汽车行业点评报告：AI系列深度05期：模型如何学习表征并实现对齐？

投资要点

表征如何组织、如何学习、如何跨模态共享？嵌入、自监督学习和CLIP分别对应三层机制：嵌入是表征的工程形态，自监督是表征的规模化学习机制，CLIP和多模态对齐则让图像与文字进入同一语义空间。本篇位于“表征是什么”与CNN/ViT、Transformer等具体架构之间，是理解后续技术路线的基础环节。

嵌入的本质，是把文本、图像、商品、用户等对象映射为数字向量，并使语义相近的对象在向量空间中距离更近。由此，搜索、推荐、以图搜图、向量数据库和RAG等应用，都可被理解为在高维向量空间中进行近邻检索。嵌入是抽象表征最可操作、最工程化的呈现方式。

自监督学习是通用表征规模化形成的关键机制。该方法不依赖人工逐条标注，而是利用数据自身构造训练信号，通过掩码预测、对比学习、下一个token预测等任务学习上下文、语义和结构关系。BERT、MAE、GPT等路线任务形式不同，但均通过大规模自监督训练形成可迁移表征，这是预训练获得通用能力的重要基础。

CLIP的意义在于把图像和文字对齐到同一表征空间。通过海量图文配对和对比学习，模型将正确配对的图文向量拉近、错误配对推远，使文字概念与对应图像在向量空间中自然接近。该机制成为图文检索、开放词表识别、文生图、视觉语言模型和多模态大模型的重要基础。

从表征体系看，本篇补齐三类关键问题：嵌入回答表征如何被工程化表达，自监督回答表征如何在无标注或弱标注数据中形成，CLIP回答不同模态表征如何进入同一空间。

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。