汽车行业深度报告：AI系列深度21期：物理AI如何从架构借鉴走向模型迁移？

证券研究报告·行业深度报告·汽车 东吴证券研究所 1 / 10 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 21 期：物理 AI 如何从架构借鉴走向模型迁移？ 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 20 期：如何看物理场景中数字 AI 的能力边界？》 2026-08-07 《AI 系列深度 18 期：生成智能如何引入 Transformer？》 2026-08-07 增持（维持） [Table_Tag] [Table_Summary] 投资要点 ◼ 物理 AI 正建立在数字 AI 能力外溢的基础之上，且借鉴层级正在上移。早期迁移主要发生在架构理念层面，Transformer 注意力机制、BEV、端到端等方法被引入驾驶感知、轨迹预测和一体化规划；近年则开始向模型层面迁移，Waymo EMMA 构建于 Gemini 之上，理想 MindVLA、小鹏世界基座模型等车端 VLA 实践，均体现数字 AI 基础模型能力向物理AI 扩展。 ◼ 可迁移红利并非线性外推，而会随任务靠近真实物理世界而收窄。越偏向语义理解、规划和多模态表征，数字 AI 既有模型与训练范式的可复用性越强；越接近实时三维感知、接触控制、安全攸关决策和高物理闭环，直接迁移比例越低。总体看，数字 AI 提供能力底座，物理 AI 仍必须补足物理世界表征、真实数据和安全闭环。 ◼ 物理 AI 相较数字 AI 的第一项系统差异在表征。文本天然离散且带语义，数字 AI 输入具备较强结构化基础；物理世界则由连续光子、点云、运动和接触构成，必须先被编码为可学习的三维空间表征。VectorNet、BEV+Transformer、Occupancy、三维高斯等技术，本质上都是对物理世界进行模型可读表征的不同路径。 ◼ 第二项差异在数据。数字 AI 训练语料大量沉淀在互联网中，Scaling 核心是抓取、清洗和压缩已有数据；物理 AI 最有价值的长尾、事故和极端场景天然稀疏、昂贵且危险，单靠真实路测难以覆盖。世界模型因此被推向“数据工厂”位置，用于重建、生成和放大稀缺场景，为策略训练与安全验证提供可控环境。 ◼ 第三项差异在学习范式。数字 AI 模仿的是互联网级人类知识，模仿上限对应超人类广度，强化学习更多承担对齐和推理增强功能；物理 AI模仿对象常是平均人类司机，而安全目标要求显著超越人类，单纯模仿的上限更低。强化学习在高物理闭环任务中更像突破能力边界的关键环节，而非后置修补。 ◼ 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 行业深度报告 东吴证券研究所 2 / 10 内容目录 1. 数字 AI 能力向物理 AI 迁移，物理闭环决定兑现质量 ................................................................. 4 1.1. 从架构理念到模型层迁移：借鉴层级持续上移..................................................................... 4 1.2. 越接近物理闭环，直接迁移红利越收窄................................................................................. 5 2. 物理 AI 相较数字 AI：表征、数据与学习范式三重差异 .............................................................. 5 2.1. 表征差异：物理世界表征是必经门槛..................................................................................... 5 2.2. 数据差异：高价值数据稀疏，世界模型承担数据工厂角色................................................. 6 2.3. 范式差异：强化学习成为物理 AI 关键环节 .......................................................................... 7 3. 结论：数字 AI 提供能力底座，物理 AI 补足物理闭环 ................................................................. 8 4. 风险提示 .............................................................................................................................................. 9 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 3 / 10 图表目录 图 1： 物理 AI 对数字 AI 借鉴层级的跃迁 .......................................................................................... 4 图 2： 物理世界可学习表征演进........................................................................................................... 6 图 3： 自动驾驶安全性所需测试里程................................................................................................... 7 图 4： 模仿学习上限的差异：数字 AI 与物理 AI ............................................................................... 8 表 1： 数字