20260803-东吴证券-_汽车_黄细里_AI系列深度10期_预训练与后训练如何塑造大模型_4页_878kb

汽车行业AI深度分析：预训练与后训练如何塑造大模型？

核心内容概述

本文围绕AI大模型的训练框架，重点分析预训练与后训练在模型能力形成中的作用，探讨其在数字AI与物理AI领域的应用差异，并从产业视角指出未来的发展趋势与投资关注点。

主要观点

1. 预训练与后训练的作用

• 预训练：通过海量低成本、弱标注或无标注数据学习通用能力底座，决定模型的能力来源与上限。
• 后训练：利用少量高质量指令、偏好、反馈或可验证奖励数据进行模型适配，影响模型的指令遵循、偏好对齐及推理表现。

2. 训练阶段的演变趋势

• 当前大模型的训练框架正在从预训练、后训练两阶段扩展为预训练、中训练、后训练三阶段。
• 随着技术发展，推理时计算和Agent应用正推动部分数字AI场景的算力重心从训练侧向推理侧迁移。

3. 数字AI与物理AI的对比

• 数字AI：主要依赖文本和图文语料进行预训练，后训练依赖人类偏好、可验证奖励和工具反馈。其发展路径已逐渐清晰，但难以实现物理世界的建模闭环。
• 物理AI：复用视觉语言骨干，但需要驾驶视频、机器人轨迹、真机数据、仿真环境和安全奖励等真实交互数据。当前其核心瓶颈是真实交互数据的稀缺性。

4. 产业视角下的发展重心

• 预训练仍属于资本开支密集的规模竞赛，而后训练与推理效率则更多体现为效率竞赛。
• 中国厂商正在更多地围绕后训练、推理效率、MoE（Mixture of Experts）、长上下文和工具调用等方向进行工程优化。

5. 未来发展方向

• 预训练决定能力底座，后训练成为重要增量来源，二者互补而非替代。
• 物理AI将成为当前AI发展阶段中增量更大的方向，智能驾驶作为最先跑通闭环的代表场景，应被重点关注。

关键信息

技术趋势

• 预训练与后训练的区分逐渐模糊，三阶段训练框架成为趋势。
• 推理时计算和Agent技术推动算力重心转移。

行业挑战

• 数字AI依赖的公共文本接近供给上限。
• 物理AI受限于真实交互数据的稀缺性，尤其是驾驶视频、机器人轨迹等。

产业投资方向

• 预训练仍需大量资本投入，后训练与推理效率则更关注优化和效率提升。
• 中国厂商在后训练、推理效率、MoE、长上下文和工具调用等方向进行技术突破。

重点关注领域

• 智能驾驶作为物理AI闭环的代表场景，具备较高的技术实现潜力。
• 物理AI在AI发展的下一阶段将发挥更大作用。

风险提示

• 技术迭代不及预期；
• 大模型厂商ARR（Annual Recurring Revenue）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。

金股组合（部分）

注：所对应市值、PE数据截至2026/6/30，港股市值对应港币，美光科技数据对应美元，其余为人民币。HKDCNY汇率为2026年6月30日的0.87，盈利预测源于东吴证券研究所。

东吴证券研究所联系方式

• 公募机构销售：

  • 华北区域：安娜、卢亚英、姚瑶、李佳南、韩琳、刘诗琦、程心泽、张寅瑜
  • 华东区域：武晋婧、谢彤、韩青、陈奕舟、朱纹佳、王馨卉、张祎晶、刘彦琪、宦明、毕爽、李昕蔚
  • 华南区域：封彦竹、姚珂、吴芳虹、高春贞李可睿、闫娜、先琳、祝如玉、俞云帆、刘玥

• 非公募机构销售：

  • 保险机构业务：俞雅敏、罗媛、刘昕彤、董尚文、江迎若、汤祎祎
  • 银行及创新业务：汤婷、梅沁、王莹莹、王朝阳、张琛、陈睿、郭欣然、过云龙
  • 私募业务：杭静、宋林秋、刘茜、马昕妍、黄龚晗、赵已诺、励洁茹
  • 海外业务：武晋婧、孙晓颖、陆梦杰
  • 华非公募：杨铭、陈维彤、李迪

法律声明

• 本公众号为东吴证券研究所依法设立的官方订阅号，内容均来自于已正式发布的研究报告。
• 本订阅号内容不构成投资建议，东吴证券及研究所不承担由此引发的任何损失责任。
• 所有内容版权归东吴证券研究所所有，未经书面许可，禁止复制、转载。

关注方式

• 长按右侧二维码，关注“东吴研究所”。
• 获取更多牛股资讯，尽在东吴研究。
• 微信公众号 ID：scsresearch