20260807-东吴证券-汽车行业深度报告_AI系列深度18期_生成智能如何引入Transformer_15页_917kb

汽车行业深度报告总结

核心内容

本报告聚焦于生成式视觉技术的发展历程，分析其从早期模型到当前主流范式的演进路径，并探讨 Transformer 在其中的逐步渗透与应用。尽管报告标题为“汽车行业深度报告”，但内容主要围绕生成式视觉技术，尤其是其与 Transformer 架构的结合，对 AI 领域的影响及未来发展方向进行深入分析。

主要观点

• 生成式视觉的本质：学习图像数据的分布规律，并在文本等条件约束下生成新内容。
• 范式迁移：生成式视觉从 GAN 向 Diffusion 模型迁移，后者以更稳定的加噪—去噪机制确立生成主干。
• Transformer 渗透路径：不同于语言领域中 Transformer 对 RNN 的快速替代，其在视觉生成中逐步渗透，从序列生成器、文本条件编码、扩散骨干替换到多模态统一与时空扩展。
• 技术演进阶段：2013—2015年为奠基期；2016—2019年为 GAN 主导期；2020—2021年为 Diffusion 复兴期；2022年为文本驱动图像生成爆发期；2023年至今为视频与多模态扩展期。
• 未来趋势：生成模型将由单图创作向连续时空与多模态交互演进，Transformer 作为统一建模框架，推动生成式视觉进入新阶段。

关键信息

1. 生成式视觉的发展阶段

阶段	时间	主导范式	代表成果	阶段定位
1	2013—2015	VAE/GAN/早期Diffusion/自回归	VAE、GAN、DCGAN	生成模型开始由深度神经网络端到端训练
2	2016—2019	对抗生成	pix2pix、CycleGAN、StyleGAN	图像生成第一次实现高真实感
3	2020—2021	去噪扩散	DDPM、DDIM、Score-based SDE	生成范式从对抗生成转向逐步去噪
4	2022	文本驱动图像生成	DALL·E2、Imagen、Stable Diffusion	自然语言成为图像生成入口
5	2023至今	可控生成、Diffusion Scaling、视频/多模态扩展	DiT、Sora、Lumiere、Veo	从单图走向可控视觉基础模型与连续时空生成

2. Transformer 在生成式视觉中的渗透环节

环节	代表模型	应用场景	替代组件	解决问题
自回归序列生成器	VQGAN、DALL·E1	序列建模	卷积或循环式生成网络	证明图像可 token 化、可序列建模
文本条件编码与注入	CLIP、Imagen、GLIDE、Stable Diffusion	文本语义编码	GAN 时代的类别标签条件	自然语言成为生成控制接口
扩散骨干替换	DiT	扩散去噪骨干	U-Net	视觉生成接入规模化路线
多模态统一与时空扩展	Sora、Veo、GPT-4o	多模态与时空建模	单一图像生成网络	从单图走向视频与多模态创作系统

3. 技术演进与核心结论

• GAN 的局限：训练不稳定、模式崩溃、缺乏显式似然、语义控制弱。
• Diffusion 的优势：训练更稳定、覆盖度好、可控性强，成为生成式视觉的主流范式。
• Transformer 的作用：在生成式视觉中，Transformer 更多作为工程化骨干与语言控制接口，而非范式更替者。
• 未来方向：生成模型将向多模态与时空连续扩展，Transformer 将在其中发挥更大作用。

风险提示

• 技术迭代与产品化落地不及预期。
• 视频与多模态生成的时间一致性与可控性不足。
• 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。

投资建议

• 报告建议“增持”，认为生成式视觉技术发展路径清晰，未来增长潜力较大。
• 强调物理 AI 的发展将成为 AI 领域增量更大的方向，智能驾驶是其中最具代表性的场景。

免责声明

• 本报告仅供东吴证券客户使用，不构成投资建议。
• 报告内容基于公开信息，不保证准确性与完整性。
• 未经授权，不得翻版、复制或发布本报告内容。
• 投资需谨慎，不应将本报告作为唯一决策依据。

附注

• 本报告由东吴证券研究所发布。
• 投资评级基于相对基准表现，非绝对推荐。
• 报告发布日期：2026年08月07日。