猜你想问
这份研报主要讲了什么内容？
这份研报深入探讨了物理AI从架构借鉴到模型迁移的发展路径。报告首先定义了物理AI及其背景，指出其典型代表是自动驾驶。接着详细阐述了物理AI向数字AI迁移的两个阶段：架构理念移植（如Transformer注意力机制、BEV等）和模型层迁移（如Waymo EMMA、理想MindVLA等）。报告还分析了物理AI与数字AI在表征、数据和范式上的三重差异，强调了物理世界表征构建能力、高价值数据获取以及强化学习的关键作用。最后总结指出数字AI为物理AI提供基础能力，但物理AI才是AI增量更大的方向，智能驾驶是率先跑通闭环的场景。
物理AI与数字AI的主要差异有哪些？
物理AI与数字AI存在三重核心差异。在表征层面，数字AI处理离散带语义的文本代码，而物理AI需构建可学习的三维空间表征，如VectorNet、BEV+Transformer等技术。数据层面，数字AI依赖互联网低成本获取数据，核心是抓取清洗；物理AI的高价值数据（长尾、极端场景）稀疏昂贵，需通过世界模型生成合成数据。范式层面，数字AI模仿互联网人类知识，而物理AI模仿人类司机，安全目标更高，强化学习在物理AI中是突破能力边界的关键路径。
智能驾驶行业的发展趋势如何？
智能驾驶行业正经历从架构借鉴到模型迁移的快速发展阶段。技术正从第一阶段引入Transformer、BEV等架构理念，发展到第二阶段构建如Waymo EMMA、理想MindVLA等车端VLA模型，体现数字AI能力向物理AI扩展。物理AI通过构建物理闭环，将成为AI增量更大的方向。目前智能驾驶是率先跑通闭环的场景，未来有望引领AI技术落地。但需注意技术迭代、大模型厂商ARR增速、云服务商资本开支及商业化落地等风险。
当前智能驾驶市场处于什么阶段？
当前智能驾驶市场处于技术快速迭代和商业化探索的关键阶段。一方面，技术正从借鉴数字AI架构向构建物理AI闭环演进，如通过VectorNet、BEV+Transformer等技术实现三维空间表征，并利用世界模型生成合成数据进行训练。另一方面，行业正积极推动智能驾驶技术的落地应用，如Waymo、理想、小鹏等企业已推出具备一定自动驾驶能力的车型。但市场仍面临技术成熟度、成本控制、法规政策等多重挑战。
研报提示了哪些主要风险？
研报提示了四个主要风险：一是技术迭代不及预期，物理AI技术发展可能面临瓶颈；二是大模型厂商ARR增速放缓，影响相关企业盈利能力；三是云服务商资本开支不及预期，可能制约算力支持；四是智能驾驶及机器人商业化落地不及预期，市场需求可能低于预期。这些风险需引起投资者关注，但需结合行业长期发展趋势进行综合判断。