股票 
板块 
用户 
资讯 未经许可，不得转载或者引用。
投资要点
投资要点：
数字AI与物理AI并非完全对称的二分概念，更适合沿“物理闭环程度”理解。物理AI承接具身智能学术传统，并在2024—2025年由英伟达等产业主体推向主流，核心支柱包括自动驾驶和具身/人形机器人；数字AI则更多是在物理AI概念流行后，为区分信息空间智能而形成的追溯性对照词。两者边界并非孤立切分，而是在数据形态、部署环境和行动后果上连续分布。
两类AI最根本差异体现在部署形态和安全约束。数字AI主要面向文本、代码、知识和软件状态，多数通用服务高度依赖云端联网和重运营；物理AI面向车辆、机器人和真实空间，不能假设随时联网，且必须在端侧自主、安全攸关和实时反馈条件下运行。高风险数字场景同样需要严格验证，但物理AI的失败更可能直接造成不可逆物理后果。
从技术史看，数字AI是一条由通用方法、数据与算力持续替代人工设计的路径，当前重点从训练期扩参数转向推理期扩算力；物理AI则先在自动驾驶、后在机器人中完成产业迭代，从高精地图、激光雷达和模块化系统，逐步走向端到端、VLA和世界模型。世界模型成为两类路线的共同关切，但分歧在于潜在空间是否需承载像素重建，即世界模型应重在生成，还是重在理解与规划、服务物理闭环控制。
商业化节奏上，数字AI在AI Coding、企业级Agent、对话搜索和内容生成等场景已有更清晰收费与产品闭环；物理AI中Robotaxi区域化运营和收费逐步推进，人形/具身机器人仍处于出货、成本、可靠性和单位经济验证期。中美格局也呈现分工：美国在前沿模型、资本和无人里程方面领先，中国在规模化运营、供应链、硬件成本和部分应用落地上具备优势。
从通往AGI的视角看，机器人正成为数字AI与物理AI的交汇点。越来越多机构认为，纯数字模型难以单独形成稳健智能，需要借助物理接地、世界模型和真实交互数据提升泛化能力。未来可能形成“多模态大模型负责语义与规划、世界模型负责物理预测、控制系统负责真实执行”的联合架构，但大模型先行还是世界模型/控制优先仍未收敛。
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。
1
物理AI与数字AI的概念界定
数字AI与物理AI是一组并不对称的术语。物理AI承接具身智能学术传统，并由产业界主动定型，当前范畴主要由自动驾驶和具身/人形机器人两大支柱构成；数字AI则是在物理AI概念流行后，为与之区分才被追溯使用的对照词。
1.1
物理 AI：从具身智能到产业主线
物理AI在学术上承接具身智能传统。图灵在1948年《Intelligent Machinery》中已区分具身与非具身智能；Rodney Brooks于1986年提出Nouvelle AI，并在1991年《Intelligence without representation》中主张智能可由智能体与物理环境的直接交互产生，奠定具身智能基础。作为与数字AI相对的术语，物理AI的明确学术分类可追溯至Miriyev与Kova?在2021年的研究，其将AI区分为处理信号的数字AI与包含机器人等物理实体的物理AI。
英伟达及黄仁勋将物理AI从学术概念推向产业主流话语。2024年，黄仁勋在Hill & Valley Forum等场合提出“感知AI—生成式AI—代理AI—物理AI”的阶段框架；2025年1月CES上，他以物理AI为主题作系统阐述，提出AI的下一个前沿是理解物理定律、拥有身体的AI；随后在Computex、GTC及2026年主旨演讲中持续强化。由此看，物理AI经历了2021年前后的学术分类和2024—2025年的产业定型两个阶段。
产业语境下，物理AI主要由两条落地主线构成：1）自动驾驶，包括端到端智驾与Robotaxi；2）具身/人形机器人。二者共享端侧实时推理与云端训练的架构约束，全文按双支柱口径展开，而非将物理AI窄化为人形机器人。需说明的是，双支柱指落地主线；就产业参与方向而言，为物理AI供给世界模型与合成数据的生成式一环亦参与其中，物理智能专题将按产业方向另作拆分。
1.2
数字 AI：物理AI概念下的追溯性对照词
“数字AI”并非主流机构主动提出的自我标签，而是在物理AI概念流行后，为形成对照而被追溯使用的概念，通常指运行于纯数字或虚拟环境、处理文本与图像等数据的AI。OpenAI、Anthropic、Google DeepMind等机构更常以AGI、通用智能或基础模型自我界定，而较少使用数字AI标签。由此看，数字AI更多是外部为区分物理AI而赋予的信息空间智能标签。
1.3
世界模型：两类AI路线的共同问题
从底层问题看，数字AI与物理AI都关心机器能否形成可预测世界或环境状态变化的内部模型，即世界模型。但两者口径并不相同：数字AI中的世界模型更多指向生成、推理与交互环境中的内部表征；物理AI中的世界模型更强调状态与动作后果预测，例如自动驾驶需要预判变道后周边车辆与行人的反应，机器人需要预判抓取力变化下物体如何移动。世界模型因此是共同关切，而非完全同义的单一底层。
2
技术驱动力：数字AI扩展通用方法，物理AI补足物理闭环
2.1
数字 AI：通用方法、数据与算力构成主线
数字AI技术史的主线，是用更通用、更可扩展的方法持续替代人工设计。1989年至1998年间，Yann LeCun以LeNet系列将卷积神经网络用于手写数字识别，确立用梯度反传训练深度网络的范式；2009年李飞飞主导构建ImageNet大规模标注数据集，为深度学习提供关键数据基础；2012年Geoffrey Hinton团队的AlexNet在ImageNet竞赛上显著降低Top-5错误率，引爆深度学习。序列建模上，RNN和LSTM赋予网络记忆能力，但并行扩展受限；2017年的Transformer以注意力机制取代循环与卷积，可并行扩展至大规模模型，成为GPT系列大语言模型的统一底座，此后自监督预训练与RLHF相继成熟。
数字AI迭代的底层逻辑，可由Richard Sutton在2019年提出的“The Bitter Lesson”概括：长期看，依赖算力增长的通用搜索与学习方法，往往胜过依赖人工注入领域知识的方法。换言之，数字AI的核心驱动力是通用可扩展方法、数据和算力的复合增长。当前重点之一，是从训练期扩参数转向推理期扩算力：OpenAI o系列显示，让模型在可验证任务上投入更多推理计算可提升数学、科学和编程能力；DeepSeek则通过强化学习后训练路线提升推理模型表现。该方向向视觉、生成和物理闭环场景的迁移仍需验证。
2.2
物理 AI：自动驾驶先行，机器人接续验证
与数字AI更多由学术和基础模型机构推动不同，物理AI更依赖产业场景中的持续试错和工程闭环。自动驾驶商业化历史更长、数据闭环更成熟，因此本节先讨论自动驾驶，再讨论机器人。
2.2.1
自动驾驶：从模块化系统走向端到端
自动驾驶形成了两条标志性路线。Waymo路线脱胎于2009年谷歌自动驾驶项目，强调安全冗余：多传感器融合、高精地图、限定区域运营和模块化堆栈是其早期核心，近年逐步用机器学习替换各模块，并在2024年提出构建于Gemini多模态大模型之上的EMMA端到端研究模型；量产系统仍是包含传感器融合编码器的混合架构。特斯拉路线强调纯视觉与可扩展：2019年HydraNet、2021年纯视觉转向与BEV、2022年占用网络，再到2023—2024年FSD v12以单一端到端神经网络从摄像头像素直接输出控制。两条路线共同趋势是从人工规则模块化走向数据驱动端到端，分歧主要在传感器配置、高精地图依赖和成本可扩展性。
2.2.2
机器人：VLA模型与数据飞轮成为主线
机器人侧主线是视觉-语言-动作模型和数据飞轮。谷歌DeepMind在2023年发布的RT-2被视为早期代表性VLA模型；Physical Intelligence在2024年发布并开源π0，以VLM主干叠加独立扩散动作专家。机器人约束在于高质量交互数据稀缺，交互数据相较多模态互联网数据少1—2个数量级，因此产业路径更多依赖“遥操作—训练VLA—部署—真实反馈”的数据飞轮。产业格局上，特斯拉以Optimus推进制造场景自用和量产降本，Figure以Helix主打人形通用操作，英伟达以Cosmos世界基础模型、GR00T人形VLA和Isaac仿
2.3
技术承接与世界模型分歧
物理AI在方法论上大量借鉴数字AI。Transformer与大模型范式被引入智能驾驶和机器人，Waymo EMMA基于Gemini，机器人VLA以VLM为主干；数字AI中的海量数据训练通用模型，也被改造为物理世界中的数据飞轮。物理AI继承了数字AI中“规模与通用性取胜”的经验，但真实世界额外要求物理闭环、安全验证和行动后果可控。
两类路线都强调世界模型，但技术口径存在差异。生成式路径以Sora、Genie 3、Cosmos、GAIA等为代表，其预测通常在压缩后的潜在空间中进行，潜在扩散已是该类模型的通行做法，但训练目标要求将潜在表示解码还原为可观测画面，因而可服务合成数据和仿真；表征预测路径以杨立昆JEPA为代表，主张在抽象表征空间预测且不重建像素，认为生成式视频会消耗过多容量于不可预测的像素细节，且固定轨迹视频并不等同于可状态—动作条件化的交互模拟器。由此看，两条路径的分野不在于是否使用潜在空间，而在于潜在空间是否需要承载像素重建：生成式的潜在是须还原画面的编解码压缩，JEPA的潜在则主动丢弃不可预测的细节。分歧实质在于：世界模型应重在生成，还是重在理解与规划。
3
商业闭环：数字AI率先落地，物理AI仍在验证单位经济
商业化差异首先来自部署形态。多数通用数字AI服务主要在云端推理，依赖联网、低延迟和持续运营；端侧小模型、本地部署和离线应用存在，但不代表主流通用基础模型口径。物理AI则相反，自动驾驶避障决策和机器人抓取控制均属于安全要求高、反应时间短的实时任务，不能以持续联网为前提，关键推理必须在端侧本地完成，云端主要承担训练、地图和车队学习等非实时职能。由此派生两类差异：1）物理AI对实时低延迟和可靠性的要求更高，单次失误可能造成物理伤害；2）物理AI端侧需处理大量传感器数据，隐私和带宽约束更强。云端在线与端侧自主的部署分野，决定了两者不同的场景形态与商业闭环。
3.1
数字 AI：分场景拆解落地逻辑、市场规模与收费
3.1.1
编程 AI Coding：落地最扎实、闭环最清晰
编程是数字AI商业化最清晰的场景之一，原因在于代码可通过编译和测试即时验证，反馈信号明确，生产力提升可量化，付费意愿较强；但高风险代码执行仍需要沙箱、人审和安全验证。变现已初具规模，头部产品年化运行收入合计已达数十亿至百亿美元量级，Cursor、Claude Code、GitHub Copilot等是代表；收费以按席位订阅为主。代表公司包括GitHub Copilot、Cursor、Claude Code，以及国内的通义灵码、Trae、文心快码Comate和腾讯云CodeBuddy。
3.1.2
对话与搜索：用户规模最大，变现强度不一
面向消费者的对话与搜索助手用户规模最大，落地逻辑是高频通用、低门槛使用。收费以消费订阅和免费引流为主，如ChatGPT约20美元/月，并辅以API按token计费。该类场景用户基数大，但单用户变现较低，推理成本随使用量上升，因此头部机构持续提升企业客户收入占比。代表公司包括OpenAI ChatGPT、Google Gemini、Microsoft Copilot、xAI Grok，以及国内的豆包、文心一言、通义、Kimi、腾讯元宝和DeepSeek。
3.1.3
企业级与 Agent：商业变现主战场
企业级场景包括办公协同、客服、知识管理和智能体，落地逻辑是嵌入既有工作流并形成可度量ROI。Anthropic较具代表性，其收入结构中企业客户占比较高，并凭企业侧需求实现较快增长。收费以按席位、按用量或企业合同为主。代表公司包括Anthropic Claude、OpenAI企业版、Microsoft 365 Copilot、Salesforce Agentforce、Glean，以及国内的阿里云百炼、火山引擎、百度千帆、智谱企业版和腾讯云。
3.1.4
营销与内容生成：借道大厂既有变现
营销与内容生成的最大变现并非来自模型公司本身，而是来自大厂将生成式AI嵌入既有广告和内容产品。Meta财报显示，截至2025年第四季度，其AI广告工具年化收入已超600亿美元，用约3.5年达成该规模。该案例说明，当前AI收入的重要部分仍沿既有产品入口、客户体系和商业化渠道流动。
3.2
物理 AI 场景一：自动驾驶/Robotaxi
自动驾驶是物理AI中商业闭环最靠前的落地场景。Robotaxi已进入区域内真实收费运营阶段：Waymo、百度萝卜快跑、小马智行等均披露了车队规模、订单量或收费收入增长数据。收费模式基本明确，主要按里程和时长计价，类似网约车；但行业整体仍处投入期，盈利能力取决于单车成本、利用率、运营区域密度和安全监管等变量。
3.3
物理 AI 支柱二：人形/具身机器人
机器人的商业闭环按细分场景成熟度递减：工业/制造环境结构化、任务明确，最先落地，多为厂内自用或小批量部署；物流/仓储次之；导览、巡检等商用服务已有零散落地；家庭场景仍不成熟。收费模式尚在分化，除整机买断外，RaaS按月或按小时租赁开始出现，但多数厂商尚未跑通可持续单位经济，现阶段处于发展初期、盈利模型待验证的阶段。
4
中美格局与AGI：机器人成为两类路线汇合点
4.1
中美格局：数字AI与物理AI各擅其长
数字AI与物理AI机构正在同时涌入机器人领域。数字AI阵营中，OpenAI在2025年重建机器人部门，谷歌DeepMind推出Gemini Robotics，英伟达以GEAR实验室和GR00T押注具身智能，李飞飞从视觉转向空间智能与World Labs；物理AI阵营则包括Physical Intelligence、特斯拉Optimus、Figure、波士顿动力，以及中国的宇树、智元等。机器人由此成为基础模型、世界模型、控制系统和硬件制造能力共同验证的场景。
这一汇合具备三重逻辑：1）物理接地假设，越来越多机构认为纯数字模型不足以达到稳健AGI，智能需要在与物理世界的交互中被检验和塑造；2）世界模型是共同关切，而机器人是验证环境预测、动作规划和任务泛化的直接场景；3）物理世界数据稀缺，模型需要通过真实机器人和数据飞轮采集交互数据，才能突破仅依赖互联网语料的瓶颈。但汇合并不意味着路线一致：一类路线把机器人视为大模型的新增模态，以VLM/大模型扩展为主轴；另一类路线强调真实数据、控制优先和世界模型，并在“生成像素”还是“预测表征”上继续分化。MLLM、世界模型和控制系统的联合架构是重要方向之一，但其路径与时间表仍存在高度不确定性。
4.2
通往 AGI：机器人成为两类路线的汇合点
数字AI与物理AI机构正在同时涌入机器人领域。数字AI阵营中，OpenAI在2025年重建机器人部门，谷歌DeepMind推出Gemini Robotics，英伟达以GEAR实验室和GR00T押注具身智能，李飞飞从视觉转向空间智能与World Labs；物理AI阵营则包括Physical Intelligence、特斯拉Optimus、Figure、波士顿动力，以及中国的宇树、智元等。机器人由此成为基础模型、世界模型、控制系统和硬件制造能力共同验证的场景。
这一汇合具备三重逻辑：1）物理接地假设，越来越多机构认为纯数字模型不足以达到稳健AGI，智能需要在与物理世界的交互中被检验和塑造；2）世界模型是共同关切，而机器人是验证环境预测、动作规划和任务泛化的直接场景；3）物理世界数据稀缺，模型需要通过真实机器人和数据飞轮采集交互数据，才能突破仅依赖互联网语料的瓶颈。但汇合并不意味着路线一致：一类路线把机器人视为大模型的新增模态，以VLM/大模型扩展为主轴；另一类路线强调真实数据、控制优先和世界模型，并在“生成像素”还是“预测表征”上继续分化。MLLM、世界模型和控制系统的联合架构是重要方向之一，但其路径与时间表仍存在高度不确定性。
5
风险提示
技术迭代不及预期的风险：数字 AI、物理 AI 技术进展低于预期，任务或应用场景拓宽速度低于预期。
大模型厂商 ARR 增速放缓的风险：若客户增长、续费率或客单价不及预期，模型厂商 ARR 增速可能放缓。
云服务商资本开支不及预期的风险：若自由现金流承压，或 AI 算力需求及投资回报低于预期，云服务商可能下调资本开支。
智能驾驶及机器人商业化落地不及预期的风险：若产品可靠性、成本下降或用户需求低于预期，相关产品商业化进程可能放缓。
最新代表报告
《【公司简报/理想汽车-W】Livis Day推进软件与具身智能，坚定拥抱AI》20260617
《【公司简报/小鹏集团-W】世界模型登台AI顶会CVPR，物理AI进程加速》20260613
东吴汽车团队介绍
团队荣誉
2025年证券时报（新财富）最佳分析师汽车行业第一名；
2024年证券时报（新财富）最佳分析师汽车行业第一名；
第二十一届新财富最佳分析师汽车和汽车零部件板块第二；
第二十届新财富最佳分析师汽车和汽车零部件板块第二；
第十九届新财富最佳分析师汽车和汽车零部件板块第三；
第十五届卖方分析师水晶球汽车及零部件板块第二；
第五届新浪财经金麒麟最佳分析师汽车行业第二；
第四届新浪财经金麒麟最佳分析师汽车行业第二；
第三届新浪财经金麒麟最佳分析师汽车行业第三；
Wind第十二届金牌分析师汽车板块第一；
Wind第十一届金牌分析师汽车板块第一；
Wind第十届金牌分析师汽车板块第一；
Wind第九届金牌分析师汽车板块第二；
上海证券报最佳分析师汽车板块第一；
黄细里 团队负责人
华中科技大学企业管理学士，上海交通大学企业管理硕士；
负责投资策略+汽车智能化主线，曾任职长江证券汽车分析师等，13年汽车行业研究工作经验
工作邮箱：huangxl@dwzq.com.cn
孟璐 团队成员
同济大学金融本硕；
聚焦全球化乘用车，5年汽车行业研究经验
工作邮箱：mengl@dwzq.com.cn
郭雨蒙 团队成员
中国海洋大学本科，北京航空航天大学硕士
聚焦零部件＋机器人，2025年加入东吴证券，此前就职于民生证券、天风证券，5年汽车行业研究经验
工作邮箱：guoym@dwzq.com.cn
孙仁昊 团队成员
同济大学本科，香港中文大学（深圳）硕士
聚焦智能化零部件+客车，4年汽车行业研究经验
工作邮箱：sunrh@dwzq.com.cn
童明祺 团队成员
上海财经大学金融本硕
聚焦智能化乘用车，2025年加入东吴证券
工作邮箱：tongmq@dwzq.com.cn
公众号| 东吴汽车黄细里团队
请扫关注我们
免责声明：
本公众订阅号（微信号：东吴汽车黄细里团队）由东吴证券研究所汽车团队设立，系本研究团队研究成果发布的唯一订阅号。
本公众号所载的信息仅面向专业投资机构，仅供在新媒体背景下研究观点的及时交流。
本订阅号不是东吴证券研究所汽车团队研究报告的发布平台，所载内容均来自于东吴证券研究所已正式发布的研究报告或对已发布报告进行的跟踪与解读，如需了解详细的报告内容或研究信息，请具体参见东吴证券研究所已发布的完整报告。
本订阅号所载内容不构成对具体证券在具体价位、具体时点、具体市场表现的判断或投资建议，不能够等同于指导具体投资的操作性意见。本订阅号所载内容仅供参考之用，接收人不应单纯依靠本资料的信息而取代自身的独立判断，应自主做出投资决策并自行承担风险。东吴证券研究所及本研究团队不对任何因使用本订阅号所载任何内容所引致或可能引致的损失承担任何责任。
本订阅号对所载内容保留一切法律权利。订阅人对本订阅号发布的所有内容（包括文字、图片、影像等）未经书面许可，禁止复制、转载；经授权进行复制、转载的，需注明出处为“东吴证券研究所”，且不得对本订阅号所截内容进行任何有悖原意的引用、删节或修改。
特别声明：《证券期货投资者适当性管理办法》、《证券经营机构投资者适当性管理实施指引（试行）》于2017年7月1日起正式实施。通过新媒体形式制作的本订阅号推送信息仅面向东吴证券客户中的专业投资者，请勿在未经授权前进行任何形式的转发。若您非东吴证券客户中的专业投资者，为保证服务质量、控制投资风险，请取消关注本订阅号，请勿订阅、接收或使用本订阅号中的任何推送信息。因本订阅号难以设置访问权限，若给您造成不便，烦请谅解！感谢您给予的理解和配合。
评论 (0)