物理 AI 如何从架构借鉴走向模型迁移？

本报告探讨物理 AI 在汽车行业（特别是智能驾驶）的演进路径，分析其如何从早期的架构理念（如 Transformer、BEV、端到端）借鉴转向模型层面的直接迁移（如 VLA 范式、世界模型）。报告指出，物理 AI 与数字 AI 在表征、数据和学习范式上存在系统性差异：在表征上，物理 AI 需要构建可学习的三维空间表征以替代数字 AI 的离散 token；在数据上，针对高价值长尾数据的稀疏性，世界模型将承担“数据工厂”角色以生成合成数据；在学习范式上，由于安全目标需显著超越平均人类司机，强化学习成为突破能力边界的关键环节而非后置修补。报告认为，数字 AI 提供能力底座，而物理 AI 则需通过补足物理闭环来实现落地，智能驾驶是目前最先跑通闭环的代表场景，应予以重点关注。