汽车行业深度报告：AI系列深度04期，什么是表征？

证券研究报告·行业深度报告·汽车 东吴证券研究所 1 / 16 请务必阅读正文之后的免责声明部分 汽车行业深度报告 AI 系列深度 04 期：什么是表征？ 2026 年 07 月 29 日 证券分析师 黄细里 执业证书：S0600520010001 021-60199793 huangxl@dwzq.com.cn 行业走势 相关研究 《AI 系列深度 03 期：数字 AI 与物理AI 的边界在哪里？ 》 2026-07-28 《 AI 系列深度 02 期：AGI 是什么？》 2026-07-28 增持（维持） [Table_Tag] [Table_Summary] 投资要点 ◼ 表征是模型对现实世界信息形成的内部抽象表示，是人工智能进行理解、推理与预测的基础。表征学习质量直接影响下游任务上限，Bengio、Courville、Vincent 等指出，机器学习效果很大程度取决于数据表示方式。我们将表征拆为三层：数据层的向量编码、模型层的中间特征、哲学层的意义承载问题。 ◼ 表征技术演进可概括为四个阶段：符号 AI 依赖人工设计的离散符号和逻辑规则；特征工程依赖 SIFT、HOG、TF-IDF 等专家特征与浅层模型；深度学习通过神经网络端到端学习连续表征，AlexNet 与 Transformer 是关键节点；基础模型进一步走向跨任务、跨模态统一表征空间，GPT-3、CLIP 等是代表。AI 范式迁移的底层线索，是机器记录与组织世界方式的变化。 ◼ 围绕表征如何获得和承载，当前存在四组路线分歧：表征中心与生成中心，分别强调先学好表示或通过生成任务形成能力；符号表征与分布式表征，对应符号主义、连接主义及神经符号融合；离散表征与连续表征，对应 token 化和潜空间路线；显式世界模型与隐式潜空间，尤其在具身智能中体现为是否需要生成可见未来状态。 ◼ 表征是否等于理解仍是开放问题。中文房间、符号接地、随机鹦鹉等观点质疑模型是否真正理解，柏拉图表征假说等研究则提示不同模型表征可能趋同。此外，表征坍缩、可辨识性、好表征判据、多模态统一表征能否成立，均是当前技术和哲学交叉的重要议题。 ◼ 落到物理 AI，表征视角可解释自动驾驶与机器人路线分歧。自动驾驶围绕一段式与两段式、端到端与 VLA、世界模型云端造数据与车端决策、显式生成与隐式潜空间展开；机器人则进一步面对动作离散 token还是连续轨迹、数据来自人类视频、真机还是仿真、单体 VLA 还是快慢双系统等问题。两者共性在于都要编码物理世界，差异在数据来源、实时性与安全闭环。 ◼ 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。 -15%-11%-7%-3%1%5%9%13%17%21%2025/7/282025/11/262026/3/272026/7/26汽车沪深300 请务必阅读正文之后的免责声明部分 行业深度报告 东吴证券研究所 2 / 16 内容目录 1. 表征：人工智能理解世界的底层语言 .............................................................................................. 4 2. 表征三层含义：数据编码、模型特征与意义问题 .......................................................................... 4 2.1. 数据层面：把原始输入编码成向量......................................................................................... 4 2.2. 模型层面：神经网络中间层学到了什么................................................................................. 5 2.3. 哲学层面：表征能否承载真实含义......................................................................................... 5 3. 表征演进：从人工符号到统一基础模型 .......................................................................................... 6 3.1. 符号 AI 时代：人工规则构建可解释表征 .............................................................................. 6 3.2. 特征工程时代：专家特征支撑浅层学习................................................................................. 6 3.3. 深度学习时代：神经网络自动学习表征................................................................................. 7 3.4. 基础模型时代：统一表征支撑多任务迁移............................................................................. 7 4. 表征路线分歧：生成、符号、离散与世界模型 .............................................................................. 7 4.1. 路线一：表征中心 vs 生成中心 ............................................................................................. 7 4.2. 路线二：符号表征 vs 分布式表征 ......................................................................................... 8 4.3. 路线三：离散表征 vs 连续表征 ............................................................................................. 8 4.4. 路线四：显式表征 vs 隐式表征 ............