对话｜Momenta首席架构师：关于智驾、物理AI与未来的18个判断

发布时间：2026-07-17 06:23:41 来源：安智兰德资讯网 作者：休闲

作者 | 陈序宁

今日，对话断备受瞩目的席架“物理AI第一股”Momenta正式在港交所挂牌上市。首个交易日，构师关于个判其股价收平，智驾市值定格在约696亿港元。物理

在IPO前夕，对话断我们与Momenta全球解决方案首席架构师饶庆展开了一场深度对话。席架

自2016年成立以来，构师关于个判Momenta便深耕智能驾驶领域，智驾是物理国内最早布局该赛道的企业之一，也是对话断目前少数实现大规模量产落地的智驾方案供应商。其商业模式清晰：向整车厂输出智能驾驶解决方案，席架依托量产规模构建数据壁垒，构师关于个判进而反哺算法优化，智驾拓展车型与市场边界。物理

如果说几年前的智驾行业是一场创业公司的技术突围战，那么今天，这已演变为一场多维度的产业生态博弈。

随着端到端模型、世界模型等技术成为行业共识，单纯依靠技术路线差异形成的护城河正在变浅。真正拉开差距的，在于真实道路数据的积累深度、工程化落地能力以及持续的OTA迭代效率。这正是Momenta长期推崇“数据飞轮”战略的核心——通过更多合作车型与量产车辆，构建持续进化的学习优势。

然而，从长远视角看，Momenta最大的挑战并非来自同行，而是日益崛起的整车厂自研势力——特斯拉、小鹏、理想、比亚迪等巨头正加大投入，试图将AI核心能力掌握在自己手中。

对于Momenta这样的独立供应商而言，未来需证明的不仅是技术领先性，更是合作模式的不可替代性：在车企自研浪潮中，能否持续提供难以复制的工程能力、量产经验及全球化交付体系。这也是资本市场在此次IPO中最为关注的核心议题。

在一个多小时的交流中，饶庆围绕物理AI、世界模型、数据飞轮、L3自动驾驶等前沿话题，深入探讨了全球化战略、商业模式及行业竞争格局。我们从中提炼出18条极具代表性的观点，它们既是解读Momenta战略意图的窗口，也勾勒出自动驾驶迈向物理AI时代的技术演进路径与竞争逻辑。

若将此次交流浓缩为一句话，核心并非“Momenta的智驾技术有多强”，而是一个更宏大的判断：自动驾驶正从单一的汽车技术，演变为物理AI时代最成熟、最具潜力的基础模型孵化场。

以下18个判断，串联起Momenta对物理AI的完整思考体系：它想成为怎样的公司？机器如何理解物理世界？为何数据将成为新生产资料？未来竞争焦点何在？自动驾驶又如何实现大规模商业化？

它们既是理解Momenta的钥匙，也是解读下一阶段自动驾驶产业演进路线图的关键。

以下，请阅读：

▌ 战略定位：Momenta想成为什么公司

1. 自动驾驶的终局，绝非一套驾驶系统。

Momenta追求的并非仅仅提供一套智驾系统，而是在自动驾驶过程中构建一种可迁移至更多场景的“物理世界智能”。这是Momenta从“智能驾驶公司”向“物理AI公司”转型的底层逻辑。未来，同一技术体系将赋能Robotaxi、机器人、无人货运等多元物理场景，Momenta旨在成为物理AI时代的基础设施提供者。

2. 物理AI的发展路径，正加速趋同于大语言模型（LLM）。

从训练流程到人才结构，物理AI与LLM已高度融合。无论是Pre-training、Mid-training、Post-training，还是强化学习阶段，两者的方法论正在交汇。这意味着未来两个领域将在技术栈、工具链及人才体系上实现更深度的共享与互通。

▌ 认知重构：如何让机器理解物理世界

3. 驾驶的本质，是对未来的预测。

人类驾驶并非基于“看到障碍物才反应”，而是基于对未来的持续预测。例如，后备箱苹果掉落后的滚动轨迹、行人突然横穿马路的可能性，皆属预测范畴。这正是世界模型致力于习得的核心能力。

4. 真正的难点已从“感知”转向“决策”。

过去，自动驾驶主要解决“看到了什么”的感知问题；如今，世界模型聚焦于“下一秒会发生什么”的预测问题。预测能力取代识别能力，成为下一阶段竞争的核心。拉开差距的关键，不再是谁识别得更精准，而是谁做出的决策更合理、更贴近人类驾驶员。

5. 强化学习赋予模型自主探索能力，超越单纯的人类模仿。

模仿学习仅能复制既有驾驶行为，而强化学习促使模型在海量训练中自主寻找最优解。这标志着模型开始具备超越人类经验局限的潜力。

▌ 核心要素：数据决定自动驾驶的上限

6. 规则有上限，数据无上限。

规则工程仅能解决有限、确定的问题，而真实世界是开放且无限变化的，无法通过编写规则覆盖所有场景。规则决定了系统的下限，而数据决定了系统的上限。

7. 长尾问题无法靠规则穷举，只能靠数据驱动解决。

自动驾驶的真正挑战不在于常见场景，而在于极少发生却必须妥善处理的极端情况（长尾场景）。规则无法涵盖所有可能性，唯有通过持续积累真实数据，模型才能不断进化。

8. 缺乏筛选机制，数据将从资产异化为负债。

数据存储与训练均伴随高昂成本。若无有效的数据筛选机制，海量数据不仅无法提升模型性能，反而会增加算力与存储负担。

9. 追求“黄金数据”而非单纯的数据规模。

数据质量优于数据数量。大量普通数据价值有限，真正关键的是能推动模型显著进步的“黄金数据”。因此，建立高效的高价值数据筛选机制，比单纯扩大数据规模更为重要。

▌ 竞争壁垒：Momenta的护城河

10. “一个飞轮，两条腿”是统一战略，而非割裂业务。

自成立以来，Momenta坚持“一个飞轮，两条腿”的核心战略。“一个飞轮”指数据驱动的AI飞轮模型；“两条腿”分别指L2级量产辅助驾驶与L4级完全无人驾驶。二者并非独立业务线，而是共享同一套算法、模型及数据闭环体系。

11. 真正的护城河不是算法，而是数据飞轮。

算法路线正快速收敛，大模型能力日益普及。真正难以复制的，并非单一算法，而是持续获取真实世界数据、自动筛选高价值数据、快速完成模型训练，并通过持续OTA形成闭环迭代的能力。数据飞轮并非某项单一技术，而是一套持续自我强化的能力体系，是Momenta认定的未来核心竞争壁垒。

12. 真正的大模型源于真实世界，而非实验室。

物理AI的成长离不开真实世界的持续训练。实验室可验证算法，却无法穷尽开放道路上的长尾场景。每日运行的量产车辆能不断产生新数据、发现新问题，推动模型进化。对物理AI而言，道路即最大训练场，真实世界即最佳导师。

▌ 未来展望：未来竞争什么

13. 未来自动驾驶的核心投入将从硬件转向训练。

随着模型参数规模激增，自动驾驶的核心投入重心正在转移。过去行业聚焦芯片、传感器等硬件成本，未来决定竞争力的将是算力、数据处理及模型训练能力。训练效率越高，模型迭代越快，产品进化速度也就越快，这将成为下一阶段竞争的焦点。

14. 所有智能驾驶公司，终将走向大模型。

过去几年，行业技术路线看似多变，本质均指向大模型演进。随着技术成熟，各家路线将趋于一致。未来拉开差距的，不再是技术概念，而是模型训练能力与工程体系。

15. 组织能力，将成为AI公司的核心产品能力。

当技术路线收敛，行业第一梯队间的技术差距缩小。竞争将日益体现为组织能力的较量。谁能更快完成数据采集、筛选、训练、验证及OTA闭环，谁就能加速模型进化。未来AI公司的产品能力，不仅源于算法本身，更源于整个组织持续迭代与工程化落地的效率。

▌ 商业化落地：自动驾驶如何真正落地

16. L3的最大变革，在于责任主体的转移。

L2时代，驾驶责任归属驾驶员；L3时代，责任逐渐转移至系统。因此，L3增加的不仅是功能，更是一整套安全架构、冗余设计及功能安全体系。

17. 做好L3的前提是安全，而非功能堆砌。

L3并非在L2基础上简单增加功能，而是要求系统在失效时仍能安全运行，包括冗余制动、冗余转向及安全降级机制。这对系统设计提出了截然不同的要求。

18. 中国企业出海，需践行“120%的合规”标准。

面对欧洲市场，Momenta强调不仅满足法规底线，更要主动建立更高标准。这包括建立本地数据中心、本地数据采集、本地训练及持续跟踪法规变化，旨在以此构建中国企业的长期信誉与信任基石。

相关文章