数字 AI 提供能力底座，物理闭环决定迁移边界
思瀚产业研究院    2026-07-28

Transformer 作为通用模型架构，既可用于数字 AI，也可应用于物理 AI。数字 AI凭借对 Transformer 的应用，已在语言、视觉与多模态任务中跑通通用底座模型。

那么对于物理 AI 场景，数字 AI 的能力能够外溢到哪里，边界由什么决定。我们以智能驾驶为样本梳理借鉴史实，说明能力外溢已经发生、且借鉴层级由架构理念上移至模型迁移。

1. 借鉴层级由架构理念上移至模型迁移

从产业与学术实践看，智能驾驶对数字 AI 的借鉴大体经历两个阶段。第一阶段以架构理念移植为主：Transformer 确立的注意力机制与序列建模思想被引入驾驶感知与轨迹预测，催生了矢量化表示、鸟瞰图（BEV）与 Transformer 结合的统一空间表征，以及以查询解码为核心的端到端一体化框架 UniAD。这一阶段迁移的是建模范式，而非具体模型权重。

第二阶段进一步表现为模型层面的直接迁移。代表性工作是 Waymo 于 2024 年提出的端到端多模态驾驶模型 EMMA（End-to-End Multimodal Model for Autonomous driving），其论文明确说明该模型构建在谷歌多模态大模型 Gemini 之上，将原始摄像头输入与文本指令映射到统一语言空间，再输出轨迹、目标检测与道路图等结果。与此同时，源自机器人领域的视觉—语言—动作（VLA，Vision-Language-Action）范式被引入车端，例如理想汽车 MindVLA（2025 年发布）以及小鹏汽车提出的约 720 亿参数世界基座模型。

我们认为，沿着从架构理念到具体模型的借鉴层级上移，可直接复用的成果在形态上越来越完整，但其与物理世界的耦合也越来越紧密。文本、代码等数字信号与驾驶所需的三维时空信号之间存在结构性差异；越接近车辆控制、实时三维感知与安全攸关决策环节，数字 AI 已有成果可直接迁移的比例越低，需要针对物理世界重新设计或重新训练的部分越多。借鉴层级在上移，但越靠近物理闭环，可直接迁移的红利区间可能趋于收窄，尚无统一量化标准。

2. 表征、数据与学习范式存在系统差异

在共享底层技术的同时，物理 AI 与数字 AI 存在的系统性差异导致其存在一定的技术隔阂，具体表现在输入表征、数据获取与训练范式三个方面。

其一是表征差异：数字 AI 处理的文本天然是离散的、带语义的符号 Token，输入端已具备较强结构化基础；物理世界的原始输入则是连续的光子、点云等信号，并不存在天然、通用、可被模型直接处理的符号化方案，智能驾驶因此多出一段数字 AI 无需经历的历程——将三维物理空间构建为可学习的模型底座。

其二是数据差异：数字 AI 的训练语料已大量沉淀在互联网中，规模化的核心动作是抓取、清洗与压缩已有数据；物理 AI 最具价值的数据恰恰是长尾、极端与事故场景，天然稀疏、采集成本高且可能涉及安全风险。兰德公司（RAND，2016）的情景测算说明了路测里程的量级问题：若要在 95%置信度、±20%精度下证明自动驾驶致死率达标，约需 88 亿英里，以百辆车规模的车队计算需要数百年；为缓解这一问题，业界发展出以世界模型生成合成数据、并将其定位为数据工厂的路径。

其三是学习范式差异：数字 AI 的预训练以下一词元预测为代表，其模仿对象是整个互联网上的人类知识，模仿可覆盖的边界较宽，强化学习与 RLHF 更多承担对齐与推理增强角色；物理 AI 以 L4级自动驾驶为代表，所模仿的对象通常是平均水平的人类司机，而安全性目标却要显著超越人类。我们认为，当模仿对象为平均水平人类司机、而目标是大幅超越人类安全性时，单纯模仿学习的上限相对更低，强化学习更接近突破能力边界的关键路径。