“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”由东吴证券发布。

本报告共计：38页。完整版PDF电子版报告下载方式见文末。

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。

幻影视界整理分享报告原文节选如下：

戳“阅读原文”下载报告。