投资要点
AI第一次爆发的本质，是连接主义路线在数据、算力与可训练深层网络算法共同成熟后的复兴。本篇所称“AI第一次爆发”，主要指2012年前后深度学习由学术突破走向规模化应用的技术周期。不同于传统机器学习依赖人工设计特征，深度学习通过多层向量表示自动学习世界结构；AlexNet在ImageNet上将top-5错误率由约26%降至约15%，成为AI1.0时代由学术验证进入产业扩散的标志性拐点。
我们以“七阶段—三大阶段”复盘深度学习架构演进，并据此建立“学术瓶颈—产品落地”的判断框架：架构通常先经历思想提出与基础架构搭建，再进入训练优化、结构改进、任务扩展，最后转向轻量化部署与复兴性迭代；对应可归并为范式确立、成长扩展、成熟高峰三大阶段。当高引用成果开始向轻量化、部署和复兴性改进集中，同时新增基础架构型突破减少，往往意味着既有架构进入短期学术瓶颈，产业应用窗口反而可能打开。
从CNN复盘看，AI1.0的主线是视觉感知能力的规模化成熟。LeNet奠定卷积、权值共享、池化与反向传播的工程组合，AlexNet以深层CNN、GPU、ReLU、Dropout和数据增强形成技术共振，VGG、Inception、ResNet进一步推动网络深度化和结构优化；2017年后，MobileNet、EfficientNet、ConvNeXt等成果更偏向轻量化、部署和现代化回潮，印证CNN在2016—2017年前后进入成熟与高峰阶段。
从RNN复盘看，语言序列建模也在同一时间窗口触及递归范式上限。Jordan/Elman确立隐藏状态记忆思想，BPTT奠定训练基础，LSTM/GRU缓解长程依赖，Seq2Seq与Bahdanau Attention推动机器翻译工程化；但串行计算、长距离衰减和固定向量瓶颈限制了规模化扩张。2017年Transformer以自注意力替代循环，正对应RNN成熟后下一代架构切换的历史节点。
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。
https://pdf.dfcfw.com/pdf/H3_AP202608051827674180_1.pdf?1785952969000.pdf
#东吴证券#
