赛力斯2025年营收1648.88亿元增长13.63%。本文从财报出发，对比特斯拉“软件优先、数据驱动”路径，拆解AI如何真正提升制造与利润。
赛力斯营收增长13.63%背后：AI战略为何决定车企长期价值
赛力斯刚交出一份“看起来不错”的成绩单：2025年营业收入1648.88亿元，同比增长13.63%；归母利润59.56亿元，同比增长0.18%（信息披露时间：2026-03-30）。数字本身足够亮眼，但我更关心的是另一层含义：当行业进入“智能化下半场”，这种增长有多少来自产品与渠道，有多少能被人工智能能力持续放大？
很多公司把AI当作配置表上的卖点：更大屏、更会聊天、更“像人”。但智能汽车真正的分水岭，不在于一次发布会能演示多少功能，而在于你是否建立了软件优先、数据驱动的飞轮。也正是在这里，特斯拉与多数中国汽车品牌（包括以赛力斯为代表的整车厂）出现了核心差异。
这篇文章放在「人工智能在汽车制造」系列里，我们不只复述财报，而是把财务增长与AI战略绑定起来看：营收增长可以靠一两款爆款，但长期价值靠的是可复制的AI系统能力。
财报数字的含义：增长不等于“AI护城河”
先把话说透：**13.63%的营收增长是竞争力的体现，但它本身并不能证明AI战略已经跑通。**财报里最值得咀嚼的一点，是利润端的表现——归母利润同比仅0.18%。这类“营收涨、利润平”的组合，在汽车行业并不罕见：价格战、渠道费用、供应链波动、产能利用率，都可能吞噬毛利。
当利润弹性不足时，车企最容易走向两条路：
- 继续卷硬件与价格：用配置、补贴、金融方案拉动销量；
- 转向软件与服务：用可迭代的软件体验、订阅与生态带来更稳的盈利结构。
区别在于，第一条路依赖外部变量（竞品动作、宏观消费、补贴与政策），第二条路更依赖内部能力，尤其是数据闭环与软件工程能力。这也是为什么我会把赛力斯的财务增长，拿来对比特斯拉的AI路线：一个更容易被短期市场解释，另一个更像在搭建长期机器。
核心差异一：特斯拉的“软件优先”，是组织结构不是口号
**特斯拉的AI战略本质是一套产品与研发组织方式：把车当作持续升级的软件载体。**它的价值不只体现在自动驾驶上，更体现在每一次OTA迭代、每一次模型更新、每一次数据回流所形成的“可复用能力”。
软件优先带来的三种复利
- 研发复用率更高：同一套感知、规划、控制与车端算力架构，能覆盖多车型；
- 问题定位更快：线上数据回传 + 统一的日志体系，让质量问题从“靠经验找”变成“靠数据抓”；
- 商业模式更灵活：功能可拆分、可订阅、可组合，收入结构更接近互联网。
很多车企也在做OTA、也在喊“软件定义汽车”，但常见的现实是：组织仍以传统车型项目制为主，软件团队更像“配合交付”。当软件只是“后装能力”，AI就很难变成持续增厚利润的引擎。
把这点放回赛力斯的财报语境：**营收增长说明产品打得动市场，但利润增长乏力提示企业需要更强的“内生效率”。**而AI最擅长提升的，恰恰是效率。
核心差异二：中国车企更强在“场景落地”，但更缺“数据闭环”
我对中国车企的判断并不悲观：在座舱交互、城市道路场景、供应链速度上，中国品牌往往更贴近用户，也更快把功能做出来。
问题在于：**功能做出来不难，难的是让功能越用越强、越跑越省。**这需要三件事同时成立：
- 高质量数据采集：采到的不是“能用”，而是“可训练、可对齐、可追溯”；
- 训练与评测体系：不仅追求demo效果，更要有可量化的安全指标、覆盖率指标、回归测试；
- 端到端工程化：从数据到模型到发布，再到线上监控与回滚机制，形成工业流水线。
不少车企在现实中会遇到“数据割裂”：研发、制造、售后、供应链、渠道各有系统，各有指标。AI项目就变成“点状智能”，最后很难沉淀成平台能力。
这也呼应「人工智能在汽车制造」系列的主线：AI不只是让车更聪明，更重要是让造车这件事更可控、更高效。
从“造车”到“造系统”：AI在汽车制造的三条增益路径
如果把赛力斯这类营收规模放在制造业语境里，AI的价值可以拆成三条清晰路径。它们不靠玄学，靠的是指标。
1）设计与研发：把试错成本压下去
**AI在整车设计阶段的直接贡献，是减少迭代次数与样车成本。**典型做法包括：
- 基于历史BOM、故障库与供应商数据的可制造性评估（DFM）；
- 用仿真+模型预测加速气动、NVH、热管理方案筛选；
- 软件需求自动化测试，减少版本回归成本。
对管理层来说，最实用的衡量方式不是“用了多少AI”，而是：
- 单车型研发周期是否下降；
- 关键零部件变更次数是否下降；
- 软件缺陷密度与修复周期是否下降。
2）生产与质量：用机器视觉做“可量化的良率提升”
**AI质检的价值在于稳定、可追溯、可复制。**在焊点、涂装、装配间隙面差、线束错装等环节，机器视觉和异常检测可以把“靠老师傅”变成“靠标准”。
我更看重的是一套闭环：
- 线上检测发现异常 → 自动定位工位/批次/供应商 → 触发工艺参数调整 → 再验证。
当这套闭环跑通，良率提升会直接体现在财务里：报废、返工、保修成本都会下降。对于利润增长乏力的企业，这种“制造端的AI”往往比座舱更接近利润。
3）供应链与售后：把不确定性变成可预测
汽车产业链长、波动大。AI在供应链更像“风险管理工具”：
- 需求预测：把订单、地域、渠道活动与宏观变量结合，降低缺货与库存；
- 供应商质量预警：用来料检验与售后故障数据反推供应风险；
- 售后智能诊断：用故障码、工单文本、语音记录做聚类，提前召回或改进。
这条线的关键指标很现实：库存周转天数、缺货率、保修成本占比。
一个更尖锐的判断：AI投入的分水岭在“谁来定义问题”
很多企业做AI项目失败，不是模型不够强，而是问题定义错了。
特斯拉式路径通常是：
先定义“系统级目标”（安全、效率、体验一致性），再让数据与软件工程围绕目标迭代。
而不少车企更常见的是：
先从“功能列表”出发（要一个助手、要一个记忆泊车、要一个大模型），最后发现数据、算力、流程都跟不上。
两种路径的差异会在财报里慢慢显形：前者会逐步带来软件收入、毛利改善与效率提升；后者更像一次性投入，难以形成复利。
把赛力斯的增长放进这个框架里看：营收增长证明市场认可产品，但接下来要回答的问题是——AI到底是“锦上添花”，还是“利润与效率的发动机”？
给车企管理层与产业从业者的可执行清单（从下季度就能做）
如果你在整车厂、零部件、工厂或数字化团队里，下面这份清单比“再买一套大模型”更有效：
- 先选一个最贵的痛点：返工、报废、保修、停线，哪个成本最高先打哪个。
- 建立统一数据字典与追溯链：没有可追溯的数据，AI只能做演示。
- 把评测体系写成“门槛”：上线前必须过覆盖率、回归测试、误检漏检阈值。
- 用“闭环”而不是“准确率”验收：发现异常→定位原因→工艺/软件调整→复验通过，这才算完成。
- 让业务负责人对结果负责：AI项目不要只归IT或算法团队，业务指标必须绑定。
这套方法的好处是：不需要等三年，也不需要等行业共识。只要你能把一次改进变成流程，就能把一次投入变成复利。
结尾：赛力斯的增长值得肯定，但下一步更关键
赛力斯2025年的营收增长13.63%，说明它在中国汽车市场的竞争中站稳了一段身位。只是，智能化竞争已经进入“拼系统能力”的阶段：靠产品爆款可以赢一阵，靠软件与数据闭环才能赢更久。
我更期待看到的是：当赛力斯（以及更多中国车企）把AI从“功能层”推进到“制造与运营的系统层”，利润端能否出现更有弹性的变化——这会比任何一次发布会更能说明问题。
如果你正在评估自己的AI战略，不妨问团队一个直接的问题：**我们现在积累的数据与软件能力，是否能让下一代车型比这一代更快研发、更低成本、更稳定交付？**答案会很诚实，也会决定未来三年的竞争位置。