文章核心观点 - 表征是人工智能理解、推理与预测世界的底层语言，其学习质量直接决定下游任务的能力上限，是理解AI技术演进与路线分歧的主线 [2][10][11] - AI表征的演进经历了从符号AI、特征工程、深度学习到基础模型四个阶段，底层线索是机器记录与组织世界方式的变化，当前正走向跨任务、跨模态的统一表征空间 [2][24][25] - 当前基础模型时代存在四组核心表征路线分歧：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 [2][40][41] - 表征研究仍面临核心争议，包括表征是否等于理解、表征坍缩、可辨识性、好表征判据以及多模态统一表征能否成立等开放问题 [2][3][54] - 在物理AI（如自动驾驶与机器人）落地场景中，表征的具体形式（如离散/连续动作、数据来源、架构选择）成为技术路线分化的核心，智能驾驶作为最先跑通闭环的场景值得重点关注 [3][66][67] - 数字AI底座模型发展路径已较清晰，但其难以实现物理世界的建模闭环；物理AI将成为物理世界的AI解决方案，在当前发展阶段增量潜力更大 [3] 表征：人工智能理解世界的底层语言 - 表征指AI系统将图像、文本、声音等外部信息转化为机器可计算内部编码的过程，通常以向量形式存在，是AI完成识别、生成、推理或控制的基础 [10][11] - 分布式表征思想由Hinton等人在1986年提出，强调由多个单元共同表示一个对象，为新对象的泛化提供了基础 [11] - 表征质量直接决定模型能力边界，机器学习算法的成功很大程度上取决于数据的表示方式 [2][11] 表征三层含义：数据编码、模型特征与意义问题 - 数据层面：关注如何将原始输入（如图像像素、文本token）编码为机器可计算的形式（如向量），编码方式直接影响下游任务性能上限 [13][14][16] - 模型层面：关注神经网络中间层（隐藏层激活、潜空间）学到了什么内部特征，涉及表征的可解释性与可控性问题 [13][14][19] - 哲学层面：探讨模型内部向量是否真正“承载”了真实含义，涉及“理解”的本质，与中文房间、随机鹦鹉等思想实验相关 [13][14][21] 表征演进：从人工符号到统一基础模型 - 符号AI时代（1956-1990s）：依赖人工设计的离散符号和逻辑规则构建可解释表征，但难以处理模糊性与不确定性 [25][27][28] - 特征工程时代（1990s-2012）：依赖专家设计特征（如SIFT、HOG、TF-IDF）结合浅层学习，迁移性和扩展性不足 [25][31][32] - 深度学习时代（2012-2020）：以AlexNet（2012）和Transformer（2017）为关键节点，神经网络能够端到端自动学习连续表征 [25][34][35] - 基础模型时代（2020-今）：以GPT-3、CLIP等为代表，通过自监督与大规模预训练形成跨任务、跨模态的统一表征空间，但可解释性、幻觉与对齐问题被放大 [25][37][38] 表征路线分歧：生成、符号、离散与世界模型 - 表征中心 vs 生成中心：前者（如CLIP、MAE）显式优化可迁移表征；后者（如GPT、扩散模型）主张表征在生成数据任务中涌现 [42][43][44][45] - 符号表征 vs 分布式表征：符号路线强调清晰符号与逻辑规则以支持组合推理；连接主义路线强调知识分布在网络参数中；神经符号路线尝试结合两者 [46][47] - 离散表征 vs 连续表征：离散路线（如VQ-VAE）将信号映射为有限token集合，便于复用语言模型框架；连续路线（如隐扩散模型）在连续潜空间中表示和编辑，信息损失较低 [48][49] - 显式世界模型 vs 隐式潜空间：在物理AI中，显式路线主张生成可观察的未来状态（如画面）辅助决策；隐式路线主张在潜空间中预测关键状态，更节省算力 [50][51] 核心争议：理解、坍缩与统一表征仍待验证 - 表征是否等于理解：中文房间、符号接地、随机鹦鹉等观点质疑模型基于统计共现的表征是否等于真正理解 [3][21][56] - 表征坍缩问题：指模型将不同输入映射为高度相似的表示，需通过引入不对称约束等方法避免 [57][58] - 表征的可辨识性：不同训练过程是否会收敛到相似表征，柏拉图表征假说提供证据表明不同模型表征可能趋同 [3][60] - 什么是“好表征”：尚无统一定义，可能判据包括任务准确率高、可解释可迁移、与因果结构一致、能够解缠关键因素等 [61][62] - 多模态统一表征是否可能：CLIP实现了图文对齐，ImageBind进一步将六种模态绑定到同一空间，但仍面临模态特征损失与模态鸿沟问题 [63][64] 物理AI落地：自动驾驶与机器人的表征分歧 - 自动驾驶的四类分歧： - 一段式与两段式架构：一段式（端到端）感知决策一体，信息链路短但可解释性差；两段式先感知再规划，更易排查 [68][69] - 纯端到端与VLA路线：VLA在视觉与动作间引入语言或语义中间表征以提升可解释性，2025年理想、小鹏、元戎启行等多家车企转向此路线 [69] - 世界模型部署：分歧在于用于云端生成数据评测（如特斯拉、商汤）还是参与车端实时决策（如蔚来NWM） [69] - 显式生成与隐式潜空间：量产侧显式生成更常见（特斯拉、华为、蔚来等），隐式路线更多见于学术与机器人场景 [69][70] - 机器人的核心分歧： - 动作表征：离散动作token（如RT-2）便于复用语言模型范式；连续动作（如π0）更适合高自由度、高精度控制 [73][74] - 数据来源：分歧在于依赖人类操作视频预训练、真机遥操作数据或仿真与多源数据，多源混合成为趋势 [74] - 系统架构：单体VLA试图一模型贯穿所有；快慢双系统将场景理解与高频控制拆分（如Figure Helix、英伟达GR00T N1） [74][75] - 世界模型形式：隐式潜空间（如Meta V-JEPA 2）与显式生成（如1X、DeepMind Genie 2）路线并存 [75] - 自动驾驶与机器人的共性与差异： - 共性：均需对物理世界进行编码，并围绕动作形式、中间表征、系统架构、世界模型用途等产生路线分化 [77][78] - 差异：数据来源（自动驾驶有真实里程数据，机器人数据稀缺）、实时性与动作维度要求、世界模型定位（自动驾驶偏数据生成评测，机器人偏通用学习底座）不同 [78] 结论：表征革命是AI范式演进的主线 - 表征方式的变革是历次AI范式迁移的底层线索，当前新一轮表征范式仍处于验证阶段 [79][80] - 后续五大观察方向：统一世界表征能否成形、离散与连续路线如何收敛、显式与隐式世界模型谁主导物理AI、可解释与可控表征能否实用化、因果表征与真实世界数据结合 [80][81][82] - 表征问题不会过时，如何更好地表征世界是判断AI技术路线和产业格局的重要抓手 [82]