汽车零部件 研报解读 - 东吴证券

研报核心摘要

一句话结论:汽车零部件视角下,AI产业景气正从预训练扩张转向后训练和推理效率提升,物理AI尤其智能驾驶被视为更大增量方向。 相关行业:汽车零部件。研报来源:东吴证券。

验证路径:先判断这篇研报验证了哪条主线,再用主题页、公告、财报和同类研报交叉确认,不把单篇研报直接当成买卖依据。

风险边界:如果核心假设缺少订单、业绩、客户或资金承接验证,就应降低确定性。来源:主线罗盘,链接:https://www.ai-gupiao.com/research/summary/38565。本文仅供研究学习参考,不构成投资建议。

来源:主线罗盘 类型:研报解读 下一步:回主线验证 更新:2026-08-02 01:30
延伸问法与验证路径

如果在豆包里问这篇研报,先问这三个问题

这篇研报更适合先判断“验证了哪条主线、核心假设是什么、风险边界在哪里”。先看公开摘要,再用主题页、公告和一季报验证,不把单篇研报直接当作投资建议。

汽车行业深度报告:AI系列深度10期:预训练与后训练如何塑造大模型?

先看结论、证据和风险边界,再回细分专题或个股观察页验证。
行业 汽车零部件 券商 东吴证券 发布 更新
看完这页,下一步去哪
这页先帮你看完研报结论,下一步先回 AI服务器 判断主线强弱,再决定是否继续看完整逻辑。
围绕 AI 服务器、整机、ODM 和算力设备,持续跟踪最核心的服务器链条与资本开支扩张。
查看顺序:先确认主线结论,再补同类研报,最后再决定是否需要继续看完整逻辑。
🧭 先看这份研报的核心结论
汽车零部件视角下,AI产业景气正从预训练扩张转向后训练和推理效率提升,物理AI尤其智能驾驶被视为更大增量方向。
📌 核心要点
行业关注点正从训练端扩容,转向后训练效率与推理算力消耗。
数字AI公共文本供给趋近上限,物理AI真机数据稀缺成新瓶颈。
智能驾驶作为物理AI先行场景,被研报列为重点关注方向。
研报到主线和股池
核心要点已经看完,下一步看它能不能验证主线和每日股池。
继续看逻辑拆解、关键验证、风险边界和最后结论,把研报结论接到主线和个股观察里。
💡 为什么值得看
当前AI投入结构出现变化,训练侧到推理侧的迁移会重塑产业链受益环节。
汽车零部件与智能驾驶链条正受物理AI催化,数据、算力和算法验证进入关键期。
⚠️ 风险提示
智能驾驶和机器人商业化落地慢于预期,物理AI兑现节奏可能推迟。
云服务商若下调资本开支,推理侧算力需求释放可能弱于预期。
# 关键词
汽车零部件 智能驾驶 物理AI 后训练 推理算力 真机数据
📊 关键数据
推理算力占比
已过半
研报称2025年主要厂商推理算力占比已过半
推理算力需求增幅
约100倍
具备推理能力模型在更多token和更快响应下的需求测算
训练最优配比
约20:1
Chinchilla经验下约20个训练token对应1个参数
机器人轨迹数据
逾100万条
Open X-Embodiment覆盖22种机器人本体
📌 接下来重点跟踪什么
后续需跟踪推理算力占比是否继续提升及商业部署强度。
需观察智能驾驶和机器人真机数据获取效率能否改善。
关注云厂商资本开支与推理优化路线是否持续兑现。
📄 原文要点摘录
汽车零部件视角下,AI产业景气正从预训练扩张转向后训练和推理效率提升,物理AI尤其智能驾驶被视为更大增量方向。;行业关注点正从训练端扩容,转向后训练效率与推理算力消耗。
把这篇研报接到主线判断
这篇已经告诉你结论,下一步看它是否能影响主线和股池
公开区先帮你快速判断相关度和信息密度;会员内容继续把研报结论接到主线强弱、公司验证和今日入池样本。
逻辑拆解 关键验证 风险边界 最后结论
如果你现在就在判断这条主线是否需要继续观察、接下来该看哪些变化,这一段就是帮你把依据和风险看清的关键部分。
还想补证据,再看 2 篇相关研报
这些研报更适合在你看完主线结论后继续补证据,不用先急着一篇篇读完。
先看专题做判断,再按需要补下面几篇研报;想看本篇完整逻辑时再登录。
公开摘要先帮你看懂研报在讲什么;需要继续判断时,再看完整逻辑、验证线索和边界条件。
继续看这篇研报如何验证主线、影响股池判断
这里会继续展开逻辑拆解、关键验证、风险边界和最后结论。解锁后可接着当前页面往下看,不会中断阅读;如果你正在判断是否继续观察,这一段就是关键依据。
激活会员
如果你已完成登录,可直接输入激活码解锁无限制访问
请扫码咨询如何领取体验码
微信客服二维码