AI系列深度04期：什么是表征？

机器要变聪明，首先得学会用内部的‘语言’把真实世界翻译出来，这套内部表达就是表征。表征质量直接决定它能不能看懂路况、预判风险并做出正确动作。可以把这套表达理解为三层：先把现实变成一串数字，再由模型提炼出关键特征，最后承载对物理意义的理解。技术一路从人工写死规则，进化到专家提取特征，再到神经网络自己学，现在正走向一套能跨任务、跨感官的通用表达。当前路线仍在争论：应先学表达还是边生成边学，用符号逻辑还是用连续数字，是否需要显式构建未来画面。在汽车和机器人身上，表征直接决定用一段式端到端还是两段式、靠云端造数据还是车端实时决策。纯数字世界的大模型底座已相对稳定，却很难在现实闭环里直接变现。物理世界里的智能驾驶和机器人更能承接增量并跑通闭环，是现阶段更确定的落地方向。风险主要来自技术迭代变慢、商业落地不及预期以及大模型和云厂商投入波动。

表征是模型对现实世界信息形成的内部抽象表示，构成人工智能理解、推理与预测的基础，其学习质量直接决定下游任务上限。表征可拆解为数据层的向量编码、模型层的中间特征与哲学层的意义承载问题。技术演进历经符号AI、特征工程、深度学习到基础模型四个阶段，关键节点包括AlexNet与Transformer，底层线索在于机器记录与组织世界的方式变化。当前围绕表征获取与承载存在表征中心与生成中心、符号表征与分布式表征、离散表征与连续表征、显式世界模型与隐式潜空间四组路线分歧。表征是否等同于理解仍具开放性，中文房间、符号接地与随机鹦鹉等质疑并存，表征坍缩、可辨识性与多模态统一表征等问题构成技术与哲学交叉焦点。物理AI视角下，自动驾驶围绕一段式与两段式、端到端与VLA、云端造数据与车端决策、显式生成与隐式潜空间展开路线分歧，机器人则面临动作token化、数据来源、真机与仿真及单体VLA与快慢双系统等选择。两者共性在于均需对物理世界进行表征编码，差异在于数据来源、实时性与安全闭环。数字AI底座模型发展路径趋同并具备确定性，却难以实现物理世界建模闭环；物理AI有望成为面向物理世界的AI解决方案并在当前阶段创造更大增量，智能驾驶作为最先跑通闭环的代表性场景值得重点关注。风险提示包括技术迭代不及预期、大模型厂商ARR增速放缓、云服务商资本开支不及预期以及智能驾驶与机器人商业化落地不及预期。