> **来源：[研报客](https://pc.yanbaoke.cn)** # 汽车行业深度报告总结 ## 核心内容 本报告围绕数字 AI 与物理 AI 的发展路径及其在物理场景中的能力边界展开分析，指出两者并非替代关系，而是长期协同演进的互补关系。报告强调，随着 AI 应用场景从信息空间逐步向物理世界扩展，数字 AI 与物理 AI 的融合将成为未来 AI 发展的重要方向。 ## 主要观点 - **发展关系**：数字 AI 与物理 AI 的关系可概括为“承接—分化—融合”，是长期协同演进，而非先后替代。 - **场景划分**：AI 应用场景可按照“物理闭环程度”划分为连续谱，从纯信息空间到真实物理世界，任务需求逐步增加对感知、动作控制和安全闭环的要求。 - **技术路径**：两者共享 Transformer 等神经网络架构，但技术路径存在显著差异。数字 AI 侧重于语义理解、内容生成与软件操作；物理 AI 则关注空间、运动、动力学与控制。 - **能力迁移**：数字 AI 能力在向物理 AI 迁移过程中，其直接复用的难度随物理闭环加深而增加。迁移可分为纯信息空间、近似物理世界和真实物理世界三个层次。 - **结论**：物理 AI 将与数字 AI 协同演进，形成完整智能系统，其中数字 AI 承担语义理解与高层规划，物理 AI 负责动作生成与闭环控制。 ## 关键信息 ### 1. 场景连续谱框架 - **纯信息空间**（场景1-3）：任务主要涉及文本、代码、知识和内容，数字 AI 能力独立闭环充分性高，物理 AI 必要性低。 - **中段场景**（场景4-5）：任务需理解物理世界数据或约束，但行动多通过软件系统或调度完成，数字 AI 与物理 AI 都有部分作用。 - **真实物理世界**（场景6-8）：任务需直接作用于物理环境，如自动驾驶、机器人、工业控制等，物理 AI 必要性高，数字 AI 仅能承担部分模块。 ### 2. 技术路径差异 | 对比维度 | 数字 AI | 物理 AI | |----------|---------|---------| | 学什么？ | 语义、知识、模式、逻辑、软件操作 | 空间、运动、动力学、接触关系、动作条件状态转移、控制 | | 主要预测对象 | token、内容结果或软件状态 | 动作、轨迹、状态转移或动作后果 | | 智能体现 | 会理解、会生成、会推理、会调用工具 | 会感知、会预测、会规划、会行动 | | 失败形式 | 幻觉、答错、格式错、调用错 | 碰撞、掉落、失控、损坏、不安全 | | 关键瓶颈 | 可靠性、事实性、上下文、权限 | 数据稀缺、长尾场景、实时控制、安全验证、Sim2Real迁移 | ### 3. 能力迁移分层 - **第一层：纯信息空间** - 代表任务：对话、代码、办公文档 - 数字 AI 能力复用方式：高，理解、生成、推理、软件操作可直接复用 - 主要瓶颈：事实可靠性、上下文、工具调用稳定性 - **第二层：近似物理世界** - 代表任务：视觉内容生成、工程仿真环境 - 数字 AI 能力复用方式：分化，视觉内容生成与多模态生成同源，工程仿真依赖物理引擎与场景建模 - 主要瓶颈：物理一致性、长程时序、可控性 - **第三层：真实物理世界** - 代表任务：自动驾驶、机器人、工业控制、家务 - 数字 AI 能力复用方式：分模块，语义与高层规划可复用，状态、动作、控制与安全需补足 - 主要瓶颈：数据稀缺、长尾、实时控制、安全验证、Sim2Real迁移约束 ## 投资建议 - 数字 AI 的价值在于其语义理解、常识、高层规划和人机交互能力，但难以独立完成物理闭环。 - 物理 AI 作为 AI 在物理世界落地的解决方案，其发展将带来更大的增量，尤其在智能驾驶、机器人等领域。 - 智能驾驶作为最先跑通闭环的代表场景，应重点关注其发展。 ## 风险提示 - 技术迭代不及预期的风险 - 大模型厂商 ARR 增速放缓的风险 - 云服务商资本开支不及预期的风险 - 智能驾驶及机器人商业化落地不及预期的风险 ## 结论 数字 AI 与物理 AI 将在各自领域长期并行发展，并在完整智能系统中实现融合。物理 AI 不仅承接数字 AI 的基础能力，还需构建面向真实闭环的专用技术栈与工程体系。