深度报告-20260728-东吴证券-汽车行业深度报告_AI系列深度03期_数字AI与物理AI的边界在哪里_11页_632kb

汽车行业深度报告总结

核心内容概述

本报告聚焦“数字 AI 与物理 AI”的边界划分，探讨两者在技术路径、商业化节奏及中美产业格局上的异同。报告指出，数字 AI 与物理 AI 不是对称概念，而是沿“物理闭环程度”形成连续分布。数字 AI 以信息空间为载体，主要服务于文本、图像、代码等，强调通用方法、数据与算力的扩展；物理 AI 则聚焦于真实物理环境中的智能体，如自动驾驶与人形机器人，强调端侧自主、安全验证与实时反馈。

主要观点

1. 技术差异与边界

• 数字 AI：主要面向纯数字环境，依赖云端联网与持续运营，核心在于通用方法、数据和算力的扩展，当前重点转向推理期算力提升。
• 物理 AI：聚焦于物理世界中的智能体，如自动驾驶与机器人，强调端侧实时推理与闭环控制，失败可能造成不可逆物理后果。
• 世界模型：是两者共同关注的核心问题，但数字 AI 更侧重生成与推理，物理 AI 更注重状态预测与动作后果，分歧在于是否需要像素重建。

2. 商业化节奏

• 数字 AI：已在编程、对话搜索、企业级 Agent 和内容生成等场景实现商业化闭环，收费模式多样，包括订阅、API调用等。
• 物理 AI：商业化仍处于验证阶段，Robotaxi 与人形机器人是主要落地方向，但盈利模型尚未完全跑通，仍需进一步优化成本与可靠性。

3. 中美产业格局

• 数字 AI：美国在前沿模型、资本与技术领先，中国在规模化运营、供应链配套、硬件成本及部分应用场景上更具优势。
• 物理 AI：美国在具身模型与资本投入上占优，中国在出货量、执行器、减速器等硬件配套上具备基础，差距主要体现在核心零部件与高端模型能力。
• 机器人：成为数字 AI 与物理 AI 的交汇点，推动 AGI 发展。未来可能形成“多模态大模型负责语义与规划、世界模型负责物理预测、控制系统负责执行”的联合架构。

关键信息

技术驱动力

• 数字 AI：以通用方法、数据和算力为核心，从训练期扩参数转向推理期扩算力，如 OpenAIo 系列与 DeepSeek 强化学习后训练。
• 物理 AI：依赖产业场景中的工程闭环，自动驾驶与机器人均朝向端到端大模型演进，世界模型成为缓解数据稀缺的关键。

技术路径对比

• 自动驾驶：特斯拉与 Waymo 路线差异显著，特斯拉强调纯视觉与可扩展性，Waymo 强调高精地图与安全冗余。
• 机器人：VLA（视觉-语言-动作）模型与数据飞轮是主流路径，特斯拉 Optimus、Figure、英伟达 GR00T 等代表不同方向。

商业化场景与模式

• 编程 AI：落地最扎实，以代码验证和订阅收费为主，如 GitHub Copilot、Cursor。
• 对话与搜索：用户规模最大，变现强度不一，如 ChatGPT、Gemini。
• 企业级 AI：成为商业变现主战场，如 Anthropic Claude、Microsoft 365 Copilot。
• 营销与内容生成：借道大厂产品，如 Meta AI 广告工具，年化收入超 600 亿美元。
• 自动驾驶：进入区域化收费运营阶段，Waymo、百度萝卜快跑等均有数据披露。
• 人形机器人：处于初期阶段，商业化落地不成熟，多数厂商尚未跑通可持续单位经济。

风险提示

1. 技术迭代不及预期的风险。
2. 大模型厂商 ARR 增速放缓的风险。
3. 云服务商资本开支不及预期的风险。
4. 智能驾驶及机器人商业化落地不及预期的风险。

行业趋势与展望

• 物理 AI：作为当前 AI 发展阶段中增量更大的方向，值得关注，尤其在智能驾驶与人形机器人领域。
• AGI 路径：机器人成为数字 AI 与物理 AI 的交汇点，是验证 AGI 能力的重要场景。
• 联合架构：未来可能形成“多模态大模型+世界模型+控制系统”的联合架构，但路径与时间表尚不明确。

附录：图表与资料来源

• 表1：特斯拉与 Waymo 自动驾驶技术路线对照。
• 表2：两类“世界模型”范式对照。
• 表3：数字 AI 主要场景：落地逻辑、市场规模、收费与中美代表公司。

数据来源：各公司官方资料、行业研究报告，东吴证券研究所整理。