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：
预训练与后训练是理解大模型能力形成的一组关键框架。预训练利用海量低成本、弱标注或无标注数据学习通用底座，决定能力来源和上限；后训练利用少量高质量指令、偏好、反馈或可验证奖励数据进行适配，决定能力的调用方式、指令遵循、偏好对齐及特定任务中的推理表现。
当前模型能力与训练的关系主要聚焦三个问题：能力主要来自预训练还是后训练，后训练究竟是塑形还是可带来新推理能力；两阶段是否正在扩展为预训练、中训练、后训练三阶段；规模化重心是否从预训练转向后训练与推理时计算。
数字AI与物理AI在训练框架上同构、在数据和反馈上分立。数字AI预训练主要依赖文本和图文语料，后训练依赖人类偏好、可验证奖励和工具反馈；物理AI复用视觉语言骨干，但还需要驾驶视频、机器人轨迹、真机数据、仿真环境和安全奖励。公共文本可能接近供给上限，而物理AI的核心瓶颈是真实交互数据稀缺。
产业视角下，预训练仍属于资本开支密集的规模竞赛，后训练与推理效率则更多体现为以较小增量投入释放模型能力的效率竞赛。随着推理模型、推理时计算和Agent应用发展，部分数字AI场景的算力重心正由训练侧向推理侧迁移；中国厂商也更多围绕后训练、推理效率、MoE、长上下文和工具调用开展工程优化。总体看，预训练决定能力底座，后训练成为重要增量来源，二者互补而非替代。
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
预训练与后训练：底座形成与使用适配
预训练与后训练共同构成大模型能力形成与产品化适配的核心链条。表征、视觉骨干、序列建模和生成模型提供了不同类型的数据理解与生成能力，但这些能力需要通过训练流程沉淀为可复用的模型参数。预训练在海量数据上以自监督方式学习通用表征，形成能力底座；后训练则面向人类意图、推理任务和使用边界进行适配，使模型从具备潜在能力转向可稳定调用。
核心定义：预训练（Pre-training）是指模型在海量、低成本、无需人工标注的数据上进行自监督学习，形成具备广泛知识与泛化能力的通用底座，决定模型的知识覆盖和能力上限；后训练（Post-training）是指在该底座之上，使用规模更小但质量更高、带有人类意图或反馈信号的数据进行适配，决定模型输出方式、指令遵循、偏好对齐和任务可用性。
从功能分工看，预训练侧重于知识、语法、模式和多模态关联的广泛吸收，使模型具备通用表达与生成基础；后训练侧重于将既有能力约束到可交互、可控和可评估的产品形态，使模型能够按指令回应、遵守安全边界并输出符合任务要求的结果。我们认为，这一“通用底座形成—使用场景适配”的两阶段范式，是理解数字AI与物理AI训练流程的主线框架。
1.1
术语溯源：两个概念的提出与演变
预训练源于2006年的深度学习突破，本义是“逐层无监督初始化”：该词的技术起点可追溯至 Hinton、Osindero 与 Teh，以及 Bengio 等。当时深层网络难以直接训练，研究者先以无监督方式逐层初始化参数，再进行有监督微调，pre-training 指向正式训练前的参数准备。2015—2018年，迁移学习路线赋予其今日含义：Dai 与 Le，Howard 与 Ruder，Radford 等，以及 Devlin 等，共同确立了“大规模数据自监督学习通用模型、再进行任务适配”的范式。
后训练在ChatGPT之后成为更通用的阶段性口径：在 GPT、BERT 时期，预训练之后的环节通常称为微调。InstructGPT确立预训练、监督微调（SFT）、基于人类反馈的强化学习（RLHF）三阶段流程后，业界逐步将预训练之后、面向使用适配的训练环节统称为 post-training。此后该词被 OpenAI、Meta Llama 系列技术报告等沿用，外延覆盖 SFT、RLHF、RLAIF、DPO 直至 RLVR。后训练并非单一算法，而是一组面向可用性、可控性和推理增强的工序集合。
1.2
本质区别：通用底座与面向使用的适配
由此可见，预训练决定模型内部能力的形成边界，后训练决定这些能力以何种方式被调用、约束和呈现。
1.3
数字AI与物理AI：框架同构、口径分立
框架同构：物理AI，英伟达等称之为 Physical AI，其代表性模型已明确沿用大语言模型训练配方。机器人基座模型 π0被官方描述为预训练后接后训练、对标大语言模型范式；自动驾驶 VLA 模型英伟达 Alpamayo 则采用驾驶数据模态注入、因果链数据监督微调、强化学习后训练的多阶段流程。
但数字AI与物理AI在数据、反馈信号和核心瓶颈上存在明显差异：1）预训练数据不同，数字AI以文本中的预测下一个词为主，物理AI更多复用视觉-语言骨干，并在跨本体动作与驾驶视频上继续训练；2）后训练反馈信号不同，数字AI侧重人类偏好，物理AI侧重物理世界奖励、动作模仿与安全约束；3）核心瓶颈不同，数字AI面对公共数据接近上限，物理AI面对真机交互数据稀缺。因此，两者可共享分析框架，但具体训练路径仍需结合不同场景分别判断。
2
预训练：通用能力底座如何形成
2.1
自监督学习：以“预测下一个词”为核心目标
用数据自身提供监督信号：预训练的主力目标是自监督学习，即以数据内部结构作为监督信号，无需人工标注。典型路线包括预测下一个词，即根据上文预测后续词元；BERT 路线则采用掩码还原，即还原被遮挡的词元。我们认为，预测下一个词这一目标迫使模型在海量文本中学习语法、事实、常识和部分推理模式，进而成为通用能力的重要来源。
2.2
扩展律 Scaling Law：规模与性能的定量关系
Kaplan提出幂律、Chinchilla校正配比：扩展律用公式刻画规模与性能之间的关系。Kaplan 等发现模型损失随参数量、数据量和算力增加呈幂律下降，意味着三者按一定比例扩大时，性能可沿相对可预测的曲线改善。Hoffmann 等通过更系统的实验加以校正：在给定算力下，参数与数据应大体等比例扩大，并提出约20个训练 token 对应1个参数的计算最优经验，意味着不少早期大模型存在参数偏大、数据偏少的问题。
2.3
数据约束：高质量公共文本的供给上限
公共文本可能在2028年前后接近耗尽：Villalobos 等估计，可便捷获取的高质量公共文本将在约2028年基本用尽，早期估计为2026年；Sutskever 据此提出“我们只有一个互联网”，并将数据比作 AI 的化石燃料。应对路径包括：从追求更多数据转向追求更高质量数据、合成数据、向多模态扩展，以及将增量投入移向后训练与推理时计算。
物理AI预训练的数据来源有所不同：数字AI的预训练以文本或多模态场景中的预测下一个词为主；物理AI的预训练通常是复用已在网络数据上预训练的视觉-语言 VLM 骨干，再在跨本体动作数据或驾驶视频上继续训练，其本身已嵌套一次数字AI预训练。代表性数据如 Open X-Embodiment汇集逾100万条轨迹、覆盖22种机器人本体。
3
后训练：从基座可用到对齐与推理增强
3.1
监督微调 SFT：习得指令遵循能力
用人工示范将续写能力转为应答能力：预训练得到的基座模型主要顺着上文续写，并不天然具备稳定的指令遵循能力。监督微调以人工编写的指令—回答示范为训练数据，使模型学习按指令作答、按预期格式输出，这是 InstructGPT 三阶段流程的第一步。
3.2
基于人类反馈的强化学习 RLHF：对齐人类偏好
用偏好比较训练奖励模型、再优化策略模型：RLHF 的现代形态由 Christiano 等在2017年确立，流程是先让人类比较模型不同输出的质量，据此训练奖励模型，再用强化学习优化模型。其标志性结果是，仅约900比特的人类反馈，就让仿真机器人学会了连续动作后空翻。Stiennon 等在2020年将其用于文本摘要，InstructGPT在2022年用其提升 GPT-3 的指令遵循、真实性和低毒性表现。
宪法AI与RLAIF：以AI反馈替代部分人工标注：Anthropic 的宪法AI使用一组人工制定的原则作为“宪法”，让模型自我评判并自动生成反馈；基于 AI 反馈的强化学习在保持效果的同时大幅减少人工标注，是后训练降本的重要路线。
3.3
直接偏好优化 DPO等简化路线
绕开奖励模型直接对齐偏好：Rafailov 等在2023年提出直接偏好优化，证明可绕过“训练奖励模型＋PPO 强化学习”的复杂流程，直接用偏好数据优化模型。相较 RLHF，DPO 训练更稳定、占用算力更少、也更不易出现“奖励欺骗”，已成为对齐的主流替代方案之一。
3.4
可验证奖励的强化学习 RLVR：后训练的推理目标线
以可自动判定的奖励训练推理：当奖励可被自动验证时，例如数学题、代码可直接判定对错，无需人工逐一评分，即可大规模开展强化学习，称为 RLVR。DeepSeek-R1采用 GRPO，甚至跳过监督微调、仅以强化学习便涌现出自我反思与验证等长链推理行为。
后训练的主要局限包括对齐税与奖励欺骗：对齐有时会牺牲部分原有能力，即对齐税；当模型学会迎合奖励信号而非完成真实任务时，会出现奖励欺骗。
4
阶段过渡：中训练与推理时计算正在重塑边界
4.1
中训练 mid-training：正在形成的第三阶段
中训练介于预训练与后训练之间，训练目标更为聚焦：中训练使用大规模无标注数据，但配以更聚焦的训练目标用于系统增强复杂能力并为后训练做准备；其中，数据退火是指逐步降低学习率以稳定收敛。phi-3.5 将其视为多语言与长上下文整合阶段，OLMo 2 强调学习率退火与数据配比，Yi-Lightning 视其为受控的数据分布过渡。
4.2
推理时计算 test-time compute：推理阶段的算力投入
推理阶段引入额外计算：推理时计算指模型在回答时生成更多推理 token、进行更长步骤的中间推演，以推理侧算力换取更高准确率。Snell 等在2024年指出，最优地分配推理时计算，在许多任务上比单纯扩大参数更有效。OpenAI o1在2024年以更长思维链换取更强推理表现，DeepSeek-R1 也证明纯强化学习可使模型在推理阶段生成更长的中间过程。
4.3
思维链 CoT：横跨预训练、后训练与推理的连接点
思维链是一种推理行为，而非独立训练阶段：思维链指模型在给出最终答案前，先输出中间推理步骤，再形成结论。思维链本身不是一个训练阶段，而是一种可在推理时呈现、可在后训练中被强化的行为模式；它横跨预训练、后训练与推理三处，是理解两阶段范式被重塑的典型案例。
能力基础来自预训练，可在推理阶段被触发：模型能够输出有条理的推理步骤，源于预训练语料中包含大量分步推理文本；Wei 等与 Kojima 等证明，只需在提示中给出分步示范或一句引导语，即可在推理阶段触发该能力，无需额外训练。
在后训练中被放大，并成为推理时计算的载体：o1与 DeepSeek-R1在2025年进一步用强化学习 RLVR 让模型无需提示便生成更长、更有效的思维链，把推理行为从提示诱发转向默认输出；部署阶段中，这种长思维链正是推理时计算的具体形式。我们认为，思维链由此成为连接后训练与推理时计算的关键机制。
5
数字AI与物理AI：同一框架，不同数据和反馈
5.1
机器人：复用视觉-语言骨干预训练，依托真机与仿真后训练
从 RT-2 到 π0：RT-2在视觉-语言模型 PaLM-E、PaLI-X 之上，联合微调机器人轨迹数据与网络图文数据，并把动作表示为文本 token。π0以 PaliGemma 为骨干，预训练阶段使用逾10000小时、覆盖7类机器人68项任务的数据并叠加 Open X-Embodiment，再以高质量数据后训练，并采用流匹配方法生成连续动作轨迹，输出高频动作。机器人领域的核心分歧之一，是动作应表示为离散 token 还是连续数值。
5.2
自动驾驶：从端到端到VLA，后训练引入强化学习
UniAD、世界模型与 Alpamayo：UniAD将感知、预测、规划统一进一个可微分的端到端框架。世界模型用自回归 Transformer 加扩散解码生成未来驾驶视频，常被置于训练、仿真、评估和策略改进基础设施一侧，而非简单归入预训练。英伟达 Alpamayo 则将大语言模型配方移植到车端：先进行大规模驾驶数据模态注入与预训练，再通过因果链数据监督微调习得推理，最后以强化学习后训练优化轨迹安全与推理-动作一致性。
5.3
物理AI的核心瓶颈：真机数据的稀缺
数据规模而非术语是分水岭：即便 Open X-Embodiment 汇集了百万级轨迹，相对文本语料仍属小数据；高质量真机数据稀缺且昂贵，遥操作采集既慢又易出错，成为部署与扩充数据的实际瓶颈。由此，数据来源分化出三条路线：海量人类操作视频、真机采集、仿真。
6
产业与投资视角：成本与价值的迁移
6.1
算力重心：从训练转向推理
推理正成为AI经济的重要成本中心：随着基座模型成熟、商用部署铺开，AI 的成本重心在多个数字AI场景中从训练转向推理。训练是一次性固定投入，推理则是被高频调用的持续边际成本。业界估计，2025年主要厂商的推理算力占比已过半。黄仁勋提出“推理拐点已至”，并指出具备推理能力的模型既要生成更多 token、又要更快响应，叠加后对算力的需求可达约100倍。
6.2
预训练的规模红利与后训练的效率红利
两阶段对应两种竞争逻辑：预训练是资本开支密集的规模竞赛，数据与算力门槛高，由少数基座厂商主导；后训练则是以较小增量投入提升模型可用性和推理能力的效率竞赛。DeepSeek-R1 采用 GRPO 并跳过监督微调，以远低于同类的成本逼近 o1 级推理，并可将能力蒸馏迁移到更小规模。我们认为，在数据接近上限、预训练边际收益趋缓的预期下，后训练与推理效率正成为新的增长极与差异化来源。
6.3
中国厂商的布局：聚焦后训练与推理效率
以效率与性价比切入：我们梳理认为，中国头部厂商更多在后训练算法与推理效率上发力。DeepSeek 围绕 R1、GRPO 与能力蒸馏形成代表性样本；阿里 Qwen 系列、字节豆包、月之暗面 Kimi、MiniMax、智谱 GLM 等也密集迭代推理模型，其中 GLM-5 公开口径称在华为昇腾平台训练。整体看，国内厂商更多以后训练与推理优化换取性价比。
7
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
《【AI系列深度08期】GAN与Diffusion两类生成范式有何差异？》20260731
《【AI系列深度07期】CNN与ViT两类视觉骨干有何差异？》20260730
《【AI系列深度06期】Transformer如何从序列任务走向基座模型？》
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)