汽车行业深度报告：AI系列深度01期：从数字AI通用底座到物理AI真实世界闭环
投资要点
数字AI已实现在语言、视觉与多模态任务中通用底座模型的跑通，但其难以实现物理世界的建模闭环；物理AI将在连续、实时、安全约束的真实世界中建立"感知—行动—反馈—优化"闭环，并在一段时间内与数字AI并列成为"任务通解"，成为物理世界场景的AI解决方案。考虑二者的技术同源性，我们认为复盘数字AI有助于理解与预测物理AI的演进。
Transformer推动数字AI技术发展从专用架构到统一底座。AI第一次爆发以CNN、RNN等专用架构分别攻克视觉与语言任务，归纳偏置强、通用性受限；AI第二次爆发中，Transformer以"注意力+位置编码"提供跨领域通用的关系建模，叠加Scaling规律，统一模型在能力迁移、研发效率与工程复用上的优势持续扩大；语言、视觉、生成与多模态逐步收敛于统一基础模型范式，Transformer亦转变为通用计算底座。
物理AI正从复用数字AI能力转向补齐自身底层能力。早期主要迁移Transformer等架构理念（BEV、UniAD）；当前VLM、VLA进一步建立在LLM及多模态基座之上（Waymo EMMA基于Gemini、车端VLA）。但数字AI红利或已接近阶段性瓶颈，根本原因在于，物理AI面临三类差异：一是缺少天然Token，需自主构建物理世界表征；二是长尾、极端场景稀缺且采集成本高，难以直接复制互联网数据Scaling；三是模仿学习受限于人类驾驶上限，必须依赖强化学习持续试错；就三点差异来看，我们认为世界模型或更契合物理AI发展方向。
我们认为，数字AI底座模型发展路径已逐渐清晰，价值在于确定性；本轮AI发展未来更大的增量在物理AI，智能驾驶是其最先跑通闭环的代表场景。物理AI从表征到部署的闭环路径与数字AI差异明显，将形成独立而统一的发展路径。随着世界模型与强化学习闭环走向成熟、云车部署逐步兑现，物理AI有望由能力展示走向大规模落地，成为AI发展当前阶段最具成长弹性的方向。
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。
