汽车行业深度报告：AI系列深度23期：智能驾驶的表征演进

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 23 期：智能驾驶的表征演进 2026 年 08 月 07 日 证券分析师 黄细里 执业证书：S0600520010001 021-60199793 huangxl@dwzq.com.cn 研究助理 童明祺 执业证书：S0600125080005 tongmq@dwzq.com.cn 行业走势 相关研究 《AI 系列深度 17 期：视觉智能为何引入 Transformer？》 2026-08-06 《AI 系列深度 16 期：语言智能为何从 RNN 转向 Transformer？》 2026-08-06 增持（维持） [Table_Tag] [Table_Summary] 投资要点 ◼ 物理 AI 与数字 AI 的根本差异，首先体现在表征获取方式上。文本天然离散且带语义，数字 AI 输入具备较强可 token 化基础；物理世界的输入则由连续光子、点云、运动和空间关系构成，缺乏天然通用的物理世界 token 化方案。因此，物理 AI 需要先构建三维物理空间的可学习表征，再进入规划、控制和行动。 ◼ 以智能驾驶为例，表征演进可概括为原始像素、BEV/VectorNet、Occupancy、多模态 Token 和潜在状态五个阶段。原始像素端到端简洁但缺少结构约束；BEV+Transformer 与矢量化 VectorNet 是同一层级的两条并行路线，分别以特斯拉和 Waymo 为代表，前者把多摄像头信息统一到鸟瞰三维空间，后者把道路和参与者抽象成数学对象；Occupancy从识别对象类别转向判断空间占据；多模态 Token 连接视觉、语言和动作；潜在状态则把世界压缩到可预测空间。 ◼ 物理 AI 中的 token 化器本质上是重型编码网络。文本分词通常只是把离散符号映射为 token，而车端 BEV 编码器、占用网络、VAE、3D 编码器等承担了从连续物理输入到可学习表征的核心转换。离散化和嵌入不是预先给定的，而是由网络学习形成；这也是物理 AI 相较数字 AI多出的一道关键工程门槛。 ◼ 从公司证据看，特斯拉、小鹏、华为、理想、Waymo、Wayve 等路线虽不同，但共同主线是从目标级识别走向空间级理解，再走向潜在状态预测。多种表征长期并存，并非简单替换：BEV 与矢量、占用、3D 高斯、世界模型潜空间，分别服务不同层次的感知、预测、仿真和规划需求。 ◼ 世界模型可能成为表征训练的关键手段。标签稀缺使物理世界嵌入难以完全依赖人工监督，GAIA、Cosmos、JEPA 系等世界模型通过自监督预测未来状态、生成场景或学习潜在动力学，帮助模型在无标注或弱标注条件下形成更统一的物理表征。竞争壁垒正从单点感知精度，前移到如何将物理世界嵌入可预测潜在空间。 ◼ 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%2025/8/72025/12/62026/4/62026/8/5汽车沪深300 请务必阅读正文之后的免责声明部分 东吴证券研究所 行业深度报告 2 / 16 内容目录 1. 表征演进：物理世界如何进入模型 ...................................................................................................... 4 2. 物理 AI 表征：缺乏天然通用 token 化方案 ........................................................................................ 4 2.1. 文本侧：离散 Token 降低输入表征成本 .................................................................................... 4 2.2. 物理世界侧：连续信号需要先构建可学习底座 ........................................................................ 5 3. 智能驾驶表征演进：从像素、BEV 到潜在状态 ................................................................................. 6 3.1. 原始像素端到端：起点与局限 .................................................................................................... 7 3.2. BEV 加 Transformer：从 2D 像素到 3D 向量空间 ...................................................................... 7 3.3. Occupancy 占用：从“是什么”到“是否被占据” ........................................................................... 9 3.4. 矢量化：从栅格图像到数学矢量 .............................................................................................. 10 3.5. 多模态 Token：走向视觉—语言—动作统一 ........................................................................... 11 3.6. 潜在状态：从观测编码走向可预测空间 .................................................................................. 12 4. 世界模型：标签稀缺下的自监督表征训练工具 ................................................................................ 14 5. 风险提示： ...............................................................................