汽车行业深度报告：AI系列深度24期：世界模型作为“数据工厂”

投资要点

物理AI与数字AI的数据差异，在于训练数据是现成可取还是必须主动构造。数字AI依赖文本、代码、图像等已沉淀在互联网中的人类内容，Scaling核心是抓取、过滤和压缩已有语料；物理AI最有价值的长尾、极端和事故场景在现实中天然稀疏、采集昂贵且危险。由此，物理AI的数据范式必须从抓取已有转向制造所需。

世界模型正在从车端预测组件，演变为云端数据工厂。特斯拉提出自动驾驶基础世界模型，用神经网络预测并生成未来多摄像头画面；WaymoWorld Model直接建模并生成未来世界状态，用于仿真推演与策略评估；NVIDIA Cosmos、Wayve GAIA等把生成式世界模型定位为合成训练数据来源。其角色已从复现已采集场景，扩展为生成未观测场景。

世界模型的价值，集中体现在Corner Case制造。真实道路中的罕见、危险和事故场景难以高频采集，单靠实车路测无法经济地证明安全性；世界模型可以在云端生成新轨迹、新视角、新主体和新交互，为策略训练与验证提供更高密度的边界样本。这使其成为物理AI数据供给和安全验证的重要基础设施。

但必须正视一项关键张力：用于制造长尾场景的生成式世界模型，其缺陷恰恰容易出现在长尾、分布外和长时域区域。越稀缺、越偏离训练分布、时间跨度越长，模型越容易出现物理不一致、目标漂移和鬼影等问题。若忽视这一点，世界模型解决数据问题的结论会过于乐观；世界模型既是Corner Case生产者，自身也面临Corner Case。

业界缓解张力的做法可分为外生受控生成和内生问题驱动生成。前者由人工设定扰动参数或生成条件，并以真实轨迹、道路结构和可执行性约束锚定样本；后者由系统自诊断模型表现偏差，再定向生成hard cases。两类方法的共同方向不是无差别放大生成规模，而是约束生成、提升样本有效性和物理可信度。

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。