机构：物理AI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应重点关注

7月28日，东吴证券发布了一份汽车行业研究报告，这次他们把焦点对准了AGI——通用人工智能。报告的核心是梳理AGI的定义、衡量标准，以及判断它何时可能到来。

先说AGI的定义。全球机构对它的理解，大致可以归为四类锚点：一类是OpenAI和麦肯锡偏好的经济价值口径，看得是“AI能创造多少商业回报”；一类是DeepMind倡导的能力分级口径，按性能分阶段；一类是Chollet/ARC强调的技能获取效率，也就是“学新东西有多快”；还有一类，以LeCun、李飞飞为代表，更看重世界理解与具身交互。这些定义没有绝对的对错，本质上是对“智能”的不同侧重点——你更看重结果、能力、学习效率，还是世界模型？

从机构判断来看，AGI不是某个单一时间点，更像是一层一层的阶梯。OpenAI的五级路线图，以经济价值和自主程度为主线，从对话者、推理者、智能体，一路走到创新者和组织级AI；DeepMind的《Levels of AGI》则用“性能”和“通用性”两个维度，从L0到L5划分能力层级。相比之下，OpenAI的路线更直观，方便对应商业化进程；DeepMind的框架更审慎，适合学术比较。

至于通往AGI的路径，分歧主要在于：现有范式能不能继续外推？激进派认为，规模化、测试时推理、强化学习和智能体系统还能一路推进；审慎派则提醒，现有模型缺乏世界模型、因果推理和稳健泛化能力，可能需要新范式，甚至物理具身；务实派更看重应用落地，对时间表保持克制，不急着下结论。

衡量AGI与经济价值，目前还没有统一答案。传统基准已经趋于饱和，ARC-AGI、METR、GDPval、DeepMind的L0-L5这些新标尺，各自测量推理能力、任务时长、经济活动或能力层级，但行业里还缺一个权威的评测机构。经济测算方面，从十年拉动GDP约1%的保守估计，到每年数万亿美元增加值，甚至全自动化后的增长爆发，差异主要来自劳动替代比例、用例边界和自动化假设的不同。

落到产业映射上，短期更可观察的是高价值职能的渗透，以及推理、智能体、具身智能等工程化拐点；中长期则需要跟踪测试时计算、强化学习、世界模型、机器人等路径，看它们能否跨越当前可验证的任务边界。

值得关注的是，数字AI底座模型的发展路径已经逐渐清晰，价值在于确定性，但它在物理世界的建模闭环上存在短板。物理AI，恰恰能成为物理世界的AI解决方案。在AI当前的发展阶段，物理AI的增量空间更大，而智能驾驶，作为最先跑通闭环的代表场景，值得重点跟踪。

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。