> **来源：[研报客](https://pc.yanbaoke.cn)** # 汽车行业深度报告总结 ## 核心内容 本报告围绕人工智能（AI）在汽车行业中的应用，重点分析了“表征”在AI技术演进中的核心地位。表征是AI系统对现实世界信息的内部抽象表示，是理解、推理、预测和决策的基础。表征学习的质量直接决定了下游任务的上限。报告指出，当前AI发展经历了四个阶段：符号AI、特征工程、深度学习和基础模型，每阶段的表征方式都有所不同。 ## 主要观点 - **表征的重要性**：表征是AI理解世界的底层语言，决定了模型的能力边界。其质量影响识别、生成、推理和决策的效果。 - **表征的三层含义**：包括数据层（将原始输入编码为向量）、模型层（神经网络内部特征）和哲学层（是否承载真实含义）。 - **表征技术演进**：从人工符号到自动学习，从单一任务到多模态统一表征，AI表征逐渐走向更高效、更通用的统一空间。 - **表征路线分歧**：包括表征中心与生成中心、符号与分布式、离散与连续、显式与隐式世界模型等四组路线之争，反映了AI范式演进的多样性。 - **物理AI与数字AI的差异**：数字AI底座模型已较为清晰，但物理AI更关注如何建模真实物理世界，成为AI当前阶段更具增量价值的方向。 - **自动驾驶与机器人表征分歧**：两者在数据来源、实时性、安全闭环等方面存在差异，但都围绕物理世界的编码展开。 ## 关键信息 ### 表征的定义与作用 - 表征是AI系统对现实世界的内部抽象表示。 - 表征学习直接影响模型性能和任务上限。 - 表征可以分为数据层、模型层和哲学层。 ### 表征技术演进阶段 1. **符号AI时代**：依赖人工设计的符号和规则，具有可解释性但扩展性差。 2. **特征工程时代**：由专家设计特征，输入为像素矩阵、token等，依赖大量标注数据。 3. **深度学习时代**：神经网络自动学习表征，如CNN、Transformer，具备端到端能力。 4. **基础模型时代**：统一表征支撑多任务迁移，如GPT、CLIP等，强调跨模态对齐。 ### 表征路线分歧 - **表征中心 vs 生成中心**：前者优化表征，后者在生成任务中形成表征。 - **符号表征 vs 分布式表征**：符号强调可解释性，分布式强调扩展性。 - **离散表征 vs 连续表征**：离散更贴合现有大模型，连续更利于物理世界建模。 - **显式世界模型 vs 隐式潜空间**：显式生成可见未来画面，隐式预测关键状态。 ### 表征核心争议 - **理解边界**：表征是否等于理解仍存争议。 - **表征坍缩**：不同输入映射为相似表示，影响模型性能。 - **可辨识性**：不同训练数据和方法是否收敛至相似表征。 - **好表征判据**：任务准确率、可解释性、因果一致性等。 - **多模态统一表征**：图像、文本、声音、动作能否进入同一空间，仍需验证。 ### 物理AI在自动驾驶与机器人中的应用 - **自动驾驶**：主要围绕端到端架构、世界模型部署方式、显式与隐式生成路线等展开分歧。 - **机器人**：核心问题包括动作表征（离散或连续）、数据来源（人类视频、仿真、真机数据）、系统架构（单体VLA或快慢双系统）等。 - **共性与差异**：两者均需对物理世界进行编码，但数据来源、实时性要求和世界模型定位存在显著差异。 ## 未来方向 1. **统一世界表征**：图像、文本、声音和动作能否持续收敛至统一空间。 2. **离散与连续路线**：下一代模型是否转向连续潜空间。 3. **显式与隐式世界模型**：谁将成为物理AI的主导路径。 4. **可解释与可控表征**：能否实用化，是否满足监管要求。 5. **因果表征与真实世界数据**：AI能否更贴近真实世界因果结构，高质量数据闭环是否可实现。 ## 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 ## 结论 表征革命是AI范式演进的主线，决定AI如何理解、组织和决策世界。当前AI技术路线仍处于验证阶段，需关注统一表征、离散与连续路线、显式与隐式世界模型、可解释可控表征及因果表征等方向。