对话｜Momenta首席架构师：关于智驾、物理AI与未来的18个判断

作者 | 陈序宁

今日，头顶“物理AI第一股”光环的Momenta在港交所挂牌，首个交易日收平，市值约696亿港元。

在Momenta上市前夕，我们和它的全球解决方案首席架构师饶庆进行过一次交流。

Momenta成立于2016年，是国内最早一批专注于智能驾驶技术的公司之一，也是目前少数实现大规模量产落地的智能驾驶方案供应商。Momenta的客户主要是整车厂，它通过向车企提供智能驾驶解决方案获得收入，并依靠量产规模不断积累数据、优化算法、拓展更多车型和市场。

如果说几年前智能驾驶行业还是创业公司之间的技术竞赛，那么今天，Momenta面对的已经是一场多维度的产业竞争。

随着端到端模型、世界模型等技术逐渐成为行业共识，各家智驾方案供应商之间单纯依靠技术路线形成的差异正在缩小。而能够显著拉开距离的，是真实的道路数据积累、工程化能力和持续的OTA升级能力。这也是Momenta长期强调“数据飞轮”模式，希望通过更多合作车型和量产车辆形成持续学习优势的原因。

不过，从长远来看，Momenta最大的竞争对手或许并非其他智驾公司，而是越来越多选择全栈自研的整车厂——包括特斯拉、小鹏汽车、理想汽车和比亚迪等企业，都在持续加大对智能驾驶的研发投入，希望将AI能力掌握在自己手中。

对于Momenta这样的独立方案供应商而言，未来需要证明的不仅是技术领先，更是合作模式的长期价值——在车企自研趋势不断增强的背景下，仍然能够持续为客户提供难以替代的工程能力、量产经验和全球化交付能力。这也是资本市场在此次IPO中最关注的问题之一。

在我们与饶庆一个多小时的交流中，话题涵盖物理AI、世界模型、数据飞轮、L3等技术方向，也涉及全球化、商业模式和行业竞争。我们从中提炼出了18条最具代表性的观点，它们既是理解Momenta的一个窗口，也勾勒出自动驾驶迈向物理AI时代的技术路径和竞争逻辑。

如果把这次交流压缩成一句话，核心并不是“Momenta的智驾做得有多好”，而是一个更大的判断：自动驾驶正在从一项汽车技术，演变为物理AI时代最成熟、最具潜力的基础模型孵化场。

下面这18个判断，几乎串起了Momenta对于物理AI的完整思考：它想成为什么样的公司，机器如何理解物理世界，为什么数据将成为新的生产资料，未来竞争将围绕什么展开，以及自动驾驶最终如何走向大规模商业化。

它们既是理解Momenta的一把钥匙，也是理解下一阶段自动驾驶产业演进的一张路线图。

以下，please enjoy :

▌Momenta想成为什么公司

1

自动驾驶的终局，不是一套驾驶系统。

Momenta真正追求的并不是做好一套智驾系统，而是在自动驾驶过程中建立一种可以迁移到更多场景的物理世界智能。这也是Momenta从“智能驾驶公司”转向“物理AI公司”的底层逻辑。未来，同样的技术体系可以迁移到Robotaxi、机器人、无人货运等更多物理世界场景，Momenta希望最终成为物理AI时代的基础设施提供者。

2

物理AI的发展路径，会越来越接近大语言模型的发展路径。

无论是训练流程还是人才能力，物理AI与大语言模型都已高度趋同。从Pre-training、Mid-training到Post-training，再到强化学习，两者的方法论正在融合，这意味着未来两个领域将在技术、工具链和人才体系上实现更大程度的共享。

▌如何让机器理解物理世界

3

驾驶本质上是一件预测未来的事情。

人类开车并不是看到障碍物才反应，而是在不断预测未来。比如，后备箱里的一箱苹果掉下来之后，苹果会滚向哪里、行人是否会突然横穿马路。这些都属于预测能力，也是世界模型希望学习的能力。

4

真正困难的已经不是感知，而是决策。

过去自动驾驶主要解决的是“我看到了什么”，而世界模型开始解决“下一秒会发生什么”。预测能力，而不是识别能力，将成为下一阶段自动驾驶竞争的核心。真正拉开差距的，不再是谁识别得更准，而是谁能够做出更合理、更接近人类驾驶员的决策。

5

强化学习让模型开始自己探索，而不是只学习人类。

模仿学习只能复制已有驾驶行为，而强化学习开始让模型在大量训练中自己寻找更优解。这意味着模型开始具备超越人类经验的可能。

▌数据决定自动驾驶的上限

6

规则是有上限的，数据是没有上限的。

规则工程能够解决的是有限、确定的问题，但真实世界是开放且无限变化的，不可能依靠不断编写规则覆盖所有场景。规则决定下限，而数据决定上限。

7

长尾问题不能靠规则解决，只能靠数据解决。

自动驾驶真正困难的不是常见场景，而是那些极少发生却必须处理好的极端情况。规则无法穷举所有可能性，只有不断积累真实数据，模型才能持续提升。

8

如果不会筛选数据，数据就会从资产变成负债。

数据存储和训练都需要成本。没有筛选机制，海量数据不仅不能提升模型，反而会增加算力和存储负担。

9

不是数据越多越好，而是黄金数据越多越好。

数据质量比数据数量更重要，大量普通数据价值有限。真正重要的是能够推动模型进步的“黄金数据”，因此建立更好的机制，筛选高价值数据，比单纯增加数据规模更重要。

▌Momenta的竞争壁垒

10

一个飞轮，两条腿，不是两套业务。

自成立以来，Momenta始终坚持的核心战略是“一个飞轮，两条腿”。一个飞轮，指的是数据驱动的AI飞轮模型；两条腿则分别是L2级量产辅助驾驶和L4级完全无人驾驶。两者并不是相互独立的两条业务线，而是共享同一套算法、同一套模型和同一套数据闭环。

11

护城河不是算法，而是数据飞轮。

算法路线正在快速收敛，大模型能力也会越来越普及。真正难以复制的，不是某一个算法，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。数据飞轮不是某一项技术，而是一整套持续自我强化的能力体系，也是Momenta认为未来最核心的竞争壁垒。

12

真正的大模型一定来自真实世界，而不是实验室。

物理AI的成长离不开真实世界的持续训练。实验室可以验证算法，却无法穷尽开放道路上的长尾场景。每天运行的量产车辆，能够不断产生新的数据、发现新的问题，并持续推动模型进化。对于物理AI而言，道路本身就是最大的训练场，真实世界才是最好的老师。

▌未来竞争什么

13

未来自动驾驶最大的投入不是硬件，而是训练。

随着模型参数规模不断增长，自动驾驶的核心投入正在发生变化。过去行业关注的是芯片、传感器等硬件成本，而未来真正决定竞争力的，将是算力、数据处理和模型训练能力。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，最终都会走向大模型。

过去几年，行业的技术路线看似不断变化，本质上都在朝着大模型演进。随着技术逐渐成熟，各家公司的路线会越来越接近，未来真正拉开差距的，将不再是技术概念，而是模型训练能力和工程体系。

15

组织能力，终将成为AI公司的产品能力。

当技术路线逐渐收敛之后，行业第一梯队之间的技术差距已没有过去那么明显。竞争将越来越体现为组织能力的竞争。谁能够更快完成数据采集、筛选、训练、验证和OTA闭环，谁就能更快推动模型进化。未来AI公司的产品能力，不仅来自算法本身，更来自整个组织持续迭代和工程化落地的效率。

▌商业化：自动驾驶如何真正落地

16

L3最大的变化不是体验，而是责任主体发生了变化。

L2时代，驾驶责任仍属于驾驶员；L3开始，责任逐渐转移到系统。因此，L3真正增加的不只是功能，而是整套安全架构、冗余设计和功能安全体系。

17

真正做好L3，首先要做好安全，而不是做好功能。

L3不是在L2基础上增加几个功能，而是要求整个系统在失效时仍然能够安全运行，包括冗余制动、冗余转向以及安全降级机制，这对系统设计提出了完全不同的要求。

18

中国企业出海，要做到120%的合规。

面对欧洲市场，Momenta强调的不只是满足法规，而是主动建立更高标准，包括本地数据中心、本地采集、本地训练以及持续跟踪法规变化，希望以此建立中国企业的长期信誉。