上海
8月7日，东吴证券发布了一篇汽车行业的研究报告，报告指出，AI系列深度20期-如何看物理场景中数字AI的能力边界？
报告指出，我们认为，现阶段数字AI与物理AI的发展关系可概括为“承接—分化—融合”，是长期协同演进而非先后替代。伴随AI应用场景由信息空间走向物理世界，数字AI的理解与规划能力或将同物理AI的感知、动作与安全闭环在同一系统中协同放大，实现长期协同演进。
从应用场景看，数字AI与物理AI沿物理闭环程度形成连续谱。判断场景位置的关键，在于任务是否需要在真实物理世界完成“感知—决策—动作—反馈”闭环，以及闭环对实时性与安全性的要求。越靠近信息空间，数字AI通常能够独立完成更多任务环节；越靠近真实物理世界，实时感知、动作控制与安全闭环的重要性越高。随物理闭环加深而下降的，是数字AI单独完成闭环的充分性，而非其作为语义理解、高层规划和人机交互组件的价值；由低物理闭环场景向高物理闭环场景延伸，是大模型能力外溢的重要方向之一。
从技术路径看，两者底层同源、闭环分化。Transformer等神经网络架构是两类系统共同的底座，分化发生在作用对象、训练目标与闭环要求上：数字AI围绕"数字数据—Token化—基础模型—指令对齐—工具调用"展开，预测对象是token、内容结果与软件状态；物理AI围绕"传感器输入—状态表示—动作生成—运动控制—反馈闭环"展开，预测对象是动作、轨迹与动作后果。能力边界的约束因素也随之不同：数字AI主要受事实可靠性、上下文管理、持续记忆和工具调用稳定性约束，物理AI主要受动作数据稀缺、物理长尾场景、实时控制、安全验证和Sim2Real迁移约束；两类约束均难以依靠单纯扩大模型规模自动解决。
从能力迁移看，物理闭环越深，数字AI能力直接复用的难度越高。迁移呈现三层结构：纯信息空间场景中，理解、生成、推理与软件操作能力可直接完成主要任务；近似物理世界场景中，视觉内容生成与多模态预训练高度同源，工程仿真则依赖物理引擎与场景建模；真实物理世界场景只能分模块复用——语义理解与高层规划可迁移，状态维护、动作生成、实时控制和安全验证必须由专用技术补足。“看起来像世界”与“能被物理系统安全依赖”对应不同的能力门槛：视觉生成能力可以构成物理AI的数据与模型基础，但不能直接等同于可部署的物理闭环能力。
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，但其难以实现物理世界的建模闭环；我们认为物理AI将成为物理世界的AI解决方案，从而在AI的当前发展阶段成为增量更大的方向，智能驾驶作为最先跑通闭环的代表场景，我们认为应重点关注。
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。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
