自动驾驶：物理 AI 时代的序章
核心导读
■
自动驾驶的终局并非单一驾驶系统，而是可迁移至机器人、无人货运等场景的物理世界智能体系。
■
驾驶本质是预测未来。行业竞争焦点已从感知识别转向决策能力，数据飞轮成为核心壁垒。
■
智能驾驶公司将全面走向大模型时代，组织能力与工程化效率将直接转化为产品竞争力。
作者 | 陈序宁
近日，被誉为“物理 AI 第一股”的 Momenta 在港交所挂牌上市，首日市值约 696 亿港元。作为全球解决方案首席架构师，饶庆在上市前夕深度剖析了公司战略与行业趋势。
Momenta 成立于 2016 年，是国内率先实现大规模量产落地的智能驾驶方案供应商。其商业模式是通过向车企提供解决方案获取收入，并利用量产规模积累数据，反哺算法优化，形成“数据飞轮”。
当前，智能驾驶行业已从单纯的技术竞赛演变为多维度的产业竞争。随着端到端模型和世界模型成为共识，技术路线差异逐渐缩小，真实的道路数据积累、工程化能力及持续 OTA 升级能力成为关键分水岭。尽管面临车企全栈自研的挑战，Momenta 旨在证明其作为独立供应商在工程能力、量产经验及全球化交付上的不可替代性。
本次交流提炼出 18 条核心观点，不仅揭示了 Momenta 从“智能驾驶公司”向“物理 AI 公司”转型的逻辑，更勾勒出自动驾驶迈向物理 AI 时代的技术路径与竞争格局。
Momenta 的战略定位
1. 自动驾驶的终局是物理世界智能
Momenta 的目标不仅是打造驾驶系统，更是构建可迁移的物理世界智能。该技术体系未来将拓展至 Robotaxi、机器人及无人货运等领域，致力于成为物理 AI 时代的基础设施提供者。
2. 物理 AI 与大语言模型发展路径趋同
无论是训练流程（Pre-training 到 Post-training）还是人才能力，物理 AI 正与大语言模型高度融合。未来两者将在技术栈、工具链及人才体系上实现深度共享。
机器如何理解物理世界
3. 驾驶本质是预测未来
人类驾驶依赖于对未来的预测（如物体滚动轨迹、行人行为），而非仅对障碍物的反应。世界模型的核心正是学习这种预测能力。
4. 决策难度超越感知
行业痛点已从“看到了什么”转向“下一秒发生什么”。竞争核心不再是识别精度，而是做出接近人类驾驶员的合理决策。
5. 强化学习突破人类经验局限
模仿学习仅能复制既有行为，而强化学习让模型在训练中自主探索更优解，具备超越人类经验的可能性。
数据决定自动驾驶上限
6. 规则决定下限，数据决定上限
规则工程仅能解决有限确定性问题，面对开放且无限变化的真实世界，唯有数据能覆盖长尾场景，提升系统上限。
7. 长尾问题依赖数据而非规则
极端场景无法通过穷举规则解决，必须依靠持续积累的真实数据驱动模型进化。
8. 数据筛选机制至关重要
缺乏筛选的海量数据会增加算力与存储负担，使数据从资产变为负债。建立高效筛选机制是前提。
9. 追求“黄金数据”而非单纯数量
数据质量优于数量。能够推动模型显著进步的“黄金数据”才是核心资产，需建立机制优先获取高价值数据。
Momenta 的竞争壁垒
10. “一个飞轮，两条腿”战略
L2 级量产辅助驾驶与 L4 级完全无人驾驶并非独立业务，而是共享同一套算法、模型与数据闭环，共同驱动 AI 飞轮。
11. 护城河是数据飞轮体系
算法趋于收敛，真正的壁垒在于持续获取真实数据、自动筛选、快速训练及 OTA 闭环迭代的全链路能力。
12. 大模型源于真实世界
实验室无法穷尽开放道路的长尾场景。量产车辆构成的真实道路是最大的训练场，持续产生的数据是模型进化的源泉。
未来竞争焦点
13. 核心投入转向模型训练
竞争焦点已从硬件成本转向算力、数据处理及模型训练效率。训练效率直接决定产品迭代速度。
14. 全员走向大模型
技术路线终将收敛于大模型。未来的差距将体现在模型训练能力与工程化体系的成熟度上。
15. 组织能力即产品能力
在技术差距缩小的背景下，数据采集、筛选、训练及验证的组织效率，将成为 AI 公司的核心竞争力。
商业化落地与挑战
16. L3 的核心是责任主体转移
L3 级别意味着驾驶责任从驾驶员转向系统，这要求建立全新的安全架构、冗余设计及功能安全体系。
17. 安全优先于功能
L3 系统必须在失效时仍能安全运行（如冗余制动、转向及安全降级），这对系统设计提出了远高于 L2 的要求。
18. 出海需做到 120% 合规
面对国际市场，企业应主动建立高于法规的标准，包括本地数据中心建设与合规跟踪，以树立长期信誉。
END
