汽车行业深度报告：AI系列深度18期：生成智能如何引入Transformer？

投资要点

生成式视觉的本质，是学习图像数据背后的分布规律，并在文本条件下生成新内容。本轮生成式视觉的核心范式迁移发生在GAN与Diffusion之间；扩散以更稳定的加噪—去噪学习确立生成主干，其潜空间建模与交叉注意力机制，也为Transformer的介入预留了接口。不同于语言领域中Transformer对RNN的快速替代，其在视觉生成任务中沿序列生成、条件编码、骨干替换与多模态扩展四个环节渐进渗透，

以代表论文为锚，我们将2013年以来生成式视觉的发展划分为五个阶段：VAE与GAN奠基（2013—2015年）、GAN主导高真实感生成（2016

2019年）、扩散复兴与理论统一（2020—2021年）、文生图爆发（2022年）、DiT与视频/多模态扩展（2023年至今）。

Transformer进入生成式视觉领域，经历了由局部模块引入到核心架构替换的渐进式演进。早期阶段，Transformer主要作为自回归生成器，将文本与图像表示统一为离散token序列，实现视觉内容的序列化建模：2021年DALL·E将文本token与图像token联合建模，证明图像可被token化、并以类似语言模型的方式生成。随后，随着CLIP等视觉语言模型的发展，Transformer进一步承担文本语义编码与条件信息注入功能，通过跨模态对齐提升对文本指令的理解能力；Imagen与StableDiffusion则推动大语言模型编码器与扩散模型相结合。

随着视觉数据token化与大规模训练范式的发展，Transformer开始进入生成模型的核心模块。2023年DiT以Transformer替代传统扩散模型中的U-Net骨干网络，在潜空间图像patch上建模，验证了视觉生成同样具备规模化扩展潜力；不过其改变的是网络骨干，而非扩散去噪范式本身。进一步来看，Transformer正逐步成为视频与多模态生成系统的统一建模框架，推动生成模型由单图创作向连续时空与多模态交互演进。整体而言，相比语言领域对RNN架构的全面替代，Transformer在视觉生成领域更多体现为渐进式渗透：从生成器、条件编码器到核心骨干网络逐步深化。

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

技术迭代与产品化落地不及预期的风险；视频与多模态生成的时间一致性与可控性不及预期的风险；大模型厂商ARR增速放缓、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。