东吴证券：汽车行业深度报告：AI系列深度21期：物理AI如何从架构借鉴走向模型迁移？

投资要点 物理AI正建立在数字AI能力外溢的基础之上，且借鉴层级正在上移。早期迁移主要发生在架构理念层面，Transformer注意力机制、BEV、端到端等方法被引入驾驶感知、轨迹预测和一体化规划；近年则开始向模型层面迁移，WaymoEMMA构建于Gemini之上，理想MindVLA、小鹏世界基座模型等车端VLA实践，均体现数字AI基础模型能力向物理AI扩展。 可迁移红利并非线性外推，而会随任务靠近真实物理世界而收窄。越偏向语义理解、规划和多模态表征，数字AI既有模型与训练范式的可复用性越强；越接近实时三维感知、接触控制、安全攸关决策和高物理闭环，直接迁移比例越低。总体看，数字AI提供能力底座，物理AI仍必须补足物理世界表征、真实数据和安全闭环。 物理AI相较数字AI的第一项系统差异在表征。文本天然离散且带语义，数字AI输入具备较强结构化基础；物理世界则由连续光子、点云、运动和接触构成，必须先被编码为可学习的三维空间表征。VectorNet、BEV+Transformer、Occupancy、三维高斯等技术，本质上都是对物理世界进行模型可读表征的不同路径。 第二项差异在数据。数字AI训