20260807-东吴证券-_汽车_黄细里_AI系列深度15期_Transformer如何开启AI第二次爆发_4页_839kb

汽车 | AI系列深度15期：Transformer如何开启AI第二次爆发？

核心内容概述

本报告探讨了 AI 第二次爆发的核心驱动力——Transformer 架构。与 AI 1.0 时代的“一任务一模型”不同，AI 2.0 以通用底座模型为核心，结合大规模数据、算力与自监督训练，实现从基础感知到复杂任务的跨越。Transformer 通过自注意力机制解决了传统循环网络的瓶颈，成为推动 AI 技术进步的关键架构。

主要观点与关键信息

1. AI 第二次爆发的本质

• AI 1.0 以“人工设计”为核心，模型能力受限于特定任务和架构。
• AI 2.0 以“规模化学习”为核心，模型能力来源于弱归纳偏置和数据驱动。
• Transformer 架构是 AI 2.0 的关键基础，推动模型能力向通用化、多模态方向发展。

2. Transformer 技术优势

• 自注意力机制：解决循环网络的串行计算和长程依赖问题，适合 GPU 并行计算。
• 弱归纳偏置：为跨模态迁移提供统一接口，使多种输入形式进入同一模型体系。
• 技术演进：模型能力提升更多来自 MoE、长上下文、多模态融合、后训练与推理机制，而非底层架构切换。

3. 大模型发展三阶段

• 第一阶段：模型能力奠基，通过预训练、参数扩张和 Scaling Laws 提升基础能力。
• 第二阶段：人机对齐与行为优化，采用 SFT、RLHF、DPO 等技术提升模型可用性。
• 第三阶段：推理与外部系统赋能，通过思维链、RAG、工具调用、强化学习推理等方式，将模型能力迁移到实际运行系统中。

4. GPT 系列的产业落地路径

• GPT-1 至 GPT-3 验证 decoder-only 架构和规模化泛化能力。
• InstructGPT 和 ChatGPT 补齐交互入口，提升用户友好性。
• GPT-4/GPT-4o 推动模型走向多模态交互，o1/o3/o4-mini/GPT-5 进一步整合多种能力。

5. Scaling Law 的演进

• Scaling Law 描述参数量、数据量与训练算力如何转化为模型能力。
• 2024 年以来，Scaling 范围扩展至训练、推理、数据、架构、对齐与多模态的全链条资源优化。

6. 产业形态变化

• AI 2.0 推动数字 AI 任务边界初步收敛，Transformer 已覆盖文本、代码、知识库、工具、多模态输入和数字工作流。
• 产业价值重心从“设计何种架构”转向“整合规模、数据、对齐、推理与系统工程能力”。

7. 物理 AI 的前景

• 数字 AI 底座模型发展路径清晰，但难以实现物理世界的闭环建模。
• 物理 AI 将成为未来 AI 发展的增量方向，智能驾驶是当前最先跑通闭环的代表场景，应重点关注。

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

最新金股组合

数据来源：Wind，东吴证券研究所
注：所对应市值、PE 收盘价截至 2026/7/31，港股市值对应港币，其余数据货币单位均为人民币，HKDCNY 汇率为 2026 年 7 月 31 日的 0.86，盈利预测源于东吴证券研究所。

东吴证券研究所机构销售通讯录（节选）

法律声明

本公众号为东吴证券研究所依法设立、独立运营的官方订阅号，内容均来自已发布研究报告，不构成投资建议，版权归属东吴证券研究所所有。未经授权，禁止复制、转载。