东吴证券数字AI底座模型确定性价值，物理AI成长弹性方向

数字AI底座模型的发展路径正日益清晰——其核心在于确定性价值的凸显。从行业视角审视，AI当前的增量空间主要来自物理AI，而智能驾驶正是该领域最先实现商业闭环的典型场景。物理AI从表征到部署的闭环逻辑与数字AI存在本质差异，将形成独立且统一的发展路径。随着世界模型与强化学习闭环逐步成熟，云车部署也开始落地，物理AI有望从单纯的能力展示迈向大规模实际应用，成为当前AI发展中最具成长弹性的方向之一。

首先，我们提出几个核心判断。

数字AI的边界与物理AI的起点：从局限到突破

数字AI已经成功构建了语言、视觉和多模态任务的通用底座模型，但其核心短板在于无法在物理世界中实现完整的建模闭环。物理AI需要在连续、实时且具备安全约束的真实环境中，建立“感知—行动—反馈—优化”的闭环体系。在一段时间内，物理AI将与数字AI并行发展，各自解决不同领域的任务。鉴于两者在技术上的同源性，回顾数字AI的演进路径，有助于预判物理AI的未来走向。

Transformer推动数字AI走向统一的路径

AI的第一次爆发依赖CNN、RNN等专用架构，分别攻克了视觉与语言任务。然而，这些架构的归纳偏置过强，通用性有限。第二次爆发中，Transformer凭借“注意力机制+位置编码”这一核心创新，提供了跨领域的通用关系建模能力。在Scaling规律的加持下，统一模型在能力迁移、研发效率和工程复用方面的优势持续扩大。语言、视觉、生成与多模态任务逐渐收敛至同一基础模型范式，Transformer自身也成为通用的计算底座。

物理AI：从借鉴数字能力到补齐底层短板

早期物理AI的思路主要借鉴Transformer等架构理念，例如BEV、UniAD。当前，VLM和VLA进一步建立在LLM与多模态基座之上，Waymo的EMMA基于Gemini，车端VLA也在快速演进。但需注意，数字AI带来的红利可能已接近阶段性瓶颈。根本原因在于物理AI面临三类本质差异：第一，物理世界缺乏天然Token，需要自主构建表征方式；第二，长尾与极端场景极其稀缺，数据采集成本高，难以直接复制互联网数据的Scaling模式；第三，模仿学习受限于人类驾驶能力上限，必须依赖强化学习进行持续试错。基于这三点，世界模型或许是更契合物理AI发展方向的技术路径。

归根结底，物理AI的底层能力正从“借用”向“自建”转变，这是实现大规模落地的决定性因素。

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；智能驾驶与机器人商业化落地不及预期的风险。