从数字AI通用底座到物理AI真实世界闭环

从买方视角深挖这份研报，需要先剥离其"技术叙事"的外壳，看到底为投资判断提供了哪些可量化的增量信息。①核心逻辑成立的关键前提与隐含假设：报告隐含假设是"Transformer路线将延续统治地位至物理AI端"，这一假设其实并不稳——Transformer在物理AI面临的最大麻烦是位置编码对时间连续性的描述能力有限，且O(n²)复杂度在车端毫秒级决策窗口内极其昂贵，端侧方案很可能会分化出"云端Transformer+端侧状态空间模型（如Mamba类）"的混合架构，纯Transformer路线可能反而是过渡形态而非终态。②报告对风险的回避：研报对Scaling Law"触碰瓶颈"的描述偏轻描淡写，实际上高质量互联网文本数据已被多方研究证实接近枯竭，这是GPT-5/6级别模型训练面临的最大物理约束；物理AI端的"世界模型数据工厂"叙事虽美，但生成数据能否替代真实交互数据用于安全验证尚无定论，若监管要求真实路测里程门槛不变，世界模型的实际商业价值会被大幅压缩；车端10Hz→30Hz的3倍时延差距，按当前硬件迭代节奏乐观估计也需2-3年才能量产落地，期间任何L3+智驾承诺都需打折。③行业格局修正：报告把竞争描述为"系统级竞争"，这对资金充裕、有自研芯片+云+模型闭环能力的科技巨头（海外如微软/谷歌/Meta，A股如华为系、字节系产业链）极其有利，而中小AI公司将被迫收缩为应用层或垂直场景玩家，纯模型公司的独立估值会持续承压；自动驾驶产业尤其需要警惕"端到端VLA"叙事的同质化——当所有玩家都宣称自己采用VLA架构时，差异化竞争将回到数据闭环效率、车队规模与车规级工程能力这些更"重"的维度。④关键假设的敏感性：研报未给出具体目标价，但若以智驾产业链为映射，"VLA量产时间表"是估值第一敏感变量——若端侧30Hz推理在2027年内实现，相关车规SoC厂商、智驾Tier 1估值可上修30%-50%；反之若延期到2028年后，则整个L3+商业化逻辑需要重写，预期差极大。⑤横向参照：可类比2017-2019年Transformer替代CNN的过程中MobileNet等轻量化架构扮演的过渡角色，物理AI端大概率也会出现"端侧专用架构"的过渡物种（类似Mamba、RWKV、RetNet），纯Transformer厂商若不及时布局将面临代际风险；另一参照是电动车产业链中"BMS+电芯"的解耦与重组，物理AI未来也可能出现"世界模型+端侧执行"的解耦分工。⑥需要重点跟踪的具体指标：每季度OpenAI/Anthropic/Google DeepMind发布的新模型在GPQA、MATH、ARC-AGI等推理基准上的提升斜率（判断Scaling Law是否仍有效）；特斯拉FSD、中国头部新势力（华为、小鹏、理想）端到端方案的接管里程数据；车规级高算力So（如英伟达Drive Thor、地平线J6/J7、华为MDC）量产装车节奏与价格曲线；机器人领域Figure/宇树/智元等的人形机器人量产成本与真实场景任务成功率；监管端对L3/L4自动驾驶事故责任界定的立法进展（中美欧三方节奏差异）。最后提一个报告中未涉及的视角：物理AI若真爆发，对稀土（钕铁硼永磁体）、高端铜（机器人线束/电机绕组）、钴镍（高密度电池）的中长期需求拉动，可能比纯算力侧更具确定性，这条线目前在主流AI研报中几乎被忽略。