2026年7月8日，Momenta以"物理AI第一股"的身份登陆港交所，首日市值突破700亿港元。这不仅仅是一家自动驾驶公司的IPO——它标志着AI产业叙事的一次重要转向：从数字世界的"生成与推理"，走向物理世界的"理解与行动"。
一、一个新标签的诞生
7月8日，港交所的锣声为一家公司敲响，但市场记住的不是"自动驾驶"，而是"物理AI"。
Momenta（6880.HK），这家成立十年、总部苏州的科技公司，在上市首日获得了远超预期的资本关注：公开发售414倍超额认购、国际机构订单超1000亿港元、14家基石投资者（GIC、贝莱德、富达、淡马锡、奔驰、比亚迪……）认购30亿港元。
高热度的背后，是一个正在发生的事实：AI产业的叙事焦点，正在从数字世界的"生成与推理"，转向物理世界的"理解与行动"。
黄仁勋在CES 2026上直言："物理AI的ChatGPT时刻已然到来。"英伟达甚至不再提及新款游戏GPU，将全部发布会篇幅留给物理AI与人形机器人。从GTC 2025到CES 2026，从Blackwell到Vera Rubin，英伟达的战略重心已经完成了一次清晰转向——算力的下一个主战场，是让AI学会与物理世界交互。
而Momenta的上市，恰恰是这个叙事转向在中国资本市场的一次具象化落地。
二、AI的进化论：从"看见"到"行动"
理解物理AI的意义，需要先看清AI技术本身的进化路径。
黄仁勋在CES 2025的主题演讲中，将AI的发展划分为四个清晰的阶段——这也是目前业界最权威、被引用最广泛的AI进化框架：
第一阶段：感知AI（Perception AI）——让机器"看见"世界。图像识别、语音识别、目标检测，本质上都是让AI从传感器中提取信息。这是深度学习革命的起点，但机器只能"看见"，不能"理解"。典型场景包括语音识别、推荐系统、医学成像。
第二阶段：生成式AI（Generative AI）——让机器"创造"内容。从GPT到Sora，AI学会了生成文本、图像、视频，甚至代码。这波浪潮催生了万亿市值的OpenAI，让全世界意识到AI的能力边界远超想象。但生成式AI的本质，是在数字世界里"模拟"——它可以写一首诗、画一幅画，却无法在真实物理世界中完成任何一个动作。
第三阶段：智能体AI（Agentic AI）——让机器"感知、推理、规划并行动"。AI不再只是回答问题，而是能够分解目标、调用工具、自主完成多步骤任务。黄仁勋在2026年股东大会上明确表示，智能体AI已成为当下的增长驱动力，典型场景包括代码助手、客户服务、患者护理。但它仍然停留在数字世界——规划的是信息流，执行的是API调用。
第四阶段：物理AI（Physical AI）——让机器"理解物理世界，并在其中安全行动"。这是黄仁勋定义的AI进化终极形态，核心场景是自动驾驶汽车和通用机器人。黄仁勋在2026年股东大会上将其定性为"英伟达下一波长期增长主线"，并表示"整体赛道才刚刚起步"。
物理AI要解决的，是前三个阶段都没有触及的核心问题：因果关系、物理定律、时空连续性、以及与真实环境的实时交互。
一个东西绕过墙角消失，不意味着它从宇宙中消失了——它仍然存在，只是暂时看不见。人类天然理解这种"物体恒存性"，但对AI来说，这是需要从数据中学习的物理常识。前车突然掉落一箱苹果，苹果会在地面滚动、弹跳、散开——物理AI需要预测这些轨迹并做出避让决策，而不是等到苹果已经砸到车头才反应。
从"看见"到"理解"再到"行动"——这不是简单的功能叠加，而是范式跃迁。 前三个阶段的AI，能力始终局限在数字世界——无论是提取信息、生成内容还是规划信息流，本质都是比特层面的运算。而物理AI要求AI系统走出屏幕，从静态的预编译逻辑进化为能在三维时空连续体中实时感知、推理、规划和执行的动态智能体。正如黄仁勋所说："你不再编程软件，而是训练软件；你不再在CPU上运行它，而是在GPU上运行它。"
三、自动驾驶：物理AI最严苛的"练兵场"
为什么Momenta选择从自动驾驶切入物理AI？因为自动驾驶是物理AI最严苛、最典型、也最富数据养分的落地场景。
严苛，是因为它对安全的要求极高——毫秒级的决策延迟、厘米级的定位精度、对法规和伦理的刚性约束。一个聊天机器人说错一句话，用户翻页就忘了；一辆自动驾驶车做出一个错误判断，后果可能是不可逆的。
典型，是因为它集齐了物理AI所有核心挑战：多模态感知（视觉+雷达+定位）、实时规划（路径+速度+行为）、物理推理（惯性、摩擦力、碰撞力学）、社会博弈（行人意图、车辆博弈、规则博弈）。
富数据养分，是因为车辆每天在真实道路上面对行人、非机动车、施工区域、极端天气——这些"长尾场景"正是物理AI模型能力进化的现实土壤。
Momenta的R7强化学习世界模型，正在展示这种进化的轨迹：
-
面对前车散落的苹果，系统不是等苹果静止后再绕行，而是预测苹果的动态轨迹，在滚动弹跳的瞬间就规划出避让路线； -
在窄路遇到自行车，系统不是简单减速停车，而是寻找合适的豁口完成绕行——这需要理解空间结构、判断对方意图、评估安全间距； -
在白色大车遮挡场景中，系统通过摄像头捕捉到一抹黄色T恤信息，判断左侧绕行可能涉及逆行，从而选择向右绕行——这不是规则能写出来的逻辑，而是对物理世界和社会规则的综合推理。
这些场景展示的核心能力，已经超越了传统意义上的"自动驾驶"——它是对物理世界的实时理解和预测。这正是物理AI区别于前三个阶段AI的根本特征。
四、数据飞轮：物理AI的"核燃料"
如果说物理AI是AI进化的下一波，那么数据飞轮就是推动这波浪潮的"核燃料"。
Momenta的核心战略"一飞轮、两条腿"，本质上是对物理AI数据逻辑的工程化实现：
- 一飞轮
：量产车在真实道路上产生海量数据 → 通过trigger机制筛选"黄金数据" → 训练迭代模型 → 更强方案搭载更多量产车 → 更多数据回流。这是一个正反馈闭环，飞轮越转越快。 - 两条腿
：量产辅助驾驶（Mpilot）负责积累数据和商业收入，完全无人驾驶（MSD/Robotaxi）负责技术前沿突破，二者通过数据飞轮相互反哺。
飞轮加速的数据令人震撼：累计120亿公里真实行驶里程、1亿段黄金数据、量产搭载突破100万台——而更关键的是速度变化：首个10万台量产耗时24个月，如今最快不到40天即完成10万台交付。
这个速度变化的含义远超数字本身。它意味着：物理AI的数据积累不是线性增长，而是指数加速。 当量产规模突破临界点，数据回流的速度和密度会形成质变——这正是Momenta敢于定义"物理AI公司"而非"自动驾驶公司"的底气所在。
但数据飞轮的真正分水岭，不是数据量，而是数据质量筛选和工程化部署能力。Momenta的训练采用30秒数据包的长时序数据，让模型获取事件发生前后的完整上下文；同时，数据并非越多越好，而是通过trigger机制挖掘对模型训练贡献最大的"黄金片段"。海量数据只是基础，如何筛选、标注、训练和快速部署，才是工程能力的分水岭。
这揭示了一个重要产业规律：物理AI的竞争，本质上是数据飞轮效率的竞争。 谁能在更短时间内完成"数据回流→模型迭代→方案升级→规模部署"的闭环，谁就拥有更强的物理世界理解能力。这也是为什么量产规模不是终点而是起点——百万级量产车不是用来"秀数据"，而是用来让飞轮越转越快。
五、产业信号：从"自动驾驶赛道"到"物理AI赛道"
Momenta上市的最大产业信号，不是一家公司融了多少钱，而是它标志着"自动驾驶"作为独立赛道的叙事正在被重构。
过去几年，资本市场对自动驾驶的叙事框架是：L2→L3→L4→L5，逐级升级，终局是完全无人驾驶。这个叙事简洁、线性、易于理解，但它忽略了一个关键事实：自动驾驶的技术内核，正在从"感知+规则"转向"世界模型+强化学习"，而这恰恰是物理AI的核心技术栈。
Momenta从自动驾驶公司向物理AI公司转变的战略意图非常清晰：
- 能力边界的延伸
：从"会开车"到"理解物理世界"。R7世界模型不再只是驾驶辅助工具，而是物理世界的基础推理引擎——未来可以支撑无人物流车、无人卡车、Robotaxi，乃至家庭服务机器人。 - 叙事框架的升级
：从"自动驾驶赛道"到"物理AI赛道"。自动驾驶是物理AI最典型的应用场景，但它不是唯一的场景。物理AI的叙事框架更大、更远、更有想象空间。 - 竞争维度的重构
：不再与华为、地平线比拼"谁的NOA更好"，而是与英伟达、特斯拉站在同一个"物理世界基座模型"的竞争维度上。
这个重构的意义在于：当自动驾驶被视为物理AI的一个应用分支而非独立赛道时，它的估值逻辑就不再是"装车量×授权费"，而是"物理世界理解能力×多场景变现潜力"。 这解释了为什么Momenta在尚未盈利的情况下，市值能突破700亿港元——资本市场正在为"物理AI"这个更大的叙事框架定价。
同时，这个重构也揭示了产业竞争的新格局：
- 软硬一体化阵营
（华为、地平线）：依托自研车载芯片构建生态壁垒，优势是全栈控制力，劣势是生态封闭性。 - 第三方纯算法阵营
（Momenta）：仅输出软件方案，优势是跨平台灵活性和车企中立性，劣势是产业链议价能力偏弱。 - 全栈自研阵营
（特斯拉）：自研芯片+算法+数据闭环，优势是端到端效率，劣势是生态封闭且仅服务自家车辆。
在这个格局中，Momenta的物理AI叙事试图开辟一条新路径：不做芯片，不做整车，而是做物理世界的"基础模型供应商"——类似于OpenAI在数字世界的定位。 这个路径能否走通，取决于物理AI世界模型能否真正成为跨场景、跨平台、跨行业的基础能力层。
六、前瞻：物理AI的真正拐点在哪？
回到产业发展的宏观视角，物理AI的真正拐点，需要三个条件的共振：
条件一：算力成本降至临界点。 黄仁勋的路线图（Blackwell→Rubin→Feynman）指向一个目标：算力成本指数级下降。当端侧推理成本降至足够低时，物理AI的世界模型才能真正在量产车上实时运行，而不只是云端验证。2026年的Vera Rubin（50 PetaFLOPS）是第一步，2028年的Feynman才是真正的成本拐点。
条件二：数据飞轮突破临界规模。 Momenta的100万台量产搭载是一个里程碑，但物理AI需要的是更高质量的数据回流，而非单纯的数量堆叠。当飞轮效率足够高——从数据回流到模型迭代的周期缩短至周级甚至天级——物理世界理解能力才会出现质的飞跃。
条件三：多场景变现的商业闭环跑通。 物理AI的价值不仅仅在于"车开得更好"，更在于其能力能否从智能驾驶延伸至无人物流、工业自动化、家庭服务机器人等场景。只有当物理AI的世界模型在多个物理场景中实现商业变现，"物理AI赛道"的叙事才真正成立。
Momenta的上市，是这三个条件开始被市场正视的标志性事件。它告诉我们：AI的下一个浪潮不是在数字世界里生成更多内容或规划更多任务，而是在真实物理世界中理解、预测和行动。 这场浪潮的核心技术栈——世界模型、强化学习、数据飞轮——正在自动驾驶这个最严苛的场景中被锻造和验证。
而Momenta能否从"物理AI第一股"成长为"物理AI的OpenAI"，取决于它能否在算力拐点、数据拐点和商业拐点三者共振之前，活下来并活得足够好。
上市给了它弹药，但这场战争的终局，还远没有写完。
本文仅为产业观察与思考，不构成任何投资建议。
