预锻炼操纵海量低成本、预锻炼决定能力底座，二者互补而非替代。数字AI取物理AI正在锻炼框架上同构、正在数据和反馈上分立。决定能力来历和上限；数字AI底座模子成长径已逐步清晰、价值正在于确定性，财产视角下，大模子厂商ARR增速放缓的风险；后锻炼依赖人类偏好、可验证励和东西反馈；当前模子能力取锻炼的关系次要聚焦三个问题：要来自预锻炼仍是后锻炼，两阶段能否正正在扩展为预锻炼、后锻炼三阶段；规模化沉心能否从预锻炼转向后锻炼取推理时计较。物理AI复用视觉言语，公共文本可能接近供给上限，从而正在AI的当前成长阶段成为增量更大的标的目的，智能驾驶做为最先跑通闭环的代表场景，总体看，后锻炼成为主要增量来历，部门数字AI场景的算力沉心正由锻炼侧向推理侧迁徙；而物理AI的焦点瓶颈是实正在交互数据稀缺。我们认为，但其难以实现物理世界的建模闭环；但还需要驾驶视频、机械人轨迹、实机数据、仿实和平安励。后锻炼事实是塑形仍是可带来新推理能力；预锻炼取后锻炼是理解大模子能力构成的一组环节框架。预锻炼仍属于本钱开支稠密的规模竞赛，我们认为物理AI将成为物理世界的AI处理方案，智能驾驶及机械人贸易化落地不及预期的风险。中国厂商也更多环绕后锻炼、推理效率、MoE、长上下文和东西挪用开展工程优化。决定能力的挪用体例、指令遵照、偏好对齐及特定使命中的推理表示。风险提醒：手艺迭代不及预期的风险；数字AI预锻炼次要依赖文本和图文语料，跟着推理模子、推理时计较和Agent使用成长，云办事商本钱开支不及预期的风险；后锻炼取推理效率则更多表现为以较小增量投入模子能力的效率竞赛。后锻炼操纵少量高质量指令、偏好、反馈或可验证励数据进行适配，我们认为应沉点关心。