⁣
📰 [东吴证券]：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？ - 发现报告

本文围绕数字AI向物理AI迁移的路径与挑战进行梳理。物理AI以感知、决策与行动落地于真实三维空间为目标，落地场景以智能驾驶为代表。迁移经历两个阶段：首先在架构理念层面引入数字AI的注意力机制、矢量化表达等建模范式，形成VectorNet、BEV等统一空间表征；随后向模型层级直接迁移，如EMMA等端到端多模态模型，以及MindVLA、世界基座模型等车端VLA实践。这种迁移并非线性放大，越靠近物理闭环，直接迁移的红利越小，需要重新设计或再训练的部分增多。物理AI与数字AI的三大核心差异在于表征、数据与学习范式。物理世界的连续信号需要先被编码为可学习的三维表征，数字AI的离散文本与符号不同；高价值数据在物理场景中极为稀缺，世界模型被用来生成合成数据以扩充训练；学习范式方面，强化学习在高物理闭环任务中扮演关键角色，帮助超越模仿的局限。总之，数字AI提供底座能力与通用范式，物理AI则聚焦建立物理世界的可控闭环，并以智能驾驶为先导探索安全性与可验证性的发展路径。

🏷️ #物理AI #数字AI #迁移 #表征 #世界模型

🔗 原文链接