20260730-东吴证券-_汽车_黄细里_AI系列深度05期_模型如何学习表征并实现对齐_4页_878kb

AI系列深度05期：模型如何学习表征并实现对齐？

核心内容

本篇文档探讨了AI模型在学习表征和实现跨模态对齐方面的机制，旨在帮助读者理解表征学习的底层逻辑及其在实际应用中的意义。文档将表征学习分为三个层次：嵌入、自监督学习和多模态对齐（如CLIP），并分析了这些机制在AI技术发展中的作用与价值。

主要观点

• 表征的本质：表征是将文本、图像、商品、用户等对象映射为数字向量，使得语义相近的对象在向量空间中距离更近。
• 嵌入机制：是表征工程化的具体实现方式，为搜索、推荐、以图搜图、向量数据库和RAG等应用提供了基础。
• 自监督学习：通过数据自身构造训练信号，无需人工标注即可学习上下文、语义和结构关系。BERT、MAE、GPT等模型均依赖自监督学习形成可迁移表征。
• CLIP与多模态对齐：CLIP模型通过海量图文配对和对比学习，使图像和文字进入同一语义空间，为图文检索、开放词表识别、文生图、视觉语言模型等应用奠定了基础。
• 表征体系的关键问题：
  • 嵌入：解决表征的工程化表达；
  • 自监督：解决无标注或弱标注数据下的表征形成；
  • CLIP：解决跨模态表征对齐问题。
• AI发展路径：数字AI底座模型的发展路径逐渐清晰，但难以实现物理世界的建模闭环。因此，物理AI将成为未来更具增长潜力的方向，尤其在智能驾驶等场景中已有初步应用。

关键信息

表征学习的三层机制

投资建议与重点公司

注：上述数据为截至2026年6月30日的市值与盈利预测，港股市值以人民币计算（汇率0.87），美光科技数据以美元计算。

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。

附录：东吴证券研究所机构销售通讯录

公募机构销售

总结

本文系统梳理了AI模型在表征学习与跨模态对齐方面的核心机制，强调了嵌入、自监督学习和多模态对齐在构建通用AI能力中的关键作用。同时，文档提供了重点投资标的及东吴证券研究所的机构销售联系方式，帮助投资者获取更多专业研究支持。