AI系列深度04期_什么是表征_16页_628kb

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，聚焦于表征这一AI理解世界的核心机制，探讨其在数字AI与物理AI中的演进、分歧与未来方向。

主要观点

• 表征是AI理解世界的底层语言，决定了模型的推理、生成、控制能力，是技术演进与路线分歧的关键。
• 表征学习质量直接影响模型性能，其演进经历了从人工符号、特征工程、深度学习到基础模型的四个阶段。
• 当前存在四组主要的表征路线分歧：表征中心 vs 生成中心、符号表征 vs 分布式表征、离散表征 vs 连续表征、显式世界模型 vs 隐式潜空间。
• 表征是否等于理解仍是开放问题，存在“中文房间”、“符号接地”、“随机鹦鹉”等哲学质疑，但也有研究支持表征趋同的可能。
• 物理AI（如自动驾驶与机器人）在表征问题上与数字AI存在显著差异，尤其在数据来源、实时性与闭环安全方面。

关键信息

表征的三层含义

1. 数据层面：原始输入（如图像、文本）转化为可计算的向量形式，如像素矩阵、token、embedding。
2. 模型层面：神经网络中间层形成的特征，如隐藏层激活、潜空间。
3. 哲学层面：表征是否承载真实含义，涉及符号与意义的映射问题。

表征演进阶段

表征路线分歧

物理AI的表征分歧

自动驾驶

• 一段式 vs 两段式：是否将感知与决策合并。
• 端到端 vs VLA：是否引入语言或语义中间表征。
• 世界模型部署方式：云端造数据 vs 车端参与决策。
• 显式生成 vs 隐式潜空间：是否生成可见未来画面。

机器人

• 离散动作 vs 连续轨迹：动作表示形式。
• 数据来源：人类视频、真机、仿真。
• 单体VLA vs 快慢双系统：是否拆分感知与控制。
• 显式世界模型 vs 隐式潜空间：是否生成可交互的物理世界。

产业方向与投资建议

• 数字AI底座模型发展路径逐渐清晰，但其在物理世界建模方面存在瓶颈。
• 物理AI将成为AI发展的重要增量方向，尤其在智能驾驶领域已初见成效。
• 未来需关注的五个方向：

1. 统一世界表征：是否能实现图像、文字、声音、动作的跨模态对齐。
2. 离散与连续路线收敛：是否转向JEPA式连续潜空间。
3. 显式与隐式世界模型主导：哪条路线更适配物理AI的实时性与安全性。
4. 可解释与可控表征：是否能从理论走向产品应用。
5. 因果表征与真实数据闭环：是否能实现更贴近现实世界的建模与推理。

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

总结

表征是AI技术演进的核心，决定了模型对世界的理解和操作能力。从人工符号到深度学习再到基础模型，表征方式经历了多次变革。当前围绕生成中心与表征中心、符号与分布式、离散与连续、显式与隐式等路线的分歧，体现了AI范式迁移的底层逻辑。物理AI，尤其是智能驾驶与机器人，正在探索如何更有效地表征物理世界，以实现闭环决策与安全控制。未来，统一表征、可解释性、因果推理和真实数据闭环将成为观察AI发展的重要指标。