> **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，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 | 时代 | 代表方法 | 表征特点 | 局限性 | |------|----------|----------|--------| | 符号AI时代 | 知识图谱、逻辑规则 | 人工设计、离散、可解释 | 无法处理模糊性与不确定性 | | 特征工程时代 | SIFT、HOG、TF-IDF | 专家设计特征+浅层学习 | 迁移性差、依赖人工 | | 深度学习时代 | CNN、RNN、Transformer | 端到端自动学习 | 任务单一、依赖标注 | | 基础模型时代 | GPT、CLIP、多模态大模型 | 统一表征、跨模态对齐 | 可解释性、幻觉、对齐问题 | ### 表征路线分歧 | 路线 | 代表方法 | 争论焦点 | |------|----------|----------| | 表征中心 vs 生成中心 | CLIP、SimCLR、GPT、扩散模型 | 表征是专门学还是生成中涌现 | | 符号表征 vs 分布式表征 | 符号系统、神经网络 | 是否具备真正的符号推理 | | 离散表征 vs 连续表征 | VQ-VAE、JEPA | 表征形式的选择 | | 显式世界模型 vs 隐式潜空间 | Wayve GAIA、Meta V-JEPA | 是否需要生成可见未来 | ### 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。