20260807-东吴证券-汽车行业深度报告_AI系列深度21期_物理AI如何从架构借鉴走向模型迁移_10页_748kb

汽车行业深度报告总结

核心内容

本报告围绕“物理 AI 如何从数字 AI 迁移”展开，分析了数字 AI 技术如何向物理 AI 转移，并探讨了物理 AI 在智能驾驶等场景中的独特挑战与发展方向。

主要观点

1. 迁移路径演进

   • 数字 AI 的能力向物理 AI 迁移经历了两个阶段：
     • 第一阶段：架构理念的借鉴，如 Transformer 注意力机制、BEV（鸟瞰图）空间表征、端到端一体化框架等。
     • 第二阶段：模型层面的直接迁移，如 Waymo 的 EMMA 模型、理想汽车的 MindVLA、小鹏的“世界基座模型”等。
   • 迁移层级从“架构”逐步上升至“模型”，但物理闭环任务的复杂性导致迁移红利逐渐收窄。

2. 物理 AI 与数字 AI 的差异

   • 表征差异：物理世界输入为连续信号（如光子、点云），需编码为可学习的三维空间表征，如 VectorNet、BEV 栅格、占用网络、三维高斯泼溅等。
   • 数据差异：高价值数据（如极端场景、事故数据）天然稀疏，采集成本高，需依赖世界模型进行数据生成与放大，如 Wayve 的 GAIA 系列、英伟达 Cosmos 等。
   • 学习范式差异：数字 AI 以模仿互联网知识为主，强化学习承担对齐和推理增强；而物理 AI 的安全目标远超人类，强化学习成为突破能力边界的关键路径。

3. 物理闭环的重要性

   • 物理 AI 的最终目标是实现对物理世界的闭环建模，包括实时三维感知、安全攸关决策、接触控制等。
   • 越接近物理闭环，数字 AI 成果的直接迁移空间越小，需针对物理任务进行专门设计或训练。

4. 智能驾驶作为典型场景

   • 自动驾驶是物理 AI 最具代表性的落地场景，其安全性测试里程需求巨大（如需 88 亿英里以达到 ±20% 精度）。
   • Waymo 等企业通过大量路测和强化学习技术，实现了安全性显著优于人类司机的驾驶表现。

5. 结论

   • 数字 AI 提供了基础能力底座，但物理 AI 需要构建对物理世界的三维表征、生成稀缺数据、并依赖强化学习突破能力边界。
   • 物理 AI 作为 AI 发展的重要方向，其技术路径与应用价值在当前阶段具有更大增量。

关键信息

• 迁移层级：从架构理念到模型层，物理 AI 的借鉴层级持续上移。
• 物理闭环：实时三维感知、接触控制、安全决策等环节要求物理 AI 构建闭环模型。
• 数据挑战：高价值数据稀缺，需依赖世界模型生成合成数据。
• 强化学习：在物理 AI 中扮演突破能力边界的关键角色，而非仅作为后置修补。
• 智能驾驶：作为物理 AI 先行落地场景，其安全性测试里程需求远高于数字 AI 应用。

风险提示

• 技术迭代不及预期
• 大模型厂商 ARR 增速放缓
• 云服务商资本开支不及预期
• 智能驾驶及机器人商业化落地不及预期

表格与图表概览

• 图1：物理 AI 对数字 AI 借鉴层级的跃迁
• 图2：物理世界可学习表征演进
• 图3：自动驾驶安全性所需测试里程
• 图4：模仿学习上限的差异：数字 AI 与物理 AI
• 表1：数字 AI 关键成果向智能驾驶的迁移路径
• 表2：主流物理世界表征范式对比
• 表3：世界模型作为数据工厂的代表项目

总结

本报告指出，物理 AI 正在从数字 AI 的架构理念迁移逐步发展到模型层迁移，但其在物理闭环任务中的实现仍需面对表征、数据和学习范式的系统性差异。强化学习在物理 AI 中起着突破性作用，而世界模型则成为解决高价值数据稀缺问题的重要工具。智能驾驶作为物理 AI 的典型应用，其发展路径和测试需求凸显了物理 AI 在现实世界中的复杂性与挑战。未来，物理 AI 将成为 AI 技术发展的重要方向，具有更大的技术与商业增量潜力。