报告行业投资评级 - 投资评级为“看好”，并维持该评级 [13] 报告的核心观点 - AI正从汽车研发的辅助工具进入核心流程，其价值不仅在于单点工具，更在于重构研发流程的信息和数据流动 [2] - 技术拐点已经到来，多模态模型与Agent框架的成熟使AI具备了处理工程数据、执行多步骤任务的基础能力，有望将传统36-48个月的研发周期压缩至12-18个月 [9] - AI的出现促进了汽车研发价值链的再分配，为第三方汽车研发公司打开了新的变现空间，使其商业模式有望从项目外委延伸至AI工具与平台授权 [10] - 第三方汽车研发公司在数据、工程师经验和产品化动力三个维度上具备结构性优势，最有潜力在汽车研发AI化进程中破局 [11] - AI化路径将分三步走：从单点工具AI，到智能体AI，最终发展为覆盖全链路的物理AI平台 [12] 根据相关目录分别进行总结 AI正从辅助工具进入汽车研发核心流程 - 汽车研发流程横跨产品定义、造型研发与整车工程、性能/软件/同步工程开发、整车试制与试验验证四个阶段 [24][25][27] - 行业存在六大痛点：专家经验依赖高、跨部门协同链条长、设计验证闭环缓慢、数据孤岛明显、工具链对外依赖高、重复性劳动占比高 [28] - 汽车研发具有高复杂度、高成本和高安全要求三大难点，使得单个AI工具难以直接扩张到整个流程 [31][32] 技术拐点：多模态与Agent推动AI进入汽车研发深水区 - 多模态模型具备了处理图像、三维几何和工程数据的能力 [35] - AI Agent的任务时长边界在过去数年保持指数增长，约每7个月翻倍一次，使其能够处理更长的工程任务 [36] - 模型推理成本相较于去年大幅下滑，使得大规模部署Agent在经济上可行 [37] - 3D生成模型的输出从二维图像向三维几何结构演进，生成的三维资产可旋转、可测量、可编辑，为进入CAD/CAE流程提供了基础 [43][44] - AI进入汽车研发需要打通多模态生成、工程约束和研发闭环三层能力 [46] 应用价值：AI有望重构汽车研发的效率边界 - AI原生研发体系可将研发周期从传统的36–48个月压缩至12–18个月 [48][49] - AI改变了研发流程中信息流动的方式，使验证反馈前置，多个工作环节可以并行推进，从而提升迭代效率 [49] - **在产品定义阶段**，AI可以将多源数据整合为结构化的需求图谱，辅助完成功能优先级排序和配置策略制定，从“经验分析”走向“需求计算” [53] - **在造型创意与整车工程阶段**，AI的介入路径包括辅助创意发散、提升草图到三维可视化的转化效率、以及将工程约束前置到造型生成阶段 [56] - 在CAD环节，AI提效主要体现在智能检索和智能生成两条线，使分散的设计资产转化为可检索、可复用的知识库，并让CAD成为模型调用的工程软件入口 [61] - **在性能开发、软件开发和同步工程阶段**，AI可以实现多目标优化，基于历史数据建立设计变量与多项性能结果之间的映射关系，辅助工程师进行跨目标权衡 [68][71] - **在整车试制和试验验证阶段**，AI推动验证体系从物理试错走向数字闭环，可以更早识别风险、更快定位原因，并将验证结果反馈给前端环节 [71][73] - 例如，Nissan与Monolith合作，在新一代LEAF的车身螺栓连接测试中减少了17%的物理测试量 [73] AI促进汽车研发价值链再分配 - 2025年中国汽车销量达到3440.0万辆，新能源汽车销量达1649.0万辆，渗透率达47.9%，中国品牌乘用车市场份额升至69.5% [74] - 市场规模和SKU扩张为研发服务市场提供了稳定需求基础 [74] - AI平台化后，第三方研发公司的服务边界可从部分外委车型扩展至主机厂全部自研项目，收入逻辑从一次性项目交付转向可复用工具的持续授权 [10][82] - 这一商业模式变化类似于软件行业从外包向SaaS订阅的迁移 [83] - 报告测算了汽车研发总体市场空间：2025年整车研发市场规模为399.87-657.50亿元，汽车零部件研发市场规模为1963.09亿元，合计约2362.96-2620.59亿元 [88][91][94] - 在中性情形下（AI价值渗透率50%），2025年AI汽车研发市场空间约为1181.48-1310.30亿元 [94] 三层壁垒：第三方汽车研发公司最具破局可能 - **第一层数据壁垒**：第三方公司拥有跨项目、跨客户的完整且多样的工程数据集，覆盖设计、开发、验证全流程 [97] - **第二层工程师壁垒**：拥有造型、CAD、CAE等多工种工程师沉淀的隐性知识，可转化为模型校核规则，这是决定AI落地效率的关键 [99] - **第三层产品化壁垒**：第三方公司的核心资产是研发能力，有强大动力将能力产品化以突破项目制的人力规模约束，实现边际成本下降 [100][102] - 相比而言，主机厂数据深但场景窄；通用AI公司缺乏工程校核能力；第三方研发公司则能抽象跨项目的共性工程规则 [103] - 报告以阿尔特为例，指出其在这三个维度上布局较为完整 [104] AI化路径展望：三步走，从单点工具到全栈平台 - **第一阶段：单点工具AI**。从高频工程场景（如知识查询、造型生成、CAD检索）切入，解决局部效率问题，并沉淀数据资产 [106] - **第二阶段：智能体AI**。开发能自主执行多步骤任务的工程Agent，打通产品企划、造型设计、工程设计等部分环节，加快流程协同 [109][111] - **第三阶段：物理AI**。实现虚实融合与闭环迭代，最终形态可能是覆盖从产品定义到试验验证全链路的整车研发垂直平台 [112][113] - 每完成一个项目，平台积累的数据与经验会驱动其能力持续强化，形成数据飞轮 [12] - 阿尔特正定位打造汽车研发AI应用层，并已与英伟达、百度伐谋、上海人工智能实验室等机构合作，构建工业级AI研发平台 [115][116] - 公司亦通过成立合资公司积极开拓具身智能和物理AI方向，推动AI能力从技术验证走向真实产业部署 [119]