📰 研报摘要
查看全文 ➔本报告深入探讨了 AI 2.0 时代以 Transformer 为核心的通用底座演进规律，并重点剖析了物理 AI（以智能驾驶为例）在表征、数据和学习范式上的独特挑战。报告认为，数字 AI 竞争已从单一结构演进为涵盖后训练、推理时计算及 Agent 的系统级竞争。在自动驾驶领域，架构经历了从模块化流水线向 VLA（视觉-语言-动作）模式的演进，旨在实现端到端闭环。针对长尾数据稀缺问题，世界模型作为“数据工厂”成为核心壁垒，通过生成式仿真提供训练环境；而强化学习则通过引入对抗性场景和策略优化，解决了模仿学习在安全冗余上的天花板问题。报告指出，VLA 模型车端部署面临严峻的时延挑战，目前通过 MoE 架构、模型蒸馏、快慢系统切换及推理工程优化等技术路径提升性能。行业壁垒正从单一感知精度转向统一潜在空间的构建与高效闭环能力。