> **来源：[研报客](https://pc.yanbaoke.cn)** # 汽车行业深度报告总结 ## 核心内容 本报告聚焦人工智能（AI）在汽车行业的深度发展，重点分析了 AI2.0 时代的特征、技术演进路径以及其对产业端的影响。报告指出，AI2.0 的核心在于模型能力形成方式从“人工设计”向“规模化学习”转变，Transformer 架构成为 AI2.0 的关键基础技术，推动 AI 从专用模型向通用底座模型演进。 ## 主要观点 ### 1. AI2.0 的本质转变 - AI 第二次爆发的本质是模型能力从依赖人工设计和任务专用架构，转向基于通用架构、海量数据、参数规模与算力投入的规模化学习。 - AI1.0 时代模型能力主要集中在基础感知层面，如图像识别、文本处理等，而 AI2.0 通过自监督训练、弱归纳偏置，使模型能够学习通用表征并实现跨模态迁移。 - 通用架构（如 Transformer）的引入，使得模型能力不再局限于特定任务，而是可以跨任务、跨模态进行迁移。 ### 2. Transformer 成为 AI2.0 的通用底座 - Transformer 通过自注意力机制解决了循环网络的串行计算和长程依赖瓶颈，具备更强的并行计算能力和多模态输入输出能力。 - 从 2017 年以来，Transformer 成为主流大模型的底层架构，后续能力提升主要依赖于 MoE、长上下文、多模态融合、后训练机制等技术优化，而非底层架构的全面切换。 ### 3. AI2.0 技术演进三阶段 - **阶段一：模型能力奠基** 通过预训练、规模扩张和 Scaling Laws，模型参数承载基础能力，性能随规模提升稳定增长。 - **阶段二：人机对齐与行为优化** 引入 SFT、RLHF、DPO 等技术，使模型输出更贴合人类意图，形成可控制的交互行为。 - **阶段三：推理与外部系统赋能** 通过思维链、RAG、工具调用、强化学习推理等，模型能力逐步迁移到运行时系统，形成一体化智能体。 ### 4. GPT 系列的产业落地路径 - GPT-1 至 GPT-3 验证了 decoder-only 架构和规模化泛化能力，InstructGPT 和 ChatGPT 弥补了模型与人类指令的对齐问题。 - GPT-4 引入多模态输入，GPT-5 则整合推理、工具调用与实时路由机制，推动大语言模型从文本助手升级为综合交互入口。 ### 5. Scaling Law 的演进 - Scaling Law 从早期关注预训练参数、数据与算力，逐步扩展至数据质量、对齐方法、推理时算力、多模态输入输出与外部工具系统。 - 2024 年以来，MoE、测试时计算、RL reasoning、扩散 Transformer 等技术推动 Scaling Law 走向全链条资源优化。 ### 6. 数字 AI 任务的收敛趋势 - Transformer 作为通用架构，已逐步统一文本、图像、音频等模态的处理方式，推动架构、任务与模态三重收敛。 - 大语言模型成为数字 AI 任务的通解，但尚未具备物理世界建模闭环的能力。 ### 7. 物理 AI 的潜力 - 数字 AI 底座模型虽具备通用性，但难以建模物理世界。物理 AI 成为 AI 当前发展阶段中更具增量潜力的方向。 - 智能驾驶作为最先实现闭环的场景，成为关注重点。 ## 关键信息 - **投资建议**：增持（维持） - **技术路线**：Transformer 作为 AI2.0 核心架构，支持跨模态与通用表征学习。 - **产业形态**：从“一任务一模型”走向“一通用模型多任务”。 - **未来方向**：模型能力提升重心转向后训练对齐、推理时计算、工具调用与系统工程。 - **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。 ## 技术与产业发展路径 ### 技术发展路径 - **模型能力奠基**：Transformer 架构、预训练、Scaling Laws。 - **人机对齐优化**：SFT、RLHF、DPO 等技术实现模型行为可控。 - **推理与系统化扩展**：思维链、RAG、工具调用、强化学习推理、统一系统机制。 ### 产业落地路径 - **基础语言模型阶段**：GPT-1 至 GPT-3，验证预训练与泛化能力。 - **产品化阶段**：ChatGPT、GPT-3.5，实现人机对齐与交互优化。 - **多模态阶段**：GPT-4、GPT-4o，支持图文音多模态交互。 - **推理模型阶段**：o1、o3、GPT-5，实现复杂推理与多场景适配。 ## 行业趋势与价值重心 - **行业趋势**：AI 产业形态逐步收敛，从专用模型走向通用底座模型。 - **价值重心**：从“设计何种架构”转向“谁能把规模、数据、对齐、推理与系统工程能力做到位”。 - **未来重点**：算力、系统工程、数据工程、对齐优化、推理系统建设等。 ## 总结 AI2.0 以 Transformer 为核心，通过规模化学习与弱归纳偏置，推动 AI 从专用模型走向通用底座模型。GPT 系列展示了大语言模型在产业端的落地路径，从基础语言模型到多模态、推理型智能体。Scaling Law 从预训练阶段扩展至全链条资源优化，成为行业发展的关键指标。尽管数字 AI 任务已初步收敛，但物理 AI 仍是未来更具增长潜力的方向，智能驾驶作为代表场景值得重点关注。行业风险包括技术进展不及预期、商业化落地延迟等，需持续关注。