> **来源：[研报客](https://pc.yanbaoke.cn)** ```markdown # 汽车行业深度报告总结 ## 核心内容 本报告围绕“物理 AI 如何从数字 AI 迁移”展开，分析了数字 AI 技术如何向物理 AI 转移，并探讨了物理 AI 在智能驾驶等场景中的独特挑战与发展方向。 ## 主要观点 1. **迁移路径演进** - 数字 AI 的能力向物理 AI 迁移经历了两个阶段： - **第一阶段**：架构理念的借鉴，如 Transformer 注意力机制、BEV（鸟瞰图）空间表征、端到端一体化框架等。 - **第二阶段**：模型层面的直接迁移，如 Waymo 的 EMMA 模型、理想汽车的 MindVLA、小鹏的“世界基座模型”等。 - 迁移层级从“架构”逐步上升至“模型”，但物理闭环任务的复杂性导致迁移红利逐渐收窄。 2. **物理 AI 与数字 AI 的差异** - **表征差异**：物理世界输入为连续信号（如光子、点云），需编码为可学习的三维空间表征，如 VectorNet、BEV 栅格、占用网络、三维高斯泼溅等。 - **数据差异**：高价值数据（如极端场景、事故数据）天然稀疏，采集成本高，需依赖世界模型进行数据生成与放大，如 Wayve 的 GAIA 系列、英伟达 Cosmos 等。 - **学习范式差异**：数字 AI 以模仿互联网知识为主，强化学习承担对齐和推理增强；而物理 AI 的安全目标远超人类，强化学习成为突破能力边界的关键路径。 3. **物理闭环的重要性** - 物理 AI 的最终目标是实现对物理世界的闭环建模，包括实时三维感知、安全攸关决策、接触控制等。 - 越接近物理闭环，数字 AI 成果的直接迁移空间越小，需针对物理任务进行专门设计或训练。 4. **智能驾驶作为典型场景** - 自动驾驶是物理 AI 最具代表性的落地场景，其安全性测试里程需求巨大（如需 88 亿英里以达到 ±20% 精度）。 - Waymo 等企业通过大量路测和强化学习技术，实现了安全性显著优于人类司机的驾驶表现。 5. **结论** - 数字 AI 提供了基础能力底座，但物理 AI 需要构建对物理世界的三维表征、生成稀缺数据、并依赖强化学习突破能力边界。 - 物理 AI 作为 AI 发展的重要方向，其技术路径与应用价值在当前阶段具有更大增量。 ## 关键信息 - **迁移层级**：从架构理念到模型层，物理 AI 的借鉴层级持续上移。 - **物理闭环**：实时三维感知、接触控制、安全决策等环节要求物理 AI 构建闭环模型。 - **数据挑战**：高价值数据稀缺，需依赖世界模型生成合成数据。 - **强化学习**：在物理 AI 中扮演突破能力边界的关键角色，而非仅作为后置修补。 - **智能驾驶**：作为物理 AI 先行落地场景，其安全性测试里程需求远高于数字 AI 应用。 ## 风险提示 - 技术迭代不及预期 - 大模型厂商 ARR 增速放缓 - 云服务商资本开支不及预期 - 智能驾驶及机器人商业化落地不及预期 ## 表格与图表概览 - **图1**：物理 AI 对数字 AI 借鉴层级的跃迁 - **图2**：物理世界可学习表征演进 - **图3**：自动驾驶安全性所需测试里程 - **图4**：模仿学习上限的差异：数字 AI 与物理 AI - **表1**：数字 AI 关键成果向智能驾驶的迁移路径 - **表2**：主流物理世界表征范式对比 - **表3**：世界模型作为数据工厂的代表项目 ## 总结 本报告指出，物理 AI 正在从数字 AI 的架构理念迁移逐步发展到模型层迁移，但其在物理闭环任务中的实现仍需面对表征、数据和学习范式的系统性差异。强化学习在物理 AI 中起着突破性作用，而世界模型则成为解决高价值数据稀缺问题的重要工具。智能驾驶作为物理 AI 的典型应用，其发展路径和测试需求凸显了物理 AI 在现实世界中的复杂性与挑战。未来，物理 AI 将成为 AI 技术发展的重要方向，具有更大的技术与商业增量潜力。 ```