（以下内容从东吴证券《AI系列深度04期：什么是表征？》研报附件原文摘录）
投资要点
表征是模型对现实世界信息形成的内部抽象表示，是人工智能进行理解、推理与预测的基础。表征学习质量直接影响下游任务上限，Bengio、Courville、Vincent等指出，机器学习效果很大程度取决于数据表示方式。我们将表征拆为三层：数据层的向量编码、模型层的中间特征、哲学层的意义承载问题。
表征技术演进可概括为四个阶段：符号AI依赖人工设计的离散符号和逻辑规则；特征工程依赖SIFT、HOG、TF-IDF等专家特征与浅层模型；深度学习通过神经网络端到端学习连续表征，AlexNet与Transformer是关键节点；基础模型进一步走向跨任务、跨模态统一表征空间，GPT-3、CLIP等是代表。AI范式迁移的底层线索，是机器记录与组织世界方式的变化。
围绕表征如何获得和承载，当前存在四组路线分歧：表征中心与生成中心，分别强调先学好表示或通过生成任务形成能力；符号表征与分布式表征，对应符号主义、连接主义及神经符号融合；离散表征与连续表征，对应token化和潜空间路线；显式世界模型与隐式潜空间，尤其在具身智能中体现为是否需要生成可见未来状态。
表征是否等于理解仍是开放问题。中文房间、符号接地、随机鹦鹉等观点质疑模型是否真正理解，柏拉图表征假说等研究则提示不同模型表征可能趋同。此外，表征坍缩、可辨识性、好表征判据、多模态统一表征能否成立，均是当前技术和哲学交叉的重要议题。
落到物理AI，表征视角可解释自动驾驶与机器人路线分歧。自动驾驶围绕一段式与两段式、端到端与VLA、世界模型云端造数据与车端决策、显式生成与隐式潜空间展开；机器人则进一步面对动作离散token还是连续轨迹、数据来自人类视频、真机还是仿真、单体VLA还是快慢双系统等问题。两者共性在于都要编码物理世界，差异在数据来源、实时性与安全闭环。
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。
