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？

AI系列深度03期：数字AI与物理AI的边界在哪里？ 2026年07月28日 证券分析师黄细里执业证书：S0600520010001021-60199793huangxl@dwzq.com.cn 增持（维持） ◼数字AI与物理AI并非完全对称的二分概念，更适合沿“物理闭环程度”理解。物理AI承接具身智能学术传统，并在2024—2025年由英伟达等产业主体推向主流，核心支柱包括自动驾驶和具身/人形机器人；数字AI则更多是在物理AI概念流行后，为区分信息空间智能而形成的追溯性对照词。两者边界并非孤立切分，而是在数据形态、部署环境和行动后果上连续分布。 ◼两类AI最根本差异体现在部署形态和安全约束。数字AI主要面向文本、代码、知识和软件状态，多数通用服务高度依赖云端联网和重运营；物理AI面向车辆、机器人和真实空间，不能假设随时联网，且必须在端侧自主、安全攸关和实时反馈条件下运行。高风险数字场景同样需要严格验证，但物理AI的失败更可能直接造成不可逆物理后果。 相关研究 《AI系列深度02期：AGI是什么？》2026-07-28《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》2026-07-27 ◼从技术史看，数字AI是一条由通用方法、数据与算力持续替代人工设计的路径，当前重点从训练期扩参数转向推理期扩算力；物理AI则先在自动驾驶、后在机器人中完成产业迭代，从高精地图、激光雷达和模块化系统，逐步走向端到端、VLA和世界模型。世界模型成为两类路线的共同关切，但分歧在于潜在空间是否需承载像素重建，即世界模型应重在生成，还是重在理解与规划、服务物理闭环控制。 ◼商业化节奏上，数字AI在AI Coding、企业级Agent、对话搜索和内容生成等场景已有更清晰收费与产品闭环；物理AI中Robotaxi区域化运营和收费逐步推进，人形/具身机器人仍处于出货、成本、可靠性和单位经济验证期。中美格局也呈现分工：美国在前沿模型、资本和无人里程方面领先，中国在规模化运营、供应链、硬件成本和部分应用落地上具备优势。 ◼从通往AGI的视角看，机器人正成为数字AI与物理AI的交汇点。越来越多机构认为，纯数字模型难以单独形成稳健智能，需要借助物理接地、世界模型和真实交互数据提升泛化能力。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、控制系统负责真实执行”的联合架构，但大模型先行还是世界模型/控制优先仍未收敛。 ◼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，但其难以实现物理世界的建模闭环；我们认为物理AI将成为物理世界的AI解决方案，从而在AI的当前发展阶段成为增量更大的方向，智能驾驶作为最先跑通闭环的代表场景，我们认为应重点关注。 ◼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 1.物理AI与数字AI的概念界定...........................................................................................................4 1.1.物理AI：从具身智能到产业主线...............................................................................................41.2.数字AI：物理AI概念下的追溯性对照词.................................................................................41.3.世界模型：两类AI路线的共同问题..........................................................................................4 2.1.数字AI：通用方法、数据与算力构成主线...............................................................................52.2.物理AI：自动驾驶先行，机器人接续验证...............................................................................52.2.1.自动驾驶：从模块化系统走向端到端..............................................................................52.2.2.机器人：VLA模型与数据飞轮成为主线.........................................................................62.3.技术承接与世界模型分歧............................................................................................................6 3.商业闭环：数字AI率先落地，物理AI仍在验证单位经济.............................................................7 3.1.数字AI：分场景拆解落地逻辑、市场规模与收费...................................................................73.1.1.编程AI Coding：落地最扎实、闭环最清晰...................................................................73.1.2.对话与搜索：用户规模最大，变现强度不一..................................................................73.1.3.企业级与Agent：商业变现主战场....................................................................................73.1.4.营销与内容生成：借道大厂既有变现..............................................................................83.2.物理AI场景一：自动驾驶/Robotaxi..........................................................................................83.3.物理AI支柱二：人形/具身机器人.............................................................................................8 4.中美格局与AGI：机器人成为两类路线汇合点.................................................................................8 4.1.中美格局：数字AI与物理AI各擅其长....................................................................................94.2.通往AGI：机器人成为两类路线的汇合点................................................................................9 图表目录 表1：特斯拉与Waymo自动驾驶技术路线对照...............................................................................5表2：两类“世界模型”范式对照..........................................................................................................6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........................................8 1.物理AI与数字AI的概念界定 数字AI与物理AI是一组并不对称的术语。物理AI承接具身智能学术传统，并由产业界主动定型，当前范畴主要由自动驾驶和具身/人形机器人两大支柱构成；数字AI则是在物理AI概念流行后，为与之区分才被追溯使用的对照词。 1.1.物理AI：从具身智能到产业主线 物理AI在学术上承接具身智能传统。图灵在1948年《Intelligent Machinery》中已区分具身与非具身智能；Rodney Brooks于1986年提出Nouvelle AI，并在1991年《Intelligence without representation》中主张智能可由智能体与物理环境的直接交互产生，奠定具身智能基础。作为与数字AI相对的术语，物理AI的明确学术分类可追溯至Miriyev与Kovač在2021年的研究，其将AI区分为处理信号的数字AI与包含机器人等物理实体的物理AI。 英伟达及黄仁勋将物理AI从学术概念推向产业主流话语。2024年，黄仁勋在Hill& Valley Forum等场合提出“感知AI—生成式AI—代理AI—物理AI”的阶段框架；2025年1月CES上，他以物理AI为主题作系统阐述，提出AI的下一个前沿是理解物理定律、拥有身体的AI；随后在Computex、GTC及2026年主旨演讲中持续强化。由此看，物理AI经历了2021年前后的学术分类和2024—2025年的产业定型两个阶段。 产业语境下，物理AI主要由两条落地主线构成：1）自动驾驶，包括端到端智驾与Robotaxi；2）具身/人形机器人。二者共享端侧实时推理与云端训练的架构约束，全文按双支柱口径展开，而非将物理AI窄化为人形机器人。需说明的是，双支柱指落地主线；就产业参与方向而言，为物理AI供给世界模型与合成数据的生成式一环亦参与其中，物理智能专题将按产业方向另作拆分。 1.2.数字AI：物理AI概念下的追溯性对照词 “数字AI”并非主流机构主动提出的自我标签，而是在物理AI概念流行后，为形成对照而被追溯使用的概念，通常指运行于纯数字或虚拟环境、处理文本与图像等数据的AI。OpenAI、Anthropic、Google DeepMind等机构更常以AGI、通用智能或基础模型自我界定，而较少使用数字AI标签。由此看，数字AI更多是外部为区分物理AI而赋予的信息空间智能标签。 1.3.世界模型：两类AI路线的共同问题 从底层问题看，数字AI与物理AI都关心机器能否形成可预测世界或环境状态变化的内部模型，即世界模型。但两者口径并不相同：数字AI中的世界模型更多指向生成、推理与交互环境中的内部表征；物理AI中的世界模型更强调状态与动作后果预测，例如自动驾驶需要预判变道后周边车辆与行人的反应，机器人需要预判抓取力变化下物体如何移动。世界模型因此是共同关切，而非完全同义的单一底层。 2.技术驱动力：数字AI扩展通用方法，物理AI补足物理闭环 2.1.数字AI：通用方法、数据与算力构成主线 数字AI技术史的主线，是用更通用、更可扩展的方法持续替代人工设计。1989年至1998年间，Yann LeCun以LeNet系列将卷积神经网络用于