物理AI将成为最大增量 智能驾驶投资价值凸显

时间：2026年08月07日 08:22:34 中财网

　　数据显示，视觉智能正经历从CNN向Transformer的深刻转变。这一过程本质是图像被token化、视觉归纳偏置回归以及视觉基础模型逐步形成，已清晰分为三大阶段，包括图像token化阶段、可扩展通用骨干网络构建阶段以及以CLIP、SAM系列为代表的视觉基础模型阶段。最新技术进展显示，Transformer在全局建模、跨任务跨模态能力和可扩展性上优势明显，已在图像分类、检测、分割等领域取得突破。

　　
　　一份研报观点认为，视觉Transformer化并非CNN的彻底替代，而是融合再平衡的渐进演进。研报指出，虽然视觉数据对局部性、多尺度和空间先验要求更高，但通过吸收这些特性，视觉智能技术正快速成熟。目前视觉主要作为感知中间能力，通过与语言模型结合获得互动性，已完成架构和规模两次跃迁。

　　
　　研报认为，数字AI底座模型发展路径已逐渐清晰，但难以实现物理世界的建模闭环，而物理AI将成为物理世界更有效的AI解决方案，增量空间更大。智能驾驶作为最先跑通闭环的代表场景，技术确定性强，商业化落地进程有望加快。这意味着智能驾驶产业链公司将在视觉智能升级中直接受益，长期增长潜力值得市场关注。