汽车行业深度报告-AI系列深度01期-从数字AI通用底座到物理AI真实世界闭环_38页_2mb

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。