汽车行业深度报告：深度学习与 AI1.0 时代技术复盘

本报告旨在通过复盘深度学习在 AI 第一次爆发（AI1.0）期间的演进路径，建立“学术瓶颈—产品落地”的判断框架。报告通过“七阶段—三大阶段”架构演进模型，系统梳理了 CNN（卷积神经网络）从生物视觉启发、LeNet 原型到 ResNet 及现代回潮的演进，以及 RNN（循环神经网络）从 Simple RNN 到 LSTM 及 Transformer 切换的历史节点。研究认为，当架构核心论文向轻量化、部署和复兴性改进集中，且基础架构突破减少时，往往意味着技术进入短期学术瓶颈，产业应用窗口随之打开。AI1.0 时代主要实现了视觉感知能力的规模化成熟，但因缺乏理解、推理与行动的通用智能闭环，应用落地受限于垂直场景。未来随着数字 AI 底座确定性增强，物理 AI 在智能驾驶等物理世界闭环场景中更具增量潜力。