AI系列深度04期：什么是表征？

AI系列深度04期：什么是表征？ 2026年07月29日 增持（维持） 证券分析师黄细里执业证书：S0600520010001021-60199793huangxl@dwzq.com.cn ◼表征是模型对现实世界信息形成的内部抽象表示，是人工智能进行理解、推理与预测的基础。表征学习质量直接影响下游任务上限，Bengio、Courville、Vincent等指出，机器学习效果很大程度取决于数据表示方式。我们将表征拆为三层：数据层的向量编码、模型层的中间特征、哲学层的意义承载问题。 ◼表征技术演进可概括为四个阶段：符号AI依赖人工设计的离散符号和逻辑规则；特征工程依赖SIFT、HOG、TF-IDF等专家特征与浅层模型；深度学习通过神经网络端到端学习连续表征，AlexNet与Transformer是关键节点；基础模型进一步走向跨任务、跨模态统一表征空间，GPT-3、CLIP等是代表。AI范式迁移的底层线索，是机器记录与组织世界方式的变化。 ◼围绕表征如何获得和承载，当前存在四组路线分歧：表征中心与生成中心，分别强调先学好表示或通过生成任务形成能力；符号表征与分布式表征，对应符号主义、连接主义及神经符号融合；离散表征与连续表征，对应token化和潜空间路线；显式世界模型与隐式潜空间，尤其在具身智能中体现为是否需要生成可见未来状态。 相关研究 《AI系列深度03期：数字AI与物理AI的边界在哪里？》2026-07-28 《AI系列深度02期：AGI是什么？》2026-07-28 ◼表征是否等于理解仍是开放问题。中文房间、符号接地、随机鹦鹉等观点质疑模型是否真正理解，柏拉图表征假说等研究则提示不同模型表征可能趋同。此外，表征坍缩、可辨识性、好表征判据、多模态统一表征能否成立，均是当前技术和哲学交叉的重要议题。 ◼落到物理AI，表征视角可解释自动驾驶与机器人路线分歧。自动驾驶围绕一段式与两段式、端到端与VLA、世界模型云端造数据与车端决策、显式生成与隐式潜空间展开；机器人则进一步面对动作离散token还是连续轨迹、数据来自人类视频、真机还是仿真、单体VLA还是快慢双系统等问题。两者共性在于都要编码物理世界，差异在数据来源、实时性与安全闭环。 ◼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 2.1.数据层面：把原始输入编码成向量.........................................................................................42.2.模型层面：神经网络中间层学到了什么.................................................................................52.3.哲学层面：表征能否承载真实含义.........................................................................................5 3.表征演进：从人工符号到统一基础模型..........................................................................................6 3.1.符号AI时代：人工规则构建可解释表征..............................................................................63.2.特征工程时代：专家特征支撑浅层学习.................................................................................63.3.深度学习时代：神经网络自动学习表征.................................................................................73.4.基础模型时代：统一表征支撑多任务迁移.............................................................................7 4.表征路线分歧：生成、符号、离散与世界模型..............................................................................7 4.1.路线一：表征中心vs生成中心.............................................................................................74.2.路线二：符号表征vs分布式表征.........................................................................................84.3.路线三：离散表征vs连续表征.............................................................................................84.4.路线四：显式表征vs隐式表征.............................................................................................9 5.核心争议：理解、坍缩与统一表征仍待验证..................................................................................9 5.1.表征是否等于理解...................................................................................................................105.2.表征坍缩问题...........................................................................................................................105.3.表征的可辨识性.......................................................................................................................105.4.什么是“好表征”.......................................................................................................................105.5.多模态统一表征是否可能.......................................................................................................10 6.物理AI落地：自动驾驶与机器人的表征分歧..............................................................................11 6.1.自动驾驶：端到端演进下的四类分歧...................................................................................116.2.机器人：动作表征与数据来源是核心分歧...........................................................................126.3.两个领域的共性与差异...........................................................................................................13 8.风险提示............................................................................................................................................14 图表目录 表1：“表征”一词的三层含义...............................................................................................................4表2：AI表征演进的四个时代.............................................................................................................6表3：表征中心与生成中心路线对比...................................................................................................8表4：四组表征路线之争一览...............................................................................................................9表5：自动驾驶主要公司/机构的表征路线.......................................................................................12表6：机器人和具身智能主要公司/机构的表征路线.......................................................................13 1.表征：人工智能理解世界的底层语言 表征是理解AI技术演进的底层变量。人工智能要完成识别、生成、推理或控制，首先需要把现实世界编码为机器可计算的内部表征。后续关于嵌入与自监督、CNN/ViT、RNN/Transformer、生成模型的讨论，本质上都围绕“如何获得更有效的表征”展开。 表征可以理解为机器对世界的内部记法，指AI系统将图像、文本、声音、动作等外部信息转化为可计算编码的过程。文本token与图像patch/token属于数字表征，不能直接等同于自动驾驶中的三维物理世界表征；但二者共同指向同一问题，即外部信息如何进入模型并被用于后续计算。在机器学习中，这类编码通常以向量形式存在。 分布式表征强调由多个单元共同表示一个对象，单元与对象之间形成多对多关系。Hinton、McClelland、Rumelhart在1986年提出的分布式表征思想，提供了连接主义学习的基础：新对象即使未在训练集中逐一出现，只要与已见对象在