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？

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。