东吴证券：数字AI底座模型价值在于确定性 物理AI有望成为最具成长弹性的方向

数字AI底座模型的发展路径，现在已经越来越清晰了——关键在于确定性的价值。从行业视角来看，AI发展到今天，真正的增量空间其实在物理AI，而智能驾驶正是这个领域最先跑通商业闭环的典型场景。物理AI从表征到部署的闭环逻辑，和数字AI有着本质差异，它会形成一套独立且统一的发展路径。随着世界模型与强化学习闭环逐渐成熟，云车部署也开始落地，物理AI有望从单纯的能力展示，走向大规模的实际应用，成为当前AI发展中最具成长弹性的方向。

先说几个核心判断。

数字AI的边界与物理AI的起点

数字AI已经跑通了语言、视觉和多模态任务的通用底座模型，但它做不到的是——在物理世界里实现完整的建模闭环。物理AI需要在连续、实时、有安全约束的真实世界中，建立"感知—行动—反馈—优化"的闭环。在一段时间内，它会和数字AI并列运行，各自解决不同领域的任务。考虑到两者在技术上的同源性，复盘数字AI的演进路径，其实有助于理解物理AI接下来会怎么走。

Transformer如何推动数字AI走向统一

AI的第一次爆发，靠的是CNN、RNN这类专用架构，分别攻克视觉和语言任务。但这类架构的归纳偏置太强，通用性有限。到了第二次爆发，Transformer带着"注意力+位置编码"这张王牌登场，提供了跨领域通用的关系建模能力。再加上Scaling规律的加持，统一模型在能力迁移、研发效率和工程复用上的优势持续扩大。语言、视觉、生成和多模态，逐渐收敛到同一个基础模型范式下，Transformer本身也成了通用的计算底座。

物理AI：从复制数字能力到补齐底层能力

早期物理AI的思路，主要是迁移Transformer等架构理念，比如BEV、UniAD。现在，VLM和VLA进一步建立在LLM和多模态基座之上，Waymo的EMMA基于Gemini，车端的VLA也在快速演进。但必须注意到的是，数字AI带来的红利可能已经接近阶段性瓶颈。根本原因在于，物理AI面临着三类本质差异：

第一，物理世界没有天然Token，需要自主构建物理世界的表征方式。第二，长尾和极端场景非常稀缺，数据采集成本高，很难直接复制互联网数据的Scaling模式。第三，模仿学习受限于人类驾驶的上限，必须依赖强化学习持续试错。从这三点来看，世界模型或许才是更契合物理AI发展方向的技术路径。

讲到底，物理AI的底层能力正在从"借用"转向"自建"，这才是它走向大规模落地的关键所在。

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。