📰 券商观点|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”
本文梳理了AI分为数字AI与物理AI的差异及其数据范式转变。数字AI以互联网上已沉淀的文本、代码、图像等为训练语料，核心在于抓取、过滤和压缩现有数据；而物理AI则需在现实场景中构造稀缺且成本高昂的长尾、极端和事故样本，故数据范式需要由被动抓取转向主动制造。世界模型的发展从车端预测逐步扩展至云端数据工厂，形成合成训练数据的来源，能够在云端生成未观测场景与新样本，提升Corner Case的密度与覆盖度，但生成式世界模型也存在分布偏离、长时域等带来的物理不一致与目标漂移等风险，因此需通过外生受控生成和内生问题驱动生成等手段来约束与提升样本有效性与物理可信度。总体而言，数字AI的底座模型在确定性方面已有清晰路径，而要实现对物理世界的完整建模闭环，物理AI将成为更具增量意义的方向，智能驾驶作为最先跑通闭环的代表场景值得重点关注。
🏷️ #AI #物理AI #世界模型 #智能驾驶
🔗 原文链接
📰 券商观点|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”
本文梳理了AI分为数字AI与物理AI的差异及其数据范式转变。数字AI以互联网上已沉淀的文本、代码、图像等为训练语料，核心在于抓取、过滤和压缩现有数据；而物理AI则需在现实场景中构造稀缺且成本高昂的长尾、极端和事故样本，故数据范式需要由被动抓取转向主动制造。世界模型的发展从车端预测逐步扩展至云端数据工厂，形成合成训练数据的来源，能够在云端生成未观测场景与新样本，提升Corner Case的密度与覆盖度，但生成式世界模型也存在分布偏离、长时域等带来的物理不一致与目标漂移等风险，因此需通过外生受控生成和内生问题驱动生成等手段来约束与提升样本有效性与物理可信度。总体而言，数字AI的底座模型在确定性方面已有清晰路径，而要实现对物理世界的完整建模闭环，物理AI将成为更具增量意义的方向，智能驾驶作为最先跑通闭环的代表场景值得重点关注。
🏷️ #AI #物理AI #世界模型 #智能驾驶
🔗 原文链接
