猜你想问
这份研报主要讲了什么内容？
这份研报探讨了物理AI从架构借鉴到模型迁移的发展趋势。早期迁移主要发生在架构理念层面，如Transformer注意力机制、BEV、端到端等方法被引入驾驶感知、轨迹预测和一体化规划；近年则开始向模型层面迁移，如Waymo EMMA构建于Gemini之上，理想MindVLA、小鹏世界基座模型等车端VLA实践，均体现数字AI基础模型能力向物理AI扩展。研报分析了物理AI与数字AI的三重差异，包括表征差异（如VectorNet、BEV与Transformer结合的鸟瞰栅格表征）、数据差异（如Wayve的GAIA-1与GAIA-2、英伟达Cosmos等世界模型项目）和范式差异（强化学习在物理AI中的关键作用）。研究结论指出数字AI提供能力底座，物理AI仍需补足物理闭环，智能驾驶作为最先跑通闭环的代表场景应重点关注。
物理AI行业的发展趋势如何？
物理AI行业正经历从架构借鉴向模型迁移的演进阶段。早期主要借鉴数字AI的架构理念，近年则开始构建基于数字AI基础模型的物理AI应用，如Waymo EMMA、理想MindVLA、小鹏世界基座模型等。行业发展趋势显示，数字AI能力为物理AI提供基础，但物理AI仍需解决物理世界表征、真实数据获取和安全闭环三大难题。未来，智能驾驶作为最先跑通闭环的场景，将持续推动物理AI技术发展，同时需关注技术迭代、大模型厂商ARR增速、云服务商资本开支及商业化落地等风险因素。
研报重点分析了哪些方向？
研报重点分析了物理AI从架构借鉴到模型迁移的技术演进路径，以及与数字AI的三重差异。具体包括：1）表征差异，如VectorNet、BEV与Transformer结合的鸟瞰栅格表征、占用网络Occupancy Network、三维高斯3D Gaussian Splatting等技术；2）数据差异，如Wayve的GAIA-1与GAIA-2、英伟达Cosmos、腾讯混元3D世界模型1.0、小鹏云端世界基座模型等合成数据项目；3）范式差异，强调强化学习在物理AI中的关键作用。此外，研报还探讨了数字AI对物理AI的赋能作用，以及智能驾驶作为最先跑通闭环场景的代表性意义。
当前物理AI市场的现状如何？
当前物理AI市场呈现数字AI能力向物理世界迁移的趋势，但迁移比例并非线性外推。越偏向语义理解、规划和多模态表征，数字AI模型的可复用性越强；越接近实时三维感知、接触控制、安全攸关决策和高物理闭环，直接迁移比例越低。代表性技术实践包括Waymo EMMA、理想MindVLA、小鹏世界基座模型等，均体现数字AI基础模型向物理AI的扩展。市场仍面临物理世界表征构建、真实数据获取、安全闭环等挑战，需结合世界模型技术（如Wayve GAIA系列、英伟达Cosmos等）和强化学习进行突破。
研报提到了哪些风险提示？
研报提示了物理AI及智能驾驶领域的主要风险：1）技术迭代不及预期，物理AI技术发展可能面临瓶颈；2）大模型厂商ARR增速放缓，可能影响数字AI对物理AI的赋能；3）云服务商资本开支不及预期，可能制约世界模型等数据基础设施的建设；4）智能驾驶及机器人商业化落地不及预期，影响行业整体发展。此外，物理AI相较数字AI的三重差异（表征、数据、范式）仍需持续解决，需关注技术路径和商业化进程的匹配度。