物理AI与数字AI的根本差异，首先体现在表征获取方式上。文本天然离散且带语义，数字AI输入具备较强可token化基础；物理世界的输入则由连续光子、点云、运动和空间关系构成，缺乏天然通用的物理世界token化方案。因此，物理AI需要先构建三维物理空间的可学习表征，再进入规划、控制和行动。

以智能驾驶为例，表征演进可概括为原始像素、BEV/VectorNet、Occupancy、多模态Token和潜在状态五个阶段。原始像素端到端简洁但缺少结构约束；BEV Transformer与矢量化VectorNet是同一层级的两条并行路线，分别以特斯拉和Waymo为代表，前者把多摄像头信息统一到鸟瞰三维空间，后者把道路和参与者抽象成数学对象；Occupancy从识别对象类别转向判断空间占据；多模态Token连接视觉、语言和动作；潜在状态则把世界压缩到可预测空间。

物理AI中的token化器本质上是重型编码网络。文本分词通常只是把离散符号映射为token，而车端BEV编码器、占用网络、VAE、3D编码器等承担了从连续物理输入到可学习表征的核心转换。离散化和嵌入不是预先给定的，而是由网络学习形成；这也是物理AI相较数字AI多出的一道关键工程门槛。

从公司证据看，特斯拉、小鹏、华为、理想、Waymo、Wayve等路线虽不同，但共同主线是从目标级识别走向空间级理解，再走向潜在状态预测。多种表征长期并存，并非简单替换：BEV与矢量、占用、3D高斯、世界模型潜空间，分别服务不同层次的感知、预测、仿真和规划需求。

世界模型可能成为表征训练的关键手段。标签稀缺使物理世界嵌入难以完全依赖人工监督，GAIA、Cosmos、JEPA系等世界模型通过自监督预测未来状态、生成场景或学习潜在动力学，帮助模型在无标注或弱标注条件下形成更统一的物理表征。竞争壁垒正从单点感知精度，前移到如何将物理世界嵌入可预测潜在空间。

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