東吳證券這份2026年7月27日發布的《AI系列深度01期：從數字AI通用底座到物理AI真實世界閉環》，用60多頁的篇幅，系統性地回答了一個核心問題：當數字AI的Transformer底座已經跑通，物理AI憑什么能成為下一輪AI增長的最大增量？
報告核心結論只有一句話：數字AI底座模型發展路徑已逐漸清晰，但價值在于確定性；本輪AI發展未來更大的增量在物理AI，智能駕駛是其最先跑通閉環的代表場景。
報告首先復盤了數字AI的兩次爆發：
第一次爆發（2012-2017）：CNN和RNN等專用架構分別攻克視覺和語言任務，但每個架構都有強歸納偏置——CNN綁定局部性和平移等變，RNN綁定遞歸和時序依賴。樣本效率高，但通用性差，難以跨任務遷移。
第二次爆發（2017-至今）：Transformer以“注意力+位置編碼”提供跨領域通用的關系建模，弱先驗、強并行、可規模化。語言、視覺、生成、多模態四大智能逐步收斂于統一基礎模型范式。Transformer就是數字AI的“通用操作系統”。
報告特別指出，Scaling Law經歷了從“規模擴展有效”到“資源配置優化”再到“推理時計算”的六階段演進，但核心約束正在從算力轉向數據質量——公開高質量文本數據預計在2026至2032年間基本用盡。
報告明確提出：數字AI的紅利已接近階段性瓶頸，物理AI不能簡單復制數字AI的成功路徑。 兩者存在三重系統性差異：
1. 表征差異：沒有天然Token。 文本天然是離散的、帶語義的符號。物理世界的原始輸入是連續的光子、點云等信號，不存在天然通用Token。智能駕駛必須先用BEV、占用網絡、VAE等重型網絡，把三維物理空間構建為可學習的模型底座。
2. 數據差異：沒有現成語料。 數字AI的訓練語料來自互聯網存量，抓取、清洗即可。物理AI最有價值的數據是長尾、極端、事故場景，天然稀疏、采集成本高、有安全風險。RAND測算，證明自動駕駛致死率達標需要約88億英里路測數據。
3. 學習范式差異：模仿天花板更低。 數字AI模仿的是互聯網級人類知識，強化學習只需承擔對齊和推理增強。物理AI模仿的是平均水平人類司機，但目標要大幅超越人類安全水平。當模仿對象只是80分、而目標要求95分以上時，強化學習從“可選增強”變成“必由之路”。
報告以智能駕駛為主線，沿五個技術環節系統拆解了物理AI從能力展示到大規模落地的路徑：
1. 架構：VLA從端到端到動作生成。 自動駕駛從模塊化流水線走向端到端，再升級到VLA（視覺-語言-動作）范式。核心變化是把視覺感知、語言理解和控制決策整合到同一策略中，通過顯式動作頭彌合“能解釋場景、卻難以生成控制動作”的缺口。報告詳細對比了Waymo EMMA、理想MindVLA、小鵬第二代VLA、元戎啟行40B VLA、千里CoWorld-VLA等頭部方案的架構差異。
2. 表征：從像素到潛在狀態。 智能駕駛表征經歷了原始像素→BEV→Occupancy→矢量化→多模態Token→潛在狀態六階段演進。核心趨勢是：物理AI的“分詞器”不是文本側輕量的子詞切分，而是BEV、占用網絡、VAE、3D編碼器等重型可學習網絡。 競爭壁壘正從單個感知模塊的精度，前移到如何把物理世界嵌入統一、可預測的潛在空間。
3. 數據：世界模型成為數據工廠。 物理AI的數據范式是“增量制造”而非“存量管理”。世界模型通過生成式方式制造高價值長尾場景，Waymo、特斯拉、英偉達Cosmos、Wayve GAIA-2等均投入重兵。報告特別指出，世界模型既是Corner Case生產者，本身也面臨Corner Case——長時程一致性是生成式世界模型反復強調的難點。
4. 訓練：強化學習是關鍵環節。 當模仿對象是80分的人類司機，而目標是95分的超越人類安全水平時，強化學習由可選增強變為突破上限的關鍵環節。報告指出，代表性廠商的實踐正從“端到端訓練”延伸至“端到端+世界模型+強化學習后訓練”，并詳細對比了特斯拉、小鵬、理想、Momenta、地平線、華為、Waymo、小馬智行、文遠知行的技術布局。
5. 部署：云端訓練最優≠車端部署最優。 車端算力固定（Thor-U約700 TOPS），大模型推理幀率目前仍低于30Hz。云端壓縮（MoE、MLA、注意力剪枝）與車端壓縮（蒸餾、快慢雙系統、量化、編譯優化）形成差異化效率工具箱。報告詳細梳理了理想（32B云端→4B車端）、小鵬（720億參數→蒸餾版）、Waymo（教師→學生蒸餾）的云車部署路徑。
物理AI正從復用數字AI能力轉向補齊自身底層能力。 早期主要遷移Transformer等架構理念，當前VLM、VLA進一步建立在LLM及多模態基座之上，但數字AI紅利或已接近階段性瓶頸。
世界模型是突破物理AI瓶頸的核心抓手。 它向前承擔潛在空間表征訓練，向中游生成高價值長尾數據，向后為強化學習提供可規模化試驗環境，形成“表征—數據—學習”的閉環。
物理AI有望成為AI發展當前階段最具成長彈性的方向。 隨著表征向潛在狀態收斂、VLA持續演進、世界模型與強化學習閉環走向成熟、云車部署逐步兌現，物理AI有望由能力展示走向大規模落地。
更多報告原文點擊查閱下載，加入智車文庫知識星球，一年更新2000+份汽車行業報告。
溫馨提示：掃碼加入《智車文庫》知識星球1年內免費下載星球內所有報告，含：乘用車、商用車、Tier1、智能駕駛、智能座艙、汽車芯片、車路云、汽車出海、AI+汽車、線控懸架、新能源三電熱管理、消費者研究、車展報告、兩輪車、Robotaxi、具身智能、低空飛行等幾十個細分領域研究報告
