汽車行業深度報告：AI系列深度03期，數字AI與物理AI的邊界在哪里？.pdf

研究目的與核心命題

本報告為東吳證券汽車行業AI系列深度第三期，核心命題是厘清數字AI與物理AI的邊界。報告提出兩者并非對稱二分，更適合沿"物理閉環程度"連續理解；物理AI由英偉達2024—2025年推向產業主流，核心支柱為自動駕駛和具身/人形機器人，數字AI則是為區分信息空間智能而形成的追溯性對照詞。

核心差異與驅動力

兩類AI最根本差異體現在部署形態和安全約束：數字AI面向文本、代碼和軟件狀態，高度依賴云端聯網和重運營；物理AI面向車輛、機器人和真實空間，必須在端側自主、安全攸關和實時反饋條件下運行，失敗更可能直接造成不可逆物理后果。技術史上，數字AI主線是用通用方法、數據與算力替代人工設計，當前重點從訓練期擴參數轉向推理期擴算力；物理AI先在自動駕駛、后在機器人中完成產業迭代，從高精地圖、激光雷達和模塊化系統，逐步走向端到端、VLA和世界模型。

商業化與中美格局

數字AI在AI Coding、企業級Agent、對話搜索和內容生成等場景已有更清晰收費與產品閉環，編程場景頭部產品年化運行收入合計達數十億至百億美元量級，Meta AI廣告工具年化收入超數百億美元。物理AI中Robotaxi區域化運營和收費逐步推進，人形/具身機器人仍處于出貨、成本、可靠性和單位經濟驗證期。中美格局呈現分工：美國在前沿模型、資本和無人里程方面領先，中國在規模化運營、供應鏈、硬件成本和部分應用落地上具備優勢。

AGI視角與結論

機器人正成為數字AI與物理AI的交匯點，越來越多機構認為純數字模型難以單獨形成穩健智能，需要借助物理接地、世界模型和真實交互數據提升泛化能力。未來可能形成"多模態大模型負責語義與規劃、世界模型負責物理預測、控制系統負責真實執行"的聯合架構，但大模型先行還是世界模型/控制優先仍未收斂。報告認為數字AI底座模型發展路徑已逐漸清晰、價值在于確定性，但難以實現物理世界的建模閉環；物理AI將成為物理世界的AI解決方案，在當前發展階段成為增量更大的方向，智能駕駛作為最先跑通閉環的代表場景應重點關注。

風險提示

技術迭代不及預期；大模型廠商ARR增速放緩；云服務商資本開支不及預期；智能駕駛及機器人商業化落地不及預期。