汽车行业点评报告：AI系列深度05期：模型如何学习表征并实现对齐？

汽车正在把AI用进驾驶决策，而AI要先学会把世界变成数字并让文字、图片、声音互相理解。报告指出，先把现实对象变成数字向量，就能让机器用算距离的方式认出目标、找到关联并做出判断。规模化学习不再靠人一条条标注，而是让模型自己通过遮盖拼图、对比正负样本、猜下一个词等方式从海量数据里总结规律。图像与文字能在同一套数字空间里配对，靠的是把相配的图文拉近、不相配的推远，从而做到以文搜图、看图识义和互相生成。多模态对齐让驾驶感知可以从摄像头、雷达和地图等多个来源共享语义。报告同时提醒，数字AI擅长逻辑但难闭环，物理世界需要能感知、决策并执行的物理AI。智能驾驶最先把从感知到控制的闭环跑通，因此成为当前AI落地和增量更明确的方向。

嵌入将文本、图像与用户映射为高维向量，使语义相近对象在向量空间中邻近，支撑搜索、推荐、以图搜图与向量检索等应用。自监督学习通过掩码重建、对比学习与下一个token预测等任务，在不依赖人工逐条标注的前提下实现通用表征的大规模预训练与迁移。CLIP以海量图文对和对比学习将视觉与语言表征对齐至同一语义空间，奠定图文检索、开放词表识别与多模态大模型的基础。表征体系由嵌入的工程化表达、自监督的无标注学习与CLIP的跨模态对齐共同构成。数字AI底座在逻辑与确定性上具备优势，但难以完成物理世界建模闭环。物理AI面向真实环境感知与执行闭环，智能驾驶作为率先跑通端到端闭环的场景，在当前阶段具备更高增量与落地确定性。