20260807-东吴证券-汽车行业深度报告_AI系列深度20期_如何看物理场景中数字AI的能力边界_12页_811kb

汽车行业深度报告总结

核心内容

本报告围绕数字 AI 与物理 AI 的发展路径及其在物理场景中的能力边界展开分析，指出两者并非替代关系，而是长期协同演进的互补关系。报告强调，随着 AI 应用场景从信息空间逐步向物理世界扩展，数字 AI 与物理 AI 的融合将成为未来 AI 发展的重要方向。

主要观点

• 发展关系：数字 AI 与物理 AI 的关系可概括为“承接—分化—融合”，是长期协同演进，而非先后替代。
• 场景划分：AI 应用场景可按照“物理闭环程度”划分为连续谱，从纯信息空间到真实物理世界，任务需求逐步增加对感知、动作控制和安全闭环的要求。
• 技术路径：两者共享 Transformer 等神经网络架构，但技术路径存在显著差异。数字 AI 侧重于语义理解、内容生成与软件操作；物理 AI 则关注空间、运动、动力学与控制。
• 能力迁移：数字 AI 能力在向物理 AI 迁移过程中，其直接复用的难度随物理闭环加深而增加。迁移可分为纯信息空间、近似物理世界和真实物理世界三个层次。
• 结论：物理 AI 将与数字 AI 协同演进，形成完整智能系统，其中数字 AI 承担语义理解与高层规划，物理 AI 负责动作生成与闭环控制。

关键信息

1. 场景连续谱框架

• 纯信息空间（场景1-3）：任务主要涉及文本、代码、知识和内容，数字 AI 能力独立闭环充分性高，物理 AI 必要性低。
• 中段场景（场景4-5）：任务需理解物理世界数据或约束，但行动多通过软件系统或调度完成，数字 AI 与物理 AI 都有部分作用。
• 真实物理世界（场景6-8）：任务需直接作用于物理环境，如自动驾驶、机器人、工业控制等，物理 AI 必要性高，数字 AI 仅能承担部分模块。

2. 技术路径差异

3. 能力迁移分层

• 第一层：纯信息空间

  • 代表任务：对话、代码、办公文档
  • 数字 AI 能力复用方式：高，理解、生成、推理、软件操作可直接复用
  • 主要瓶颈：事实可靠性、上下文、工具调用稳定性

• 第二层：近似物理世界

  • 代表任务：视觉内容生成、工程仿真环境
  • 数字 AI 能力复用方式：分化，视觉内容生成与多模态生成同源，工程仿真依赖物理引擎与场景建模
  • 主要瓶颈：物理一致性、长程时序、可控性

• 第三层：真实物理世界

  • 代表任务：自动驾驶、机器人、工业控制、家务
  • 数字 AI 能力复用方式：分模块，语义与高层规划可复用，状态、动作、控制与安全需补足
  • 主要瓶颈：数据稀缺、长尾、实时控制、安全验证、Sim2Real迁移约束

投资建议

• 数字 AI 的价值在于其语义理解、常识、高层规划和人机交互能力，但难以独立完成物理闭环。
• 物理 AI 作为 AI 在物理世界落地的解决方案，其发展将带来更大的增量，尤其在智能驾驶、机器人等领域。
• 智能驾驶作为最先跑通闭环的代表场景，应重点关注其发展。

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

结论

数字 AI 与物理 AI 将在各自领域长期并行发展，并在完整智能系统中实现融合。物理 AI 不仅承接数字 AI 的基础能力，还需构建面向真实闭环的专用技术栈与工程体系。