汽车行业深度报告：AI系列深度15期，Transformer如何开启AI第二次爆发？

证券研究报告·行业深度报告·汽车 东吴证券研究所 1 / 15 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 15 期：Transformer 如何开启AI 第二次爆发？ 2026 年 08 月 05 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 14 期：深度学习如何开启 AI 第一次爆发？》 2026-08-05 《AI 系列深度 13 期：世界模型如何实现？》 2026-08-05 增持（维持） [Table_Tag] [Table_Summary] 投资要点 ◼ AI 第二次爆发的本质，是模型能力形成方式从“人工设计”转向“规模化学习”。AI1.0 时代深度学习仍带有“一任务一模型”特征，CNN、RNN等架构分别服务于图像、文本等专用任务，能力主要停留在基础感知层面。本轮 AI2.0 以 Transformer 等通用底座为核心，叠加数据、算力与自监督训练，使模型学习统计结构与通用表征，能力来源由强任务先验和强归纳偏置，转向弱归纳偏置下的规模化学习与涌现。 ◼ Transformer 成为 AI2.0 关键基础架构：自注意力机制解决循环网络串行计算和长程依赖瓶颈，更适合 GPU 并行算力与大规模训练；弱归纳偏置为跨模态迁移提供统一接口，使多类输入逐步进入同一底座体系。2017 年以来，主干架构总体稳定，能力提升更多来自 MoE、长上下文、多模态融合、后训练与推理机制，而非底层架构切换。 ◼ 从技术演进看，大模型可概括为“模型能力奠基—人机对齐与行为优化—推理与外部系统赋能”三阶段，并由能力广度和使用效率两条支线贯穿。第一阶段通过预训练、规模扩张和 Scaling Laws 奠定参数内能力；第二阶段通过 SFT、RLHF、DPO 等对齐技术提升可用性；第三阶段依托思维链、RAG、工具调用、强化学习推理和任务路由，将能力增量迁移到运行时系统。 ◼ GPT 系列提供了大语言模型落地产业端的典型路径：GPT-1 至 GPT-3验证 decoder-only 架构和规模化泛化能力，InstructGPT 与 ChatGPT 补齐交互入口，GPT-4/GPT-4o 推动模型走向多模态交互，o1/o3/o4-mini/GPT-5 进一步整合推理时计算、工具使用、多模态任务和实时路由。关键技术通常先在研究与工程验证中形成，再通过产品化入口实现规模扩散。 ◼ Scaling Law 回答“规模如何转化为能力”，也反映 AI2.0 资源优化边界的外扩。早期 scaling 围绕参数量、数据量与训练算力展开，随后纳入能力涌现、计算最优配比、高质量数据、对齐、部署和推理成本等约束。2024年以来，MoE 稀疏激活、测试时计算、RL reasoning、扩散Transformer与视频生成等方向，使 scaling 扩展为训练、推理、数据、架构、对齐与多模态的全链条资源优化框架。 ◼ 从产业形态看，AI 第二次爆发的外在结果是数字 AI 任务边界初步收敛。Transformer 已参与文本、代码、知识库、工具、多模态输入和数字工作流，推动架构、任务与模态三重收敛。产业价值重心也从“设计何种架构”，转向“谁能把规模、数据、对齐、推理与系统工程能力做到位”。但推理阶段增量目前更多体现在语言、数学、代码等可验证任务中，向视觉生成、复杂多模态交互与真实物理闭环迁移仍需验证。 ◼ 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。 -14%-10%-6%-2%2%6%10%14%18%22%2025/8/52025/12/42026/4/42026/8/3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 / 15 内容目录 1. AI2.0 的本质：从“人工设计”到“规模化学习” ................................................................................. 4 2. Transformer 成为跨模态通用底座 ..................................................................................................... 4 3. Transformer 发展复盘 ......................................................................................................................... 5 3.1. 阶段一：模型能力奠基............................................................................................................. 6 3.2. 阶段二：人机对齐、行为优化................................................................................................. 6 3.3. 阶段三：推理与外部系统赋能................................................................................................. 7 3.4. 模型能力的广度与效率............................................................................................................. 7 4. 复盘 GPT：大语言模型如何落地产业端 ......................................................................................... 7 5. Scaling Law 复盘：从预训练幂律到全链条资源优化 ................................................................... 11 6. 大语言模型或已成为数字 AI 任务的通解 .............................................................