20260730-东吴证券-_汽车_黄细里_AI系列深度04期_什么是表征_4页_883kb

【汽车*黄细里】AI系列深度04期：什么是表征？

核心内容

表征是人工智能模型对现实世界信息进行内部抽象表示的过程，是AI实现理解、推理与预测的基础。它直接影响模型在下游任务中的表现，因此是AI技术发展的关键环节。

主要观点

1. 表征的定义与重要性
   表征是AI系统对输入数据进行编码、组织和抽象的内部表示，是AI实现智能行为的前提。表征学习的质量决定了模型的性能上限。

2. 表征技术的演进阶段
   表征技术的发展经历了四个阶段：

   • 符号AI：依赖人工设计的离散符号和逻辑规则。
   • 特征工程：使用SIFT、HOG、TF-IDF等专家特征和浅层模型。
   • 深度学习：通过神经网络实现端到端的连续表征学习，代表模型如AlexNet和Transformer。
   • 基础模型：进一步实现跨任务、跨模态的统一表征空间，如GPT-3和CLIP。

3. 表征获取的路线分歧
   当前在表征如何获得和承载方面存在四组主要路线分歧：

   • 表征中心 vs 生成中心：前者强调先学好表示，后者通过生成任务形成能力。
   • 符号表征 vs 分布式表征：分别对应符号主义、连接主义及神经符号融合。
   • 离散表征 vs 连续表征：对应token化和潜空间路线。
   • 显式世界模型 vs 隐式潜空间：尤其在具身智能中体现为是否需要生成可见未来状态。

4. 表征与理解的关系
   表征是否等于理解仍是开放性问题。哲学与技术界存在争议，如“中文房间”“符号接地”“随机鹦鹉”等观点质疑模型是否真正理解。同时，也有研究认为不同模型的表征可能趋同。

5. 物理AI的视角
   在物理AI领域，表征视角可用于解释自动驾驶与机器人技术路线的分歧。两者都需要编码物理世界，但差异体现在数据来源、实时性与安全闭环等方面。自动驾驶作为最先实现闭环的场景，具有更高的关注度。

6. AI发展方向
   数字AI底座模型的发展路径逐渐清晰，但其难以实现物理世界的建模闭环。相比之下，物理AI作为AI在物理世界中的解决方案，具有更大的增量潜力。

关键信息

• 表征学习是AI系统性能的核心因素，直接影响下游任务的表现。
• 技术演进：从符号AI到深度学习再到基础模型，AI表征技术不断向自动化、统一化发展。
• 路线分歧：当前AI研究在表征的获取方式、表示形式及是否需要生成世界状态等方面存在不同路径。
• 理解与表征：表征不等于理解，相关问题仍处于研究和争议阶段。
• 物理AI：在自动驾驶与机器人领域，表征视角能解释技术路线的差异，智能驾驶作为闭环实现的代表，值得重点关注。
• 投资建议：物理AI方向可能在未来带来更大的技术突破和商业价值，建议关注相关领域的发展。

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

最新金股组合（部分）

注：市值、PE数据截至2026年6月30日，港股市值以港币计算，美光科技数据以美元计算，汇率为0.87（HKDCNY）。盈利预测来源于东吴证券研究所。

法律声明

本公众号内容为东吴证券研究所依法设立的官方订阅号内容，来源于已发布研究报告，不构成投资建议，版权仅归东吴证券研究所所有，未经授权禁止复制、转载。