汽车行业深度报告：AI系列深度01期：从数字AI通用底座到物理AI真实世界闭环

AI系列深度01期：从数字AI通用底座到物理AI真实世界闭环 2026年07月27日 证券分析师黄细里执业证书：S0600520010001021-60199793huangxl@dwzq.com.cn研究助理童明祺 执业证书：S0600125080005tongmq@dwzq.com.cn 增持（维持） ◼数字AI已实现在语言、视觉与多模态任务中通用底座模型的跑通，但其难以实现物理世界的建模闭环；物理AI将在连续、实时、安全约束的真实世界中建立"感知—行动—反馈—优化"闭环，并在一段时间内与数字AI并列成为"任务通解"，成为物理世界场景的AI解决方案。考虑二者的技术同源性，我们认为复盘数字AI有助于理解与预测物理AI的演进。 ◼Transformer推动数字AI技术发展从专用架构到统一底座。AI第一次爆发以CNN、RNN等专用架构分别攻克视觉与语言任务，归纳偏置强、通用性受限；AI第二次爆发中，Transformer以"注意力+位置编码"提供跨领域通用的关系建模，叠加Scaling规律，统一模型在能力迁移、研发效率与工程复用上的优势持续扩大；语言、视觉、生成与多模态逐步收敛于统一基础模型范式，Transformer亦转变为通用计算底座。 ◼物理AI正从复用数字AI能力转向补齐自身底层能力。早期主要迁移Transformer等架构理念（BEV、UniAD）；当前VLM、VLA进一步建立在LLM及多模态基座之上（Waymo EMMA基于Gemini、车端VLA）。但数字AI红利或已接近阶段性瓶颈，根本原因在于，物理AI面临三类差异：一是缺少天然Token，需自主构建物理世界表征；二是长尾、极端场景稀缺且采集成本高，难以直接复制互联网数据Scaling；三是模仿学习受限于人类驾驶上限，必须依赖强化学习持续试错；就三点差异来看，我们认为世界模型或更契合物理AI发展方向。 相关研究 《整车主线周报：本周SW商用载客车表现较好，重卡6月海关出口数据公布》2026-07-27 《智能汽车主线周报：小鹏集团发布TuringViT，看好智能化》2026-07-26 ◼我们认为，数字AI底座模型发展路径已逐渐清晰，价值在于确定性；本轮AI发展未来更大的增量在物理AI，智能驾驶是其最先跑通闭环的代表场景。物理AI从表征到部署的闭环路径与数字AI差异明显，将形成独立而统一的发展路径。随着世界模型与强化学习闭环走向成熟、云车部署逐步兑现，物理AI有望由能力展示走向大规模落地，成为AI发展当前阶段最具成长弹性的方向。 ◼风险提示：技术迭代不及预期的风险；大模型厂商ARR增速放缓的风险；云服务商资本开支不及预期的风险；智能驾驶及机器人商业化落地不及预期的风险。 内容目录 2.1. AI第一次爆发：CNN与RNN以专用架构分别攻克任务.....................................................52.2. AI第二次爆发：从人工设计到规模化学习，Transformer成为通用底座............................82.3.语言智能：Transformer诞生的原生应用场景......................................................................122.4.视觉智能：正在从CNN主导转向Transformer主导..........................................................142.5.生成智能：Transformer伴随生成范式演进逐步渗透..........................................................162.6.多模态智能：Transformer从外挂对齐到统一骨干.............................................................172.7.从分立到统一：Transformer收敛为多任务骨干.................................................................18 3.数字AI提供能力底座，物理闭环决定迁移边界..........................................................................19 3.1.借鉴层级由架构理念上移至模型迁移...................................................................................193.2.表征、数据与学习范式存在系统差异...................................................................................21 4.物理AI：从能力外溢到真实世界闭环...........................................................................................21 4.1. VLA：从端到端到动作生成的范式升级...............................................................................224.1.1.自动驾驶由模块化流水线走向统一策略.....................................................................224.1.2. VLA的三大模块与阶段演进........................................................................................234.1.3.厂商路径分化与工程边界.............................................................................................24 4.2.表征：物理世界如何进入模型...............................................................................................254.2.1.物理世界缺乏天然通用Token......................................................................................254.2.2.智能驾驶表征由像素走向潜在状态.............................................................................264.2.3.世界模型承担自监督表征训练工具.............................................................................274.3.数据：从复现场景到制造场景...............................................................................................284.3.1.物理AI的数据范式由抓取已有转向制造所需..........................................................284.3.2.世界模型成为数据工厂.................................................................................................294.3.3. Corner Case制造的价值与边界.....................................................................................304.4.强化学习：从可选增强走向高物理闭环关键环节...............................................................314.4.1.模仿学习的能力上限在数字AI与物理AI之间分化................................................314.4.2.世界模型为强化学习提供高保真试错环境.................................................................324.4.3.厂商实践由端到端训练延伸至后训练.........................................................................334.5.时延：云端训练最优与车端部署最优的分离.......................................................................344.5.1.训练最优不等于部署最优.............................................................................................344.5.2.云端压缩与车端压缩形成不同效率工具箱.................................................................355.数字AI价值在确定性，本轮AI增量在物理AI..........................................................................36 6.风险提示............................................................................................................................................37 图表目录 图1：AI系列深度报告：主线三问.....................................................................................................4图2：专用模型向通用基础模型收敛...................................................................................................5图3：深度学习通用学术成果时间轴...................................................................................................6图4：CNN关键学术成果与技术演进时间轴.....................................................................................8图5：Transformer结构示意..................................................................................................................9图6：Tran