20260729-东吴证券-汽车行业点评报告_AI系列深度05期_模型如何学习表征并实现对齐_6页_466kb

汽车行业点评报告总结

核心内容概述

本报告围绕“表征学习”展开，探讨了AI模型如何学习和组织表征，以及如何实现跨模态对齐。报告从嵌入、自监督学习和CLIP三类基础机制入手，分析了它们在表征工程、规模化学习和多模态对齐中的作用，并指出这些机制是理解后续技术路线和多模态模型发展的基础。同时，报告也对AI在物理世界中的应用前景进行了展望，并提出了相关风险提示。

主要观点

1. 表征学习的三大基础机制

• 嵌入：将对象（如文本、图像、商品、用户）映射为数字向量，实现语义关系的几何化表达。
• 自监督学习：通过利用数据自身构造训练信号，实现对大规模无标注数据的高效学习，是预训练模型形成通用能力的关键。
• CLIP：通过对比学习，将图像和文字映射到同一语义空间，为多模态应用提供基础支持。

这三类机制共同构成了从抽象表征到具体应用的完整链条。

2. 嵌入的应用场景

• 检索：通过向量距离判断语义相似度，实现高效搜索。
• 向量数据库：存储对象的向量表示，支持快速近邻检索。
• RAG（Retrieval-Augmented Generation）：结合向量检索与大模型生成能力，解决知识更新与私有数据的问题。

3. 自监督学习的必要性与任务类型

• 必要性：人工标注成本高、数据量大，自监督学习成为规模化训练的可行路径。
• 任务类型：
  • 掩码预测：如BERT（文本）、MAE（图像）。
  • 对比学习：如SimCLR、JEPA。
  • 下一个 token 预测：如GPT系列。

4. CLIP的跨模态对齐能力

• 意义：使图像与文字进入同一语义空间，为文生图、图文检索、视觉语言模型等提供基础。
• 零样本识别：通过文字向量与图像向量的对比，实现无需额外训练的识别能力。
• 多模态底座：CLIP成为构建多模态模型的重要技术基础。

关键信息

• 表征的工程化：嵌入是将对象转化为向量的核心手段，支持多种AI应用场景。
• 自监督学习：是预训练模型形成通用能力的关键机制，解决了标注数据不足的问题。
• CLIP的跨模态对齐：通过大规模图文配对数据和对比学习，实现图像与文字的语义对齐。
• AI发展方向：数字AI底座模型已较为成熟，但物理AI在AI发展过程中具有更大的增量潜力。
• 智能驾驶的前景：作为物理AI的代表场景，智能驾驶是当前AI技术落地的重要方向。

风险提示

1. 技术迭代不及预期：数字AI与物理AI技术进展可能低于预期，任务或应用场景拓宽速度可能受限。
2. 大模型ARR增速放缓：若客户增长、续费率或客单价不及预期，模型厂商的ARR（年度经常性收入）增长可能放缓。
3. 云服务商资本开支不足：若AI算力需求或投资回报低于预期，云服务商可能减少资本开支。
4. 智能驾驶与机器人商业化落地不及预期：产品可靠性、成本下降或用户需求不足可能导致商业化进程受阻。

投资建议

• 投资评级：本报告为“增持”评级，预期未来6个月个股涨跌幅相对基准介于5%与15%之间。
• 行业前景：AI技术在多模态和物理AI方向具备广阔的发展空间，尤其是智能驾驶作为最先跑通闭环的场景，值得重点关注。

相关研究

• 《AI 系列深度 04 期: 什么是表征?》
• 《AI 系列深度 03 期: 数字 AI 与物理 AI 的边界在哪里？》

东吴证券研究所信息

• 地址：苏州工业园区星阳街5号
• 邮政编码：215021
• 传真：（0512）62938527
• 公司网址：http://www.dwzq.com.cn
• 分析师：黄细里
• 执业证书：S0600520010001
• 联系方式：021-60199793 | huangxl@dwzq.com.cn