> **来源：[研报客](https://pc.yanbaoke.cn)** # 汽车行业深度报告总结 ## 核心内容概览 本报告探讨了 AI 技术在数字与物理世界中的演进路径，重点分析了数字 AI 与物理 AI 的发展差异与融合。报告指出，数字 AI 已通过 Transformer 架构实现通用模型的构建，而物理 AI 则在智能驾驶等场景中逐步形成闭环系统。数字 AI 的发展路径与物理 AI 存在技术同源性，但物理 AI 面临独特的挑战，如表征构建、数据获取与学习范式差异。 ## 主要观点 ### 1. 数字 AI 的发展 - **Transformer 架构的崛起**：Transformer 通过“注意力+位置编码”机制，解决了传统 CNN 和 RNN 的局限，成为通用基础模型的核心技术底座。 - **AI 的两次爆发**： - **AI 1.0**：CNN 和 RNN 分别攻克视觉与语言任务，依赖归纳偏置，但通用性与扩展性受限。 - **AI 2.0**：Transformer 实现跨模态通用建模，支持端到端训练与大规模扩展，成为语言、视觉、生成与多模态任务的统一架构。 - **Scaling 规律**：模型能力随数据、参数和计算量呈幂律增长，从训练 Loss 向下游任务能力演进，强化学习成为关键。 ### 2. 物理 AI 的演进与挑战 - **物理 AI 的闭环路径**：物理 AI 从数字 AI 中汲取能力，但需建立“感知—行动—反馈—优化”的闭环系统。 - **三大技术差异**： - **表征差异**：物理世界缺乏天然 Token，需构建三维空间表征（如 BEV、占用网络、VAE、3D 编码器）。 - **数据差异**：物理 AI 需制造长尾、极端与事故场景，而数字 AI 数据可直接抓取。 - **学习范式差异**：物理 AI 需依赖强化学习，而数字 AI 以模仿学习为主，强化学习用于对齐与推理增强。 - **VLA 范式的演进**：从端到端到动作生成，VLA 模型逐步统一感知、语言与控制模块，成为物理 AI 的关键架构。 - **世界模型的作用**：世界模型作为数据工厂与自监督学习工具，为物理 AI 提供生成与预测能力，但其在长尾与长时域场景中仍存在可靠性挑战。 ### 3. 技术迁移与落地路径 - **数字 AI 向物理 AI 的迁移**：从架构理念到模型迁移，从感知层到控制层逐步渗透。 - **物理 AI 的落地路径**： - **云端训练与车端部署分离**：云端用于模型训练与优化，车端负责实时推理与执行。 - **时延优化**：云端压缩与车端压缩形成不同效率工具箱，提升部署能力。 - **智能驾驶作为代表场景**：智能驾驶成为物理 AI 跑通闭环的代表场景，逐步从能力展示走向大规模落地。 ## 关键信息 - **Transformer 的统一性**：Transformer 作为通用架构，已统一语言、视觉、生成与多模态任务。 - **数字 AI 与物理 AI 的协同**：数字 AI 提供能力底座，物理 AI 在真实世界中形成闭环，两者共同推动 AI 技术发展。 - **物理 AI 的核心挑战**：表征构建、数据制造与强化学习是物理 AI 的关键瓶颈。 - **VLA 与世界模型**：VLA 代表动作生成范式，世界模型则承担自监督训练与数据生成任务。 - **厂商实践差异**：Waymo、理想、小鹏等厂商在 VLA 架构与世界模型实现上呈现不同路径，反映出物理 AI 的工程边界与技术选择。 ## 技术演进路径 ### 数字 AI 技术演进 - **架构确立**：自注意力机制替代递归，确立可并行的序列建模架构。 - **范式统一与规模化**：预训练—微调成为主流，语言与生成任务统一为文本到文本。 - **对齐与推理**：引入指令微调、RLHF、CoT、RAG 等技术，提升模型可用性与推理能力。 ### 物理 AI 技术演进 - **表征演进**：从像素→BEV→Occupancy→矢量化→多模态 Token→潜在状态。 - **数据制造**：从抓取已有数据转向制造长尾、极端与事故场景。 - **学习范式**：从模仿学习向强化学习过渡，强化学习成为闭环关键。 - **VLA 模型演进**： - **预 VLA 阶段**：多模态模型作为被动解释器，不参与决策。 - **模块化 VLA 阶段**：LLM 作为主动路径规划媒介，语言作为中间表示。 - **统一端到端 VLA 阶段**：多模态输入与语言指令直接映射为控制信号。 - **推理增强 VLA 阶段**：整合长时域推理、记忆与交互，提升控制能力。 ## 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。 ## 结论 数字 AI 与物理 AI 共享技术底层，但物理 AI 面临更复杂的现实挑战。随着世界模型与强化学习的成熟，以及云车部署的逐步实现，物理 AI 将由能力展示走向大规模落地，成为当前 AI 发展最具成长弹性的方向。智能驾驶作为物理 AI 的代表场景，正从数字 AI 的能力外溢走向真正的闭环系统。