阿尔特（20261108）电话会议纪要关键要点总结 一、纪要涉及的公司与行业 - 公司为阿尔特，中国最大的独立第三方汽车设计公司，主营传统汽车设计业务，并通过子公司“太一”（太乙人工智能）切入物理AI与世界模型领域，同时拓展机器人业务[3][4][25] - 行业涉及汽车设计研发、物理AI/世界模型、CAE仿真求解器、人形机器人数据采集与代工量产、具身智能等领域[2][3][4] - 机器人业务合作方包括光轮智能、宇星科技、富士康（合资公司“富特康”）、一汽（人工智能联合实验室）等[3][10][12] - 海外客户涉及奔驰、雷诺、日产，以及日本的M客户、日本4S店、台湾F客户等[11][24] 二、核心观点与论据 （一）物理AI与世界模型布局 - 公司通过子公司“太一”切入物理AI/世界模型领域，定位为利用汽车研发积累的数据优势为世界模型提供关键“求解器”[3][4] - 公司拥有超过2000款车型的PB级数据，构成从问题提出、求解过程到最终答案的完整工程闭环[4] - 目前已开发6款求解器，涵盖流体力学、电磁、碰撞等领域；流体力学求解器为满足NVH研发需求开发，是公司作为英伟达SOA advisor（自2024年起）的成果，并已用于为光轮智能赋能[4] - 世界模型与纯视觉模型的核心区别在于包含更多物理约束条件，需具备快速预测的实验性与遵循物理定律的逻辑衍生两项关键能力；成熟世界模型可能需要约2500条物理求解器[4][5] - 现有约1500款CAE软件，每款包含特定模拟仿真能力（光学、力学、电磁场屏蔽等），均可转化为世界模型中的求解器[5] - 技术路径为利用开源大模型进行调试，将自有PB级数据集注入大模型反向推演求解器逻辑，并对开源大模型所有权重和因子重新调试；第一款流体力学求解器研发耗时约两年，2026年计划完成3条新求解器，目前另有约七八条求解器在产品线中开发，后续开发速度将加快[6] - 物理求解器研发为资本密集型工作，“太乙”项目既包含求解器研发远景目标，也涵盖确保当前业务发展的“面包业务”，即将相关技术封装成Agent向主机厂等下游客户销售，赋能汽车研发获取商业订单[8] - 求解器未来布局两个方向：直接对外销售求解器；通过合作模式共享PB级数据（因数据出境严格限制，世界模型泛化能力较强的厂商多在北美，数据业务无法直接销售只能合作）[8] - 物理求解器销售尚未形成明确收入预期和定价模式；与合作伙伴非排他性合作，但对方是唯一伙伴；公司是SOA供应商，具体商业模式细节无法披露[8] - 公司定位更接近中望软件或索辰科技这类开发底层CAE求解器的公司，而非广联达这类应用层软件公司；子公司太乙从清华大学团队发展而来[20] - 商业化应用体现为显著节省研发成本和时间：传统流体力学仿真渲染可能需3个月，通过AI赋能后使用“御风”产品仅需10分钟[20] - 碰撞大模型为重要方向：传统汽车碰撞测试针对不同速度（40、60、120公里/小时）和不同角度约需20到40台样车，若AI碰撞软件开发成功预计可将样车试制需求减少一半左右[21] - 物理世界模型可想象为由1500到2500款不同物理引擎构成；World Lab开发到20-25%程度指其可能已覆盖其中一部分物理引擎，公司“6条”指在全部约2000条物理引擎中目前有能力实现的部分，并非严格百分比测算[16] - 物理世界模型泛化训练不局限于机器人数据，可使用PB级各类数据；当前各方均面临数据获取挑战，许多数据源不开放；行业稀缺资源为海量的、闭环的、符合物理定义的工业级数据[17][18] （二）机器人业务：数据采集+代工双轮驱动 - 机器人领域于7月与光轮智能、宇星科技成立合资公司，业务涵盖数据采集、模拟仿真、机器人训练、真机部署与评测等环节，已在某主机厂落地开展环境数据采集、真机部署及真机数据采集，后续将开展场景数据训练与真机评测[3] - 数据采集业务侧重根据上游客户特定需求进行定制化环境与场景数据采集和开发，区别于传统模式[3] - 机器人代工业务于9月20日与富士康成立合资公司，结合富士康产线与精密制造能力及阿尔特工业设计能力；根据客户方披露信息，在手订单已达1.6万台，按终端售价估算货值约35亿至37亿元[3] - 2026年年初与一汽成立人工智能联合实验室，合作模式为获取其他厂商机器人本体进行二次开发改造为数据采集机器人，部署到主机厂采集环境数据及分拣等环节真机操作数据，再根据主机厂定制化需求进行后续开发；采集到的原始数据经清洗、标注后交由光轮智能进行模拟仿真和训练，公司负责真机评测和最终部署；从数据采集到部署前整个训练环节订单量级约在1000万到2000万之间[10] - 已开始为日本M客户、国内某主机厂、日本4S店及台湾F客户进行环境数据采集，未来模式为利用真机进行数据采集并根据客户需求定制化真机部署，前期准备工作已启动但具体落地项目尚未完全展开[11] - 业务分两部分：与富士康成立合资公司“富特康”专注机器人量产，量产前提是下游客户有明确应用场景（如4S店维修等后市场环节需明确机器人具体工作）[12] - 从概念验证到规模化落地流程：真机加装摄像头等传感器以遥感方式操作机器人抓取运动轨迹数据向客户验证可行性→采集数据清洗、标注和训练并进行模拟仿真训练→将训练好的数据模型重新注入真机在具体场景演示→若模型泛化能力良好则根据客户要求进行大规模落地部署[13] - 汽车研发经验应用于机器人领域可视为“降维打击”，约70%的汽车研发能力（包括线束和零部件设计）可通用到机器人上，机器人领域难点主要集中在减速器或轴承等少数特定部件，整体汽车设计研发难度大得多[13] - 工厂场景采集的环境数据包括产线地面材质、灯光照明强度、物料小车大小及货格数量等，主要通过真机遥控操作方式采集，采集后利用类似CAD建模技术构建仿真环境数据模型，整个建模过程由公司自主完成[14] - 数据采集和训练业务目前为每个客户提供的服务量级约1000到2000个单位，正在开发的客户涵盖国内及海外主机厂、海外消费电子厂商及中国最大自营电商品牌物流环节，当前已有五至六个客户，订单情况良好；目标未来三年内客户数量拓展至15到20个，并维持每个客户1000到2000个单位的服务规模[15] - 与富士康合作类似汽车领域“交钥匙工程”模式：汽车业务中公司负责除量产和销售外所有环节，机器人业务中公司除提供核心“大脑”部分外还可帮助客户完成量产和销售；量产布局两个方向：帮助规模较小厂商进行量产和销售；建立自有独立品牌面向消费电子和主机厂等场景布局；公司确实会向其他客户销售机器人本体[15][16] - 数据采集业务是前端开发设计过程中的环节，重要性在于将本体部署到真实场景采集数据训练和反哺大模型提升泛化能力；随着OpenAI等AI布局推进，通过闭源模型蒸馏或强化自有模型也成为有效技术路径[16] - 以某主机厂客户为例目前已完成消耗超过10台机器人本体，由于项目持续进行二次开发，本体消耗量相对较大[22] - 主机厂为机器人部署理想环境，因产线自动化程度高且汽车零部件尺寸较大，符合当前机器人精细化操作能力[11] - 数据有效性非常高：公司模式为明确下游客户具体需求后才进入实际场景进行针对性数据采集和训练，与传统数据采集服务商数据可能与客户最终要求不一致导致有效性降低不同[21] （三）技术路径：真机采集+仿真训练融合 - 技术路径强调“真机采集+仿真训练”融合：针对机器人本体损耗高（每小时300-400元）及空间限制，通过AI求解器将传统3个月的仿真渲染缩短至10分钟，大幅降本增效[2] - 真机部署成本高主要体现在机器人损耗：以售价30万元机器人为例，在每年250个工作日、每天工作4小时强度下，内部所有线束基本需一年更换一次；机器人厂家普遍缺乏售后服务，真机消耗成为最大成本构成，平均每小时消耗成本约300至400元[19] - 汽车产线真实复杂场景中客户可能需在相对狭小空间内同时部署6个机器人，若完全依赖真机采集和调试需12名人类工程师同时驻场，对空间和管理提出巨大挑战，客户也无法新建专用研发厂房，因此模拟仿真环境下并行训练至关重要[19][20] - 完整流程应为：真机采集数据→大模型深度训练→模拟场景中训练、泛化和评测→知识反馈到真机在具体场景部署和泛化，每一步不可或缺；模拟仿真对算力要求更高，如优必选等领先企业本体算力需求基本每3个月翻一倍[20] - 从模型本身看实现机器人真正泛化世界模型是更优方案，但当前世界模型面临两大挑战：基于物理真实世界的推演能力有待提升；受算力等限制模型实时反馈速度不够快、时效性有待加强[20] - 英伟达主要走仿真路线，特斯拉侧重真实世界数据采集，两种路径代表不同发展方向但并非相互排斥而是相辅相成：特斯拉作为硬件销售方侧重强调机器人本体，英伟达作为生态系统提供商突出模拟仿真环境，但特斯拉不可能完全不使用仿真环境训练，英伟达构建模拟仿真也离不开本体数据采集[18][19] - 从2025年底至2026年初Figure率先将真机部署到主机厂等场景通过采集环境及实际任务数据反哺大模型形成“数据飞轮”，受此启发国内智源及香港一家上市公司也开始采用类似模式；特斯拉预计2026年第三季度末至第四季度初开始量产，此前倾向先完成模型泛化再部署，看到Figure等厂商先行部署收集数据反哺模型效果显著后也调整了策略[9] - 汽车领域数据优势在于研发设计测试过程中（尤其碰撞实验和老化实验）车辆配备传感器进行遥感数据采集，数据无需人为二次标注因采集时已自带标注信息，大模型学习这些数据能更迅速转化为可复用智能能力；公司平台曾将数据提供给百度Apollo等合作伙伴用于VLA模型泛化[7] - VLA模型在业内有时被视为较初级模式，因其最初为自动驾驶场景开发而人类驾驶行为本身不需要精确物理感知，这正是市场关注点逐渐转向世界模型的原因；具身智能在具体场景部署时感知能力至关重要[7] - 无需清洗和标注的数据特指汽车研发过程中产生的大量遥感数据，采集时已完成标注可省去传统数据处理中清洗和标注环节；具身智能领域常见通过头戴设备或异构设备采集的视频数据则需清洗和标注；汽车研发数据商业化模式仅限于合作不能直接销售[9] （四）传统主营业务拐点与海外业务 - 2026年为公司传统主营业务拐点，在连续两年亏损后今年出现底部反转态势[25] - 国内业务因主机厂激烈竞争毛利率受影响下降幅度在5个百分点以内[23] - 海外业务增长显著：海外营收占比从2025年底的18%增长至2026年前三季度的40%[24] - 展望2026年全年预计总营收实现30%左右增长，利润方面得益于海外订单贡献前三季度利润已开始逐步释放预计势头得以保持[24] - 2027年预计传统主营业务维持与2026年相近营收增速[24] - 国内业务毛利率约29%，海外综合毛利率接近37%（36.9%左右），盈利能力较好[24] - 2026年上半年新开拓奔驰、雷诺和日产等客户，为其开发特定车型及满足车载冰箱、彩电等内饰配置需求[24] - 海外业务占比未来无法给出明确指引；国内主机厂竞争加剧但车辆销售不畅时反而更积极研究市场热销产品核心竞争力，为独立第三方设计公司带来更多订单机会，2026年国内传统主营业务表现也很好[24] - 公司横向布局人工智能领域PE投资是为迎合AI浪潮提前布局，传统主营业务高度依赖CAD和CAE软件未来可能受AI技术冲击，需提前学习掌握人工智能解决方案为自身业务赋能[25] （五）未来业绩增量与目标 - 预计2027年太乙人工智能营收达1-1.5亿元[2][24] - 机器人业务属对外投资，预计2027年实现盈亏平衡并在之后逐步贡献利润，目标未来每年提供至少1000万元投资收益[24] - AI碰撞大模型有望减少50%样车试制需求，进一步巩固主机厂客户粘性[2] 三、其他重要但可能被忽略的内容 - 公司为英伟达SOA advisor自2024年起，流体力学求解器为满足NVH研发需求开发并已用于为光轮智能赋能[4] - 公司平台曾将数据提供给百度Apollo等合作伙伴用于VLA模型泛化[7] - 数据出境存在严格限制，世界模型泛化能力较强的厂商多在北美，数据业务无法直接销售只能采取合作形式[8] - 与合作伙伴非排他性合作但对方是公司唯一伙伴，公司是SOA供应商但具体商业模式细节无法披露[8] - 2026年数据领域备受关注的核心原因与Figure等厂商“数据飞轮”模式验证有效相关[9] - 公司已开始为日本M客户、国内某主机厂、日本4S店及台湾F客户进行环境数据采集[11] - 正在开发的客户涵盖中国最大自营电商品牌的物流环节[15] - 随着OpenAI等AI布局推进，通过闭源模型蒸馏或强化自有模型成为有效技术路径[16] - 优必选等领先企业本体算力需求基本每3个月翻一倍[20] - 碰撞测试涉及不同速度（40、60、120公里/小时）和不同角度（正面、侧面、后方等）[21] - 机器人售价以30万元为例，每年250个工作日、每天工作4小时强度下内部所有线束基本需一年更换一次[19] - 汽车产线场景客户可能需在狭小空间内同时部署6个机器人，完全依赖真机需12名人类工程师同时驻场[19][20] - 约70%的汽车研发能力（包括线束和零部件设计）可通用到机器人上[13] - 公司目标未来三年内数据采集和训练客户数量拓展至15到20个[15] - 机器人业务量产布局包括建立自有独立品牌面向消费电子和主机厂等场景[16]