汽车行业深度报告：AI系列深度03期：数字AI与物理AI的边界在哪里？

投资要点 　　数字AI与物理AI并非完全对称的二分概念，更适合沿“物理闭环程度”理解。物理AI承接具身智能学术传统，并在2024—2025年由英伟达等产业主体推向主流，核心支柱包括自动驾驶和具身/人形机器人；数字AI则更多是在物理AI概念流行后，为区分信息空间智能而形成的追溯性对照词。两者边界并非孤立切分，而是在数据形态、部署环境和行动后果上连续分布。 　　两类AI最根本差异体现在部署形态和安全约束。数字AI主要面向文本、代码、知识和软件状态，多数通用服务高度依赖云端联网和重运营；物理AI面向车辆、机器人和真实空间，不能假设随时联网，且必须在端侧自主、安全攸关和实时反馈条件下运行。高风险数字场景同样需要严格验证，但物理AI的失败更可能直接造成不可逆物理后果。 　　从技术史看，数字AI是一条由通用方法、数据与算力持续替代人工设计的路径，当前重点从训练期扩参数转向推理期扩算力；物理AI则先在自动驾驶、后在机器人中完成产业迭代，从高精地图、激光雷达和模块化系统，逐步走向端到端、VLA和世界模型。世界模型成为两类路线的共同关切，但分歧在于潜在空间是否需承载像素重建，即世界模型应重在生成，还是重在理解与规划、服务物理闭环控制。 　　商业化节奏上，数字AI在AI Coding、企业级Agent、对话搜索和内容生成等场景已有更清晰收费与产品闭环；物理AI中Robotaxi区域化运营和收费逐步推进，人形/具身机器人仍处于出货、成本、可靠性和单位经济验证期。中美格局也呈现分工：美国在前沿模型、资本和无人里程方面领先，中国在规模化运营、供应链、硬件成本和部分应用落地上具备优势。 　　从通往AGI的视角看，机器人正成为数字AI与物理AI的交汇点。越来越多机构认为，纯数字模型难以单独形成稳健智能，需要借助物理接地、世界模型和真实交互数据提升泛化能力。未来可能形成“多模态大模型负责语义与规划、世界模型负责物理预测、控制系统负责真实执行”的联合架构，但大模型先行还是世界模型/控制优先仍未收敛。 　　我们认为，数字AI底座模型发展路径已逐渐清晰、价值在于确定性，但其难以实现物理世界的建模闭环；我们认为物理AI将成为物理世界的AI解决方案，从而在AI的当前发展阶段成为增量更大的方向，智能驾驶作为最先跑通闭环的代表场景，我们认为应重点关注。 　　风险提示：技术迭代不及预期的风险；大模型厂商ARR增速放缓的风险；云服务商资本开支不及预期的风险；智能驾驶及机器人商业化落地不及预期的风险。