1. 主线三问：怎么看 AI、数字 AI 如何崛起、物理 AI 如何落地
AI 系列深度报告围绕三个递进的问题展开：怎么看 AI——理解 AI 需要哪些概念 工具？数字 AI 如何崛起——Transformer 为何成为通用底座模型？物理 AI 如何落地— —能力如何迁移到物理世界并形成真实闭环，增量将在哪里落地？对应三问，系列分为 开篇、数字 AI、物理 AI 三大部分。
开篇部分以十二篇概念科普铺设底座，从研究目标、表征机制、骨干架构到训练范 式，为全系列提供统一的概念坐标系。数字 AI 部分复盘两次爆发的驱动差异：第一次 爆发中 CNN、RNN 等专用架构分别攻克单点任务，第二次爆发中规模化学习使 Transformer 收敛为通用底座，语言、视觉、生成、多模态四大智能由分立走向统一。数 字 AI 与物理 AI 在表征、数据与学习范式上存在系统差异，能力迁移的边界由物理闭环 决定，构成两部分之间的衔接。物理 AI 部分以智能驾驶为主线，沿架构、表征、数据、 训练、部署五问研究真实世界闭环：VLA 完成从端到端到动作生成的范式升级，世界模 型承担表征训练与数据制造，强化学习从可选增强走向闭环关键，时延约束决定部署工 程。我们认为，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。
2. 数字 AI：Transformer 为何成为通用底层模型
AI 1.0 主要提升了单点任务的识别精度；Transformer 开启的 AI 2.0 则同时提升了 任务的广度、复杂度和链条长度。Transformer 已演进为能够统一学习知识、迁移任务和 执行复杂指令的通用基础模型，是目前通向 AGI 最重要、且得到最大规模工程验证的一 次跨越。
Transformer 是一种通用模型架构，是数字 AI 迈向大模型的核心技术底座之一； 物理 AI 则是在这一底座上，叠加对物理世界感知、预测和行动能力形成的系统。因此， 在当前发展阶段，数字 AI 与物理 AI 具有一定的技术同源性，Transformer 是其共同的 核心技术底座。
在 AI2.0 时代，Transformer 于数字 AI 场景首先落地，发展速度也快于物理 AI 场 景，考虑二者的技术同源性，我们认为通过对数字 AI 发展的复盘可以更好的理解和预 测物理 AI 的发展。
2.1. AI 第一次爆发：CNN 与 RNN 以专用架构分别攻克任务
AI 第一次爆发是传统机器学习到深度学习的跨越。传统机器学习通常先由工程师 设计边缘、纹理、形状等特征再交由分类器识别；深度学习则直接从原始数据逐层学习 表示，底层捕捉边缘、中层学习部件、高层形成对完整物体的抽象刻画，即表示学习。
深度学习的成功并非单一变量驱动，而是大数据、强计算能力与可训练深层网络算 法三项条件同步成熟的结果。从技术演进看，反向传播（1974）、梯度消失与爆炸的系统 论证（1991）、LSTM 门控（1997）、无监督预训练（2006）、ReLU（2010）、Dropout（2014）、 注意力机制（2015）、ResNet 残差连接（2016）等成果具有较强跨架构适配性，共同构 成深度学习技术体系的公共底座；其中重要成果在 2010 年后密集出现。
2012 年，AlexNet 在 ImageNet 上将 ILSVRC 口径的 top-5 错误率由约 26%降至约 15%，成为深度学习在视觉任务上实现代际跃迁的标志性拐点，此后 CNN 快速确立其在图像识别、目标检测、图像分割与人脸识别等任务中的核心地位。该突破来自 GPU 并 行训练、ReLU 激活、Dropout 正则化与数据增强的协同，也是算法、算力与数据长期积 累后在 2012 年形成技术共振的结果。
以论文为锚，我们认为深度学习架构演进可划分为七个阶段，并归并为范式确立、 成长与扩展、成熟与高峰三大阶段。其分析价值在于给出一条判据：当某一架构的高引 用论文向成熟与高峰阶段（轻量化与部署、复兴性改进）集中、且新增高引用基础架构 论文减少时，通常意味着该架构进入短期学术瓶颈，一方面产品落地窗口开启，另一方 面需关注下一代架构。
CNN 高引用的基础架构与训练类论文集中在 2012—2016 年，2017 年后论文重心明 显向轻量化/部署与复兴/后继迁移、引用量整体回落，意味着 CNN 在 2016—2017 年前 后进入短期学术瓶颈：一方面走向成熟并推动人脸支付、安防、手机影像等应用密集落 地，另一方面 2017 年 Transformer 出现，提示下一代架构成为新的关注重点。
虽然 AI1.0 时代的技术出现了一定突破，但在产品落地方面仍有局限。我们认为， AI1.0 使其模型能力主要停留在“单点感知能力提升”，尚未形成通用智能系统所需的理 解、推理、交互和行动能力。因此，其输出通常需嵌入既有业务流程才能产生价值，难 以独立成为用户反复使用的交互入口，天然限制 0→1 新品类的创造。具体则表现为落 地场景过于垂直或附属于已有产品，例如安防中的识别场景或人脸识别支付场景。
2.2. AI 第二次爆发：从人工设计到规模化学习，Transformer 成为通用底座
AI 第二次爆发的标志，是 Transformer 成为通用的数字任务底座；语言、视觉、生 成与多模态四个典型任务领域的技术路径革新各不相同，但在发展过程中均把 Transformer 作为其技术底座之一。
AI2.0 的本质，是能力来源由人工设计的强任务先验转向规模化学习。AI1.0 时代的 主流架构具有较强的归纳偏置，如 CNN、RNN；CNN 绑定局部性与平移等变的强空间 先验，RNN 绑定递归与时序依赖的强序列先验，二者样本效率较高但通用性与可扩展性 受限；Transformer 以“注意力+位置编码”承载较弱先验，更多依赖数据、算力与训练目 标形成能力，因而可并行、可充分利用大算力与大数据。
Transformer 成为数字 AI 通用底座，可归纳为三重机制。其一是表示与接口趋同： 文本天然可表示为 token 序列，代码、工具调用与软件状态能够被序列化，ViT 将图像 划分为 patch token，音频与视频经编码进入统一上下文，token 化与多模态表示使不同 模态具备共享模型接口的前提。其二是规模化训练与后训练叠加：自注意力允许序列位 置直接交互、缓解递归结构的串行计算与长距离依赖问题，自监督预训练与 Scaling Law 建立规模扩展框架，SFT、RLHF、DPO 提升可用性，RAG、工具调用与测试时计算将 能力增量延伸至运行时系统。其三是交互与任务收敛：自然语言逐步成为调用文本生成、 代码、知识问答、工具与多模态能力的统一入口。
结合核心论文，我们认为大模型演进框架可以总结为：一条核心发展主线搭配两条 并行优化支线。主线为模型能力升级重心持续向外转移，分为三个递进阶段；两条支线分别对应能力拓展广度、训练推理使用效率。该划分标准区分能力优化所处层级，分为 架构设计、预训练、规模扩张、对齐调优、推理增强、智能体系统等各类技术进展。
扩展规律（scaling law）回答的是“规模如何转化为能力”。这一规律伴随大模型发 展不断被修正与拓展，逐步形成覆盖训练、数据、对齐、推理与多模态的全链条框架。
大模型 Scaling 规律经历了从“规模扩展有效”到“资源配置优化”再到“推理阶段扩展” 的演进过程：早期研究验证模型性能随数据、参数和计算量增加呈幂律提升；GPT-3 时 期 Scaling Law 正式确立，证明大规模预训练可持续提升模型能力；随后研究由训练 Loss 转向下游能力表现，并探索模型涌现现象；Chinchilla 进一步提出计算最优 Scaling，强 调参数与 Token 的协同增长；随着数据资源约束增强，数据质量与训练流程成为新的优 化方向；近年来，Scaling 边界进一步拓展至推理时计算，通过强化学习和额外推理算力 提升复杂任务能力。
