Momenta曹旭东：自动驾驶是物理AI的序章

导读：当智能驾驶进入大模型时代，真正的壁垒到底是什么？

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

【文/观察者网 周盛明 编辑/高莘】

体系能力：超越单点算法的竞争核心

2026年北京车展期间，Momenta在“Momenta R7，物理AI序章”主题分享会上宣布，其R7强化学习世界模型实现量产首发。随后的媒体对话中，CEO曹旭东进一步阐释了公司的技术判断与商业路径，话题围绕物理AI、世界模型、数据飞轮与行业格局展开。

这场对话的核心，直指一个根本性问题：智能驾驶迈入大模型时代后，真正的护城河究竟是什么？

答案并非某个炫酷的单点算法，而是更为底层的体系能力。说到底，企业间的差距，根源在于“组织、文化以及与之匹配的体系建设”。中国市场知识、人才流动极快，单一算法优势很难持久，真正能拉开身位的，是数据迭代体系、训练体系、验证体系，以及支撑这一切持续运转的组织韧性。

从“贫矿”到“发动机”：数据闭环的价值炼金术

这恰恰解释了为何Momenta反复强调数据闭环。曹旭东将数据比作矿石，而且是“含矿量很低的铁矿石”。真正的挑战不在于拥有数据，而在于完成一整套精炼流程：把“贫矿变成富矿，再从富矿炼成钢铁，钢铁又制成发动机，最终将发动机装上车”。

这意味着，海量原始数据只是起点。如何从中筛选出关键的长尾场景、高效训练模型、严谨验证效果，并最终转化为用户可感知的车端体验，才是智能驾驶公司的核心竞争力所在。

具体到训练路径，可分为预训练和Post-Training两个阶段。预训练依赖量产车产生的庞大数据，旨在让模型形成基础的物理常识。但拥有常识不等于就是好司机——真实数据里混杂了大量不良驾驶行为。因此，必须通过Post-Training，将模型行为“激发或对齐到人类优秀的驾驶模式上”。

世界模型：虚拟“练兵场”与物理AI的序章

这正是“强化学习世界模型”的关键所在。世界模型的作用，是将物理世界的运行规律压缩进神经网络，使系统能够预测未来状态；而强化学习则在这个高保真的虚拟“练兵场”里反复演练，寻找到最优的驾驶策略。

曹旭东在上汽大众ID. ERA 9X的交流中进一步比喻，世界模型可以作为“练兵场”进行闭环强化学习，尤其在极端场景中反复模拟，最终让系统“在真实的极限场景下，能像老司机一样凭肌肉记忆做出最优反应”。

这套逻辑背后，是对“物理AI”趋势的坚定判断。过去几年数字AI的飞跃，得益于互联网数据的天然规模优势以及数字世界极低的验证成本。但现实世界远不止数字部分，“物理的部分可能才是更广阔的天地”。因此，数字AI中验证成功的经验与方法，必然向物理世界迁移。

而自动驾驶，正是物理AI最先落地的入口。可以说，“自动驾驶是物理AI的序章”。因为它率先实现了规模化数据闭环与商业闭环。一旦体验逼近人类水平，便可能迅速超越。其内在驱动力在于商业化带来更多数据，更多数据反哺模型能力提升，二者形成强大的增长飞轮。

平台化布局与收敛的终局

这也顺理成章地解释了Momenta为何同时布局乘用车辅助驾驶与L4业务。曹旭东明确表示，公司的L4路线不只覆盖Robotaxi，也包括Robovan，明年还将拓展至Robotruck。底层逻辑在于，一个强大的自动驾驶大模型应当能够覆盖不同垂直应用，并在多场景间共享数据与经验。

这种平台效应，类似于互联网时代的平台电商：接入的垂直场景越多，底层大模型就越强，各个业务的研发成本也随之降低。

对于行业终局，判断相当明确：自动驾驶具备极强的规模效应和先发优势。由于软件边际成本趋近于零，其规模效应甚至比芯片行业更为显著。因此，市场收敛是必然——中国市场最终可能仅存2到3家主流玩家，全球市场则在3到4家左右。

漫长的敲门与“反向合资”的智慧

这种收敛过程并不会温和。曹旭东提到，与国内主机厂建立合作往往需要“敲门敲3年”，与国际OEM的磨合周期可能长达5到7年。他以与奔驰的合作为例：从2017年获得投资，到2025年下半年首个量产项目上市，整整经历了8年时间。

一旦智能驾驶供应商成功嵌入全球主流主机厂的供应链体系，便会建立起长期的合作壁垒；反之，后来者想要进入，则必须面对同样漫长的验证周期。

这也是看待“反向合资”这一模式的背景。中国技术正在走向世界，但进入海外市场时，难免会对当地产业、就业和税收结构产生影响。因此，更可持续的方式或许是借鉴过往的发展经验，通过“反向合资”实现共赢：既让当地用户享受到前沿的技术体验，也让中国技术真正赋能当地企业，共同成长。

竞争的新阶段：系统进化能力定胜负

纵观整场对话，曹旭东真正想传达的，并非仅仅是一次新系统的发布，而是智能驾驶的竞争维度已经升级。过去，行业比拼的是功能多寡与接管次数；现在，竞争焦点正向谁能构建更完整、更高效的数据闭环、商业闭环与组织体系转移。

物理AI听起来是个宏大概念，但落在自动驾驶领域，最终都要回归一个具体问题：车辆能否在真实世界中应对更多复杂场景，并且持续地、自主地变得更好。

判断认为，自动驾驶正处在这一正反馈循环的临界点上。接下来，决定行业座次的，将不再仅仅是发布会上的技术名词，而是谁有能力将数据、模型、量产与商业化深度融合，锻造出一个能够持续进化的有机系统。

本文系观察者网独家稿件，未经授权，不得转载。