其实是同一条主线——只不过，一个发生在机器人身上，一个发生在车上。

而当我们把零次方这类具身智能公司放进对照组，就能更清楚地看到：Tesla 与中国汽车品牌在人工智能战略上的核心差异，不在“有没有大模型”，而在“把AI做成系统”的方式。

从零次方的融资信息里，读到中国具身智能的三条信号

结论先放在前面：零次方这条新闻的价值在于，它同时提供了资本、供应链与场景落地三个维度的证据链。

1）资本更愿意押注“可量产的具身智能”，而不只押注模型

超亿元融资并不稀奇，稀奇的是同一条信息里出现了“单月百台稳定量产”与“近亿元订单”。这意味着投资逻辑正在从“技术叙事”转向“交付能力”。

具身智能（Embodied AI）的难点，从来不只是训练一个模型，而是让它在现实世界里：

• 看得见（传感器/视觉）
• 想得明白（策略/规划）
• 动得稳定（控制/执行器）
• 出问题能兜底（安全/监控/运维）

能做到量产与订单，说明公司至少跑通了从实验室到工程化的一段关键路。

2）“验证场景”正在变成AI企业的护城河

零次方提到在全国 20+ 地标场景完成验证，并与零售（华润万家）、AI平台（商汤）等建立合作。对具身智能来说，场景不是展示，而是数据与可靠性的来源。

这和汽车很像：

• 机器人要在门店、商超、展馆等场景反复运行，才知道“边界条件”在哪里
• 智能车要在城市道路、高速、匝道、施工区等场景反复跑，才知道“长尾风险”在哪里

谁掌握更多真实场景，谁就更可能把“模型能力”打磨成“系统能力”。

3）年轻团队的速度优势，本质是工程范式更新

“清华00后团队”当然吸睛，但我更愿意把它理解为：这批团队更擅长用软件工程 + 数据闭环 + 快速迭代去做硬件产品。

具身智能与智能车，本质都是“硬件承载的软件系统”。当工程范式改变，产品节奏就会变。

机器人到汽车：AI落地的共同难题是“系统化”，不是“会说话”

一句话回答：大模型解决的是“理解与生成”，但机器人与汽车需要的是“感知—决策—控制—安全—运维”的全链路闭环。

很多企业在传播上容易把AI简化为“上了大模型”，但真正的差距在后台：

机器人/汽车的AI系统，必须同时满足三种约束

1. 实时性：控制频率、延迟、抖动都会影响安全与体验
2. 可靠性：坏一次可能就是事故或停摆，不是“答错一题”
3. 成本：推理算力、传感器、维护成本决定能否规模化

这也是为什么具身智能公司一旦开始量产，就很难靠“PPT能力”追赶——工程约束会强迫你把系统补齐。

核心对比：Tesla的AI整车系统 vs 中国车企更分散的AI拼装

把结论讲得更直白一点：**Tesla更像是在造一台“带轮子的AI机器人”，而不少中国车企更像是在把多个AI模块装进一辆车。**两者都能跑，但成长曲线完全不同。

1）Tesla的先发优势：端到端数据闭环与整车级一体化

Tesla的AI路线长期强调“在车端形成闭环”：

• 数据从车队回流（规模化真实世界数据）
• 训练、评估、回归测试形成流水线
• 软件以 OTA 方式持续迭代

这会带来一个结构性优势：同一套系统在持续吃到同源数据，性能提升会有“复利效应”。

对外界来说，它体现为：Tesla并不把“智能驾驶”当一个功能，而更像把它当作整车的主操作系统（至少在战略上如此）。

2）中国车企的现实路径：更像“供应链集成”，而非“系统原生”

中国车企的优势在产品速度、配置与本地化体验，但在AI系统上常见的挑战是：

• 感知/地图/规划/座舱/语音分别由不同团队或供应商提供
• 训练数据分散在多平台，难以统一评估口径
• 车型平台与电子电气架构差异大，导致算法复用困难

这不是能力问题，更像产业分工下的自然结果：当你用“采购 + 集成”建立能力，就更难形成整车级的统一数据闭环。

3）为什么零次方的案例能帮助理解这件事

具身智能创业公司被迫“从第一天就系统化”，因为它们没有成熟供应链可直接拼装一台“能稳定干活的机器人”。

零次方能在 2025-12 做到百台稳定量产、2026 年拿到近亿元订单，说明其至少在几个关键点上走通了：

• 产品定义清晰：知道先在哪些任务上做到可交付
• 工程与运维闭环：批量运行意味着要处理故障、维护、升级
• 场景数据持续回流：在真实环境里持续修正策略

把这个逻辑映射到汽车：谁能更早把AI做成“整车级系统”，谁就更可能在后续迭代中获得复利。

给车企与AI团队的可执行建议：把“AI战略”落到四张表

如果你在车企、自动驾驶团队、或机器人公司负责AI落地，我建议用四张表把战略从口号变成动作。

1）数据资产表：你的数据能不能支撑“复利”

• 真实场景数据占比多少？（而不是仿真或展示路段）
• 长尾场景有没有标签策略？
• 数据回流到训练的周期多长？（天/周/月）

2）系统边界表：哪些能力必须自研，哪些可以外包

经验上，越靠近安全闭环、越决定用户体验一致性的模块，越不适合完全外包。

• 适合合作：部分传感器、部分中间件、部分工具链
• 建议自研或强主导：数据闭环、评估体系、OTA策略、安全冗余逻辑

3）评估指标表：统一口径比“跑分”更重要

把指标分三层：

• 安全指标：接管率、冲突事件、关键场景通过率
• 体验指标：加减速舒适性、路线合理性、误触发率
• 工程指标：推理延迟、故障率、版本回滚率

4）成本结构表：算清楚“规模化”那道坎

具身智能和智能车都绕不开成本：

• 单车/单机算力成本
• 传感器BOM
• 现场运维与远程诊断成本

能量产并持续交付的公司，往往不是因为“最聪明”，而是因为“最会算账”。

常见追问：融资热潮会不会只是泡沫？

我的看法偏明确：**泡沫一定有，但具身智能不会退潮。**原因很简单——它能把AI从“屏幕里”搬到“地面上”，直接对应劳动力结构变化与服务业效率。

真正会被淘汰的是两类公司：

• 只会演示、无法在真实场景稳定运行的
• 只会做单点能力、没有系统闭环与运维能力的

零次方这类公司之所以值得关注，恰恰因为它们在新闻里已经给出了“量产 + 订单 + 场景验证”的硬指标。

写在最后：下一轮竞争，比的不是谁更会讲AI，而是谁更会“做系统”

把零次方机器人的融资放在“人工智能在机器人产业”这条主线上看，它像一个信号灯：中国AI正在从模型竞赛转向交付竞赛。

映射到汽车行业，Tesla的强项是更早把AI当作整车系统去经营，而不少中国车企仍在从供应链集成走向系统原生的路上。两条路都能跑，但后者需要更坚定地补齐：数据闭环、统一评估、工程可靠性与成本结构。

接下来一年我最想看到的是：更多中国车企把“AI战略”写进工程流程，而不是发布会。你所在的团队，准备从哪一张表开始把闭环跑起来？