AI芯片到整车系统：黑芝麻智能增长背后，中国路径为何不同于Tesla

黑芝麻智能在2025年交出了一份很“硬”的成绩单：全年营收8.22亿元，同比增长73.4%，毛利从1.95亿元增长到3.37亿元，经营性亏损也同比收窄17.5%（信息发布时间：2026-03-31）。这些数字的意义不只在财务层面，更像一个信号：中国汽车AI产业链正在用“芯片+方案+交付”的方式，把AI能力变成可规模化的收入。

我一直认为，讨论“Tesla与中国汽车品牌在人工智能战略上的核心差异”，如果只盯着大模型、端到端、FSD，很容易忽略另一条同样关键的路线：**以车规AI芯片为核心枢纽，让主机厂在多供应商、多车型、多成本区间里快速落地智能驾驶与具身智能。**黑芝麻智能这类公司，就是这条路线的典型代表。

这篇文章放在「人工智能在汽车制造」系列里看，价值在于：制造业讲究可复制、可量产、可交付。AI要真正进入整车，最终会落到两件事上——算力形态与工程体系。而这两点，恰好是Tesla与中国路径分化最明显的地方。

黑芝麻智能的“高增长”到底来自哪里？

直接答案：不是单一爆款，而是三大业务引擎的协同，把“研发投入”变成“可交付产品线”。

从公开信息看，黑芝麻智能2025年的增长结构有几个值得拆解的点：

1）具身智能解决方案开始变成收入

财报披露其具身智能解决方案营收达9630万元。这类业务的关键不只是“有模型”，而是能在具体载体上跑起来：机器人、智能座舱交互、传感融合与控制等，都需要车规/工规可靠性与稳定供货。

对汽车制造链条来说，具身智能更像“把AI从屏幕里拉到物理世界”。一旦进入产线与整车平台，它就会被强制要求满足：

• 实时性：毫秒级响应、确定性调度
• 可靠性：温度、电磁、寿命等车规约束
• 可量产性：BOM成本、供应稳定、测试流程

这也是为什么“方案型收入”在中国更容易做大：主机厂要的是可交付、可验收、可复用，而不是单点演示。

2）高阶辅助驾驶随规模放量改善毛利

公告提到：高阶辅助驾驶及解决方案在规模放量后，毛利提升，同时运营成本降低，推动整体经营性亏损收窄。

这背后其实是典型的汽车供应链逻辑：

• 前期：验证周期长、客户定制深、成本结构偏重
• 放量后：同一平台在多车型复用，测试与适配边际成本下降

这和“互联网式规模效应”不同，更像“制造业平台化”。

3）连续三年高增长的含义：客户与车型在扩

连续三年高增速通常意味着两件事至少成立其一：

• 上车量在扩（更多车型、更多定点）
• 价值量在升（从单芯片到域控/方案，从L2到更高阶能力）

对潜在合作方（主机厂、Tier1、产线自动化集成商）来说，这比“技术demo”更关键：可预测的交付能力才是你敢不敢把平台押上去的前提。

Tesla的软件优先，和中国的“芯片+供应链优先”差在哪？

一句话：**Tesla把AI当作整车系统的“操作系统”，而中国多数玩家把AI当作可组合的“工业模块”。**两者各有胜负手。

1）Tesla路线：数据闭环 + 自研系统的极致一体化

Tesla最强的地方不是“某一个算法”，而是：

• 车端传感与计算平台高度统一
• 数据回传、标注、训练、部署形成闭环
• OTA像发布软件一样迭代功能

这种路线的收益是：一旦闭环跑顺，功能进化的速度极快，并且能把体验做得很一致。

但代价也明显：

• 一体化要求极强的工程组织能力
• 对供应链可替换性要求低（甚至反过来约束供应链）
• 在多价格带、多品牌、多地域法规下，扩张方式更“重”

2）中国路线：芯片与方案平台化，追求“多客户适配”

黑芝麻智能这类公司更像在做：

把智能驾驶与具身智能的关键能力，封装成可量产的芯片与解决方案，让主机厂按自己的产品策略去拼装。

这会带来三个现实优势：

• 适配速度：不同主机厂不同电子电气架构，方案供应商更擅长快速对接
• 成本分层：从入门到高配，算力平台可做梯度覆盖
• 交付分工：主机厂、Tier1、芯片/方案商各自承担工程风险

但这条路的挑战也很硬：

• 容易陷入“项目制”，如果平台化不足，利润会被交付吞噬
• 数据闭环分散在主机厂与多方生态，形成统一迭代节奏更难

黑芝麻智能2025年毛利与亏损改善，某种程度上说明其在从“项目制”往“平台化产品”迁移，这是关键拐点。

为什么说“AI芯片+方案协同”更符合中国汽车制造现实？

直接答案：中国市场的车型密度、迭代节奏与供应链分工，天然要求AI能力可拆分、可复用、可规模交付。

把视角拉回「人工智能在汽车制造」：AI不只在车上，也在工厂里。

1）从研发到量产：汽车需要“工程可控”的AI

制造企业最怕的是“能力很强，但不可控”。在量产里，任何AI能力都要回答：

• 失效模式是什么？怎么测试覆盖？
• 算力冗余与热设计怎么做？
• 供应周期、成本、替代方案是否可控？

所以中国厂商更愿意拥抱：明确边界的芯片与可验收的解决方案，把风险分摊在产业链上。

2）供应链协同：把AI变成“可采购的工业品”

当AI被封装为车规芯片、域控平台、工具链、参考设计，主机厂就能像采购传统零部件一样采购AI能力。

这会带来一个非常现实的结果：

• AI能力更快扩散到更多车型
• 产业链整体智能化速度更快
• 竞争变成“谁的平台更容易上车、谁的交付更稳”

黑芝麻智能提到的“三大业务引擎协同”，本质上就是：用协同把交付不确定性降下去。

3）具身智能的落点：车企下一阶段的“第二战场”

2026年开始，越来越多车企把目光投向：机器人、园区物流、工厂自动化、售后与门店服务。这些都属于具身智能的“商业化近场”。

我更看好中国路线的一个原因是：中国车企本身就拥有工厂、园区、供应链与服务网络，具身智能的试点场景密度更高。芯片与方案公司如果能在这些场景里跑通交付模型，反而可能比纯消费电子路径更快变现。

读者最关心的三个问题（可直接拿去开会用）

Q1：主机厂做AI，应该更学Tesla，还是押中国供应链平台？

答案很实际：预算与组织决定路线。

• 你有强软件组织、强数据闭环能力、能承受长周期投入：更接近Tesla
• 你要覆盖多车型、多价位、快速上量：更适合“芯片+方案平台化”

很多成功者会走折中：核心体验自研，底层算力与工具链靠产业链。

Q2：怎么判断一家AI芯片/方案公司是不是“能量产”？

我通常看四个指标：

1. 上车规模：定点数量与量产车型数
2. 毛利趋势：放量后毛利是否抬升（能否平台化）
3. 交付复用率：同一平台能否跨客户复用
4. 工具链与生态：开发、验证、适配是否标准化

黑芝麻智能2025年毛利增长与亏损收窄，至少在“放量效率”上给了正面信号。

Q3：对供应商/集成商来说，2026年最该押哪类能力？

优先级我会这样排：

• 工程化能力（测试、功能安全、量产验证）
• 算力平台与工具链（降低适配成本）
• 数据闭环接口能力（让主机厂愿意把数据接进来）

大模型当然重要，但在汽车制造体系里，能否按期交付、可控迭代，往往比模型参数更“致命”。

写在最后：差异不是谁更先进，而是谁更适合落地

黑芝麻智能2025年营收8.22亿元、同比**+73.4%**这类数字，放到“Tesla vs 中国品牌”的讨论里，我更愿意把它理解为：中国汽车AI正在形成自己的工业化路径——芯片与解决方案先规模化，让智能能力像零部件一样进入整车与工厂。

如果你正在做智能驾驶、具身智能、或汽车制造数字化的规划，我建议用一句话做内部对齐：

Tesla在做“整车AI操作系统”，中国生态更擅长做“可量产的AI工业模块”。

下一步值得追问的是：当具身智能从车端延伸到工厂、园区与服务网络，中国这条“模块化+供应链协同”的路线，会不会反过来在成本与规模上形成新的优势？