智通財經APP獲悉，東吳證券發布研報稱，數字AI和物理AI並非孤立切分，而是在數據形態、部署環境和行動後果上連續分佈。數字AI底座模型發展路徑已逐漸清晰、價值在於確定性，但其難以實現物理世界的建模閉環;該行認為物理AI將成為物理世界的AI解決方案，從而在AI的當前發展階段成為增量更大的方向，智能駕駛作為最先跑通閉環的代表場景，該行認為應重點關注。

東吳證券主要觀點如下：

數字AI與物理AI並非完全對稱的二分概念，更適合沿「物理閉環程度」理解

物理AI承接具身智能學術傳統，並在2024—2025年由英偉達等產業主體推向主流，核心支柱包括自動駕駛和具身/人形機器人;數字AI則更多是在物理AI概念流行後，為區分信息空間智能而形成的追溯性對照詞。兩者邊界並非孤立切分，而是在數據形態、部署環境和行動後果上連續分佈。

兩類AI最根本差異體現在部署形態和安全約束

數字AI主要面向文本、代碼、知識和軟件狀態，多數通用服務高度依賴雲端聯網和重運營;物理AI面向車輛、機器人和真實空間，不能假設隨時聯網，且必須在端側自主、安全攸關和實時反饋條件下運行。高風險數字場景同樣需要嚴格驗證，但物理AI的失敗更可能直接造成不可逆物理後果。

從技術史看，數字AI是一條由通用方法、數據與算力持續替代人工設計的路徑，當前重點從訓練期擴參數轉向推理期擴算力;物理AI則先在自動駕駛、後在機器人中完成產業迭代，從高精地圖、激光雷達和模塊化系統，逐步走向端到端、VLA和世界模型。世界模型成為兩類路線的共同關切，但分歧在於潛在空間是否需承載像素重建，即世界模型應重在生成，還是重在理解與規劃、服務物理閉環控制。

商業化節奏上，數字AI在AICoding、企業級Agent、對話搜索和內容生成等場景已有更清晰收費與產品閉環;物理AI中Robotaxi區域化運營和收費逐步推進，人形/具身機器人仍處於出貨、成本、可靠性和單位經濟驗證期。中美格局也呈現分工：美國在前沿模型、資本和無人里程方面領先，中國在規模化運營、供應鏈、硬件成本和部分應用落地上具備優勢。

從通往AGI的視角看，機器人正成為數字AI與物理AI的交匯點

越來越多機構認為，純數字模型難以單獨形成穩健智能，需要藉助物理接地、世界模型和真實交互數據提升泛化能力。未來可能形成「多模態大模型負責語義與規劃、世界模型負責物理預測、控制系統負責真實執行」的聯合架構，但大模型先行還是世界模型/控制優先仍未收斂。

風險提示：技術迭代不及預期的風險;大模型廠商ARR增速放緩的風險;雲服務商資本開支不及預期的風險;智能駕駛及機器人商業化落地不及預期的風險。