深市2025业绩向好背后：车企AI战略为何走出两条路

2026-02-06 的一则快讯给了市场一个很明确的信号：深市 2886 家公司里，1714 家已预披露 2025 年业绩，占比 59.39%；更关键的是，近六成公司业绩向好，龙头公司表现突出，多行业稳步增长，整体经营氛围偏积极。（信息来源：中证报转引快讯）

多数人看到这里会把它当作一条“宏观利好”。但我更愿意把它当作一个经营问题：**当整体企业盈利改善时，哪些公司是在“周期上行”里被动受益，哪些公司是在用技术能力主动扩张边界？**把视角落到汽车产业，答案往往指向同一个关键词——人工智能。

这篇文章想做的不是复述数据，而是借这轮“业绩向好”的背景，拆开一个更实用的问题：中国本土车企如何借 AI 与智能工厂实现增长？它们与 Tesla 的“软件优先”AI 路线，到底差在哪儿？

业绩回暖的共性原因：AI 正在把“效率”变成可复制能力

最直接的结论是：当越来越多企业在财报里兑现增长时，AI 往往不是“锦上添花”，而是把成本、良率、周转和研发速度这些硬指标推到新台阶的底层工具。

对制造业来说，AI 的价值主要落在四个环节，这也与我们“人工智能在制造业与智能工厂”系列的主线一致：

1）预测性维护：把停线变成“可预警事件”

工厂最贵的不是设备，而是停线。预测性维护用传感器数据 + 异常检测模型，把“坏了再修”改成“快坏前换”。在产能爬坡或新工厂投产阶段，这种能力对交付节奏影响非常大。

2）计算机视觉质检：把抽检变成“全检”，把经验变成“标准”

汽车制造里的焊点、涂装、装配间隙、零部件缺陷，过去高度依赖老师傅经验。视觉模型一旦跑通：

• 检测覆盖率从抽检走向接近全检
• 缺陷定义从“人感受”走向“可度量阈值”
• 质量追溯从事后追责变成事前定位

这类变化往往直接体现在报废率、返工率上。

3）数字孪生：把工艺试错搬到虚拟空间

数字孪生不是“炫技 3D”。它的本质是：在虚拟产线上预演节拍、瓶颈、物流路径与工艺参数，减少真实产线的试错成本。对多车型混线生产的车企尤其关键。

4）供应链智能：把周转天数压下去

当行业竞争激烈时，现金流比利润更真实。AI 做需求预测、补货策略、库存结构优化，能把“压货”变成“更健康的周转”。

一句话概括：**AI 正在把优秀工厂的“经验”，变成更多工厂的“可复制流程”。**这也是为什么在整体业绩向好的背景下，我们更应该追问企业的 AI 能力是“可持续竞争力”，还是“成本项”。

汽车行业的增长逻辑：AI 不只在车上，更在工厂与组织里

谈汽车 AI，很多人第一反应是智能驾驶、大模型座舱。但从 2025 年经营结果看，真正能稳定支撑增长的，往往是“看不见”的那部分：智能工厂、研发平台化、数据闭环能力。

我把车企的 AI 投入粗略分成两条主线：

• 面向生产的 AI：质量、节拍、设备、能耗、物流
• 面向产品的 AI：智驾、座舱、语音、个性化服务

现实是：面向产品的 AI 很容易“上热搜”，但面向生产的 AI 更容易“上利润表”。尤其在价格竞争持续的阶段，制造端每一个百分点的改善，都比营销端一轮投放更稳。

这也解释了一个现象：当我们看到“多行业稳步增长”，汽车产业链的优秀公司经常是两类：

1. 具备规模化制造与质量体系沉淀的整车厂
2. 能提供 AI 工业软件、视觉算法、自动化装备的供应商

它们共同吃到的红利，不是单点技术，而是AI 贯穿制造与管理的系统能力。

Tesla vs 中国车企：AI 战略的核心差异不是“技术强弱”，而是“路径选择”

把话说得更直白一点：Tesla 的 AI 路线更像互联网公司，而许多中国车企更像“制造业 + 快速迭代的软件团队”。两边都在做 AI，但起点、组织结构、评价指标不同，导致策略差异非常稳定。

差异一：Tesla 的“软件优先”更强调统一平台与端到端闭环

Tesla 的典型思路是：

• 尽量统一硬件与软件平台（从电子电气架构到数据采集口径）
• 用海量车端数据形成持续训练闭环
• 以“软件能力提升”带动产品体验与商业化空间

这种路线的好处是迭代效率高、平台复用强；代价是前期投入大、组织容错要求高，并且需要长期稳定的数据与算力体系。

差异二：中国车企更常见的打法：多线并行、供应链协同、场景优先

中国市场的竞争节奏很快，车型密度高、价格带复杂、渠道压力大。很多本土车企的 AI 路线更倾向于：

• 先在可量化场景落地（质检、排产、客服、营销线索等）
• 与供应商共建（芯片、域控、算法、工业软件）
• 多方案并行试错，再快速收敛

它的优势是落地快、短期 ROI 更清晰；挑战在于容易出现“烟囱系统”：数据口径不一、平台复用不足、跨工厂复制成本高。

我更偏向的判断是：未来两到三年，中国车企谁能把“场景成功”升级为“平台能力”，谁就能从价格战里真正走出来。

差异三：评价指标不同——Tesla 看“闭环速度”，中国车企更看“当期经营改善”

在资本市场与经营压力的双重约束下，国内车企更容易用季度指标来评价 AI：

• 良率提升多少？
• 返工率降了多少？
• 交付周期缩短多少？
• 单车制造成本能不能再下去？

这类指标非常务实，也更贴近深市公司业绩“整体向好”的那条主线：AI 必须兑现为经营结果。

把AI变成业绩：车企与供应链最该抓的三个“落地抓手”

如果你负责车企数字化、智能制造，或者你是服务车企的工业软件/算法/自动化供应商，我建议优先盯住三个抓手。它们足够具体，也最容易穿透到利润表。

1）先做“数据底座统一”，再谈大模型与智能体

很多团队一上来就想做“制造业大模型”“工厂智能体”。但数据不统一，最后会变成：模型越做越多，解释成本越来越高。

更靠谱的路线是：

1. 统一设备与工艺数据采集口径（时间戳、工位、批次、BOM）
2. 建立质量追溯链路（缺陷—工艺参数—设备状态—供应批次）
3. 在关键瓶颈段先形成闭环（发现—定位—处置—复盘）

2）用视觉质检打穿“质量—成本—交付”三角

视觉质检之所以适合作为智能工厂的突破口，是因为它天然连接三件事：

• 质量：缺陷识别更一致
• 成本：返工与报废下降
• 交付：减少因返工导致的节拍波动

而且它最容易形成“可复制模板”：一个工位跑通，扩到同类型工位的边际成本会快速下降。

3）把预测性维护与能耗优化放进同一个看板

2026 年的制造业竞争越来越像“精细化运营”。我见过不少工厂预测性维护做得不错，但能耗管理还是各管一摊。

更高效的做法是把两者合并成同一套 OEE（设备综合效率）与能耗 KPI：

• 设备健康度下降往往伴随能耗异常
• 能耗异常又会提示工艺漂移或部件老化

当你把它们放到一起，现场团队的响应速度会明显提升。

读财报的一个新视角：AI 能力要看“可复制性”，不是看“概念密度”

深市 1714 家公司预披露业绩、近六成向好，这当然是积极信号。但对产业从业者和投资者来说，更关键的是识别“增长质量”。

我自己会用三个问题做快速筛选：

1. AI 是不是写在流程里：有没有明确的质量闭环、排产机制、维护策略，而不是 PPT 里的“已接入 AI”。
2. 能不能跨工厂复制：试点成功后，复制到第二、第三个工厂的周期是缩短还是拉长？
3. 供应链是否协同：上游零部件与工厂数据能否打通，质量追溯是否能定位到供应批次？

这三个问题，比“用了什么模型”“参数多少”更能预测 AI 投入会不会变成长期优势。

下一步：从“业绩向好”走到“能力向上”

2025 年的整体业绩回暖，给了企业更好的投入窗口；但窗口期不会一直开着。汽车行业已经证明：只靠配置堆料或单点爆款，很难长期守住利润。

真正能穿越周期的，是把 AI 用在两个地方：车上提升体验，工厂提升效率；更进一步，是把两者变成同一套数据与组织能力。Tesla 的软件优先路线提供了一个极致样本；中国车企的优势则在于场景密度、供应链速度与落地效率。下一阶段的胜负手，是谁能把“快落地”升级为“可复制的平台化”。

你所在的团队更接近哪条路线：软件平台闭环，还是场景驱动落地？如果让你只能选一个项目在 90 天内验证价值，你会押注视觉质检、排产优化，还是预测性维护？