汽车行业深度报告：AI系列深度20期，如何看物理场景中数字AI的能力边界？.pdf

全球人工智能技术正从纯信息空间向物理世界加速渗透，数字AI与物理AI的关系成为产业界关注的焦点。本报告基于物理闭环程度构建了连续谱框架，系统分析了两者在技术路径、能力边界及迁移难度上的差异，揭示了从“承接”到“分化”再到“融合”的协同演进逻辑。

连续谱框架与场景划分

报告提出，AI应用场景沿物理闭环程度形成连续谱。判断场景位置的关键在于任务是否需在真实物理世界完成“感知—决策—动作—反馈”闭环及对实时性、安全性的要求。越靠近信息空间，数字AI独立闭环充分性越高；越靠近物理世界，物理AI专用技术栈必要性越强。典型场景被划分为八档，从内容生成到通用具身智能，数字AI的独立充分性由极高降至极低，而物理AI的必要性则由极低升至极高。

技术路径的同源与分化

数字AI与物理AI共享Transformer等神经网络底座，但在作用对象、训练目标与闭环要求上发生分化。数字AI围绕“数字数据—Token化—基础模型”展开，预测对象为token和内容，受事实可靠性、上下文管理等约束；物理AI围绕“传感器输入—状态表示—动作生成”展开，预测对象为动作和轨迹，受动作数据稀缺、物理长尾场景、实时控制及安全验证约束。两者能力边界受不同因素限制，单纯扩大模型规模无法自动解决物理AI面临的工程与控制难题。

能力迁移的三层结构

随着物理闭环加深，数字AI能力直接复用难度增加。迁移呈现三层结构：纯信息空间场景中，数字AI能力可直接复用；近似物理世界场景中，视觉生成与多模态预训练同源，但工程仿真依赖物理引擎；真实物理世界场景中，仅语义理解与高层规划可复用，状态维护、动作生成、实时控制和安全验证需专用技术补足。“看起来像世界”与“能被物理系统安全依赖”对应不同能力门槛，视觉生成能力不能直接等同于可部署的物理闭环能力。

协同演进的产业结论

数字AI与物理AI并非替代关系，而是长期协同演进。物理AI承接数字AI的技术底座，但在本体对齐、仿真训练、实时控制等方面并行分化。未来，两者将融合于完整智能系统，LLM/VLM负责高层规划，策略模型与世界模型负责动作生成与状态预测，控制系统负责执行。智能驾驶作为最先跑通闭环的场景，代表了物理AI的重要发展方向，建议重点关注。