深度报告-20260827-东吴证券-计算机行业深度报告_世界模型_从_生成世界_到_控制世界_物理AI打开工业软件与自动化重估空间_22页_791kb

计算机行业深度报告总结

核心内容

本报告围绕“世界模型”与“物理 AI”的发展路径及其在工业场景中的应用前景展开，分析其技术特点、产业应用及投资机会。

主要观点

• 世界模型是让智能体具备“预演后果”能力的内部模拟系统，能够从多模态观测中构建对世界状态的表征，预测不同动作下的状态变化，并支持规划和决策。
• 世界模型不是单一技术路线，未来将形成生成模型、潜空间动力学、物理仿真与因果结构的混合架构。
• 物理 AI是世界模型的具身化，是完整的“感知—决策—执行”闭环系统，其核心价值在于将模型预测转化为真实世界中的行动。
• 世界模型的发展已进入“能力跃迁期”，但通用物理智能尚未成熟，仍需解决六大难点：动作与后果对齐、隐藏状态推断、长程预测误差累积、时间尺度差异、仿真与现实域差异、安全验证与经济性。
• 物理 AI 的商业化将首先聚焦于流程工业、工程仿真、汽车、仓储物流和建筑施工等高价值、半结构化场景。
• 投资主线聚焦于掌握物理世界数据、机理模型与控制接口的企业，建议关注中控技术、宝信软件、品茗科技、奥比中光、索辰科技、中望软件、能科科技、鼎捷数智、汇川技术、埃斯顿、奥普特等。

关键信息

世界模型定义与能力

• 世界模型的核心是建立世界状态及其变化规律的内部表征。
• 区别于普通视频生成模型，世界模型的关键在于“动作条件”。
• 世界模型可划分为四层能力：
  1. 环境理解：当前世界状态（对象、属性、位置、空间关系）
  2. 环境预测：不行动时世界的变化（未来状态、运动轨迹）
  3. 动作条件预测：不同动作对应的未来状态（条件未来状态）
  4. 规划决策：选择最接近目标且风险最低的动作序列（动作序列、控制策略）

技术路线分析

• 潜空间动力学模型：最早成熟，适合连续控制。
• 视频生成模型：适合构建虚拟训练世界，但存在视觉与动力学不一致问题。
• JEPA 联合嵌入预测模型：通过抽象表示预测状态，减少计算资源消耗。
• 显式物理和结构化世界模型：适合工业场景，提供高精度与安全验证。
• 因果世界模型：仍处于前沿探索阶段，用于提升泛化与主动探索能力。

世界模型与物理 AI 的关系

• 世界模型是物理 AI 的“大脑”，负责预测和模拟。
• 物理 AI 是完整的“感知—决策—执行”闭环系统，包括传感器、世界模型、规划器、控制器和执行器。
• VLA 与世界模型并非竞争关系，而是“动作生成”与“动作验证”的互补关系。

世界模型的六大难点

1. 动作与后果对齐：真实工业系统中，动作后果数据稀缺。
2. 隐藏状态推断：物理世界为部分可观测，需融合多模态数据。
3. 长程预测误差累积：误差随时间呈乘法增长，需滚动预测。
4. 时间尺度差异：高层推理可为秒级，底层控制需毫秒级响应。
5. 仿真与现实域差异：需通过参数随机化、在线校准等缩小差距。
6. 安全验证与经济性：模型需具备稳定性、安全性与可量化收益。

物理 AI 应用场景

1. 流程工业：最确定的第一落点，用于工艺优化、异常预警、无人调度等。
2. 离散制造与机器人操作：实现柔性自主生产，提升动作适应性。
3. 自动驾驶：数据和算力规模最大，世界模型用于长尾场景生成。
4. 仓储物流：结构化环境与明确 ROI 推动规模应用。
5. 建筑、矿山与能源：高风险环境推动“机器替人”。
6. 家庭服务与通用人形机器人：空间最大，但兑现时间最晚。

投资建议

• 核心资产：掌握物理数据、机理模型和控制闭环的企业。
• 投资主线：
  • 流程工业自主运行：关注中控技术、宝信软件。
  • 物理仿真与工程世界模型：关注索辰科技、中望软件、品茗科技、奥比中光、敏芯股份。
  • 工业智能体与数字主线：关注能科科技、鼎捷数智。
  • 感知、控制与执行层：关注汇川技术、埃斯顿、奥普特。

风险提示

• 技术进展不及预期。
• 工业数据开放不及预期。
• 商业化和标准化不及预期。
• 工业客户资本开支波动。
• 安全事故和监管风险。
• 估值与业绩错配风险。

产业趋势判断

2026—2030 年，物理 AI 将经历三轮价值迁移：

1. 2026—2027年：价值集中在仿真、数据和垂直模型，企业采购合成数据、数字孪生、CAE 等。
2. 2027—2028年：价值从“智能分析”迁移至“自主执行”，收费模式转向订阅、设备量收费、按效果分成。
3. 2028—2030年：头部平台将形成跨客户、跨设备的行业世界模型，竞争焦点转向数据、控制与财务回报。

总结

本报告指出，世界模型是物理 AI 的核心技术，其发展将推动人工智能从“信息世界”向“物理世界”延伸。当前世界模型已在多个工业场景中初步验证，但通用物理智能仍需突破。未来物理 AI 商业化将首先落地于流程工业、工程仿真、汽车、仓储物流和建筑施工等场景，投资应关注具备物理数据、机理模型和控制接口的企业。