Momenta曹旭东深度解读：自动驾驶如何成为物理AI的序章与未来核心
导读：大模型重塑智能驾驶，决胜关键何在？
【文/观察者网 周盛明 编辑/高莘】
体系化能力：构筑不可复制的竞争壁垒
2026年北京车展，Momenta在其“物理AI序章”主题会上宣布，R7强化学习世界模型实现量产首发。CEO曹旭东在后续交流中，深入解读了公司在物理AI、世界模型、数据飞轮及行业格局上的战略思考。
讨论始终围绕一个核心议题展开：当大模型成为智能驾驶的标配，企业真正的护城河是什么？
答案指向体系能力。在技术快速扩散的市场中，单一算法优势的窗口期极短。真正的差距源于组织架构、文化基因以及与之协同的数据迭代体系、模型训练管线、安全验证流程。这套体系的运转效率与韧性，决定了技术迭代的最终速度。
数据闭环：从原始矿藏到驱动引擎的转化艺术
这正是Momenta强调数据闭环的根本原因。曹旭东将原始数据比作低品位的铁矿石。真正的价值不在于囤积矿石，而在于构建一套完整的工业精炼流程：完成从“贫矿提纯、冶炼成钢、制造引擎到整车装配”的全链条转化。
海量数据仅是基础。核心竞争力体现在如何高效挖掘长尾场景数据、进行定向模型训练、完成严苛的闭环验证，并最终将能力无缝部署到车端，转化为稳定可靠的用户体验。
训练路径清晰分为两步：预训练与Post-Training。预训练利用量产数据为模型注入物理世界的基本常识。然而，真实数据中包含了大量非最优驾驶行为。因此，必须通过Post-Training过程，将模型行为“校准至人类优秀驾驶员的决策水平”。
世界模型：物理AI的虚拟试验场与能力基石
“强化学习世界模型”在此扮演关键角色。世界模型的核心是将物理规律编码进神经网络，使其具备对未来状态的预测能力；强化学习则在这个高保真的虚拟试验场中，通过亿万次仿真演练，寻找到最优的驾驶策略。
曹旭东在与上汽大众的交流中进一步阐释，世界模型如同一个“练兵场”，尤其在极端场景的反复模拟中，能让系统“在真实危急关头，像经验丰富的司机一样凭借直觉做出最佳反应”。
这套技术逻辑的背后，是对“物理AI”趋势的笃定。数字AI的爆发得益于互联网数据的规模效应与极低的试错成本。但现实世界的主体仍是物理部分，数字AI已验证成功的方法论，必然向物理世界迁移。
自动驾驶正是物理AI首个规模化应用的突破口，堪称“物理AI的序章”。因为它率先跑通了规模化数据闭环与商业闭环。一旦体验接近人类水准，超越便可能加速发生。其内在飞轮在于：商业化带来更多数据，数据驱动模型能力进化，更强的能力又进一步推动商业扩张。
平台化战略与必然收敛的行业终局
这也解释了Momenta为何并行推进乘用车智能驾驶与L4业务。曹旭东指出，公司的L4布局涵盖Robotaxi、Robovan，并将延伸至Robotruck。底层逻辑在于，一个强大的自动驾驶大模型应具备平台化能力，支撑不同垂直场景，并在多业务间实现数据与经验的共享。
这种平台效应类似电商逻辑：接入的垂直场景越多，底层模型的泛化能力越强，各条业务线的研发边际成本则越低。
对于行业终局的判断非常清晰：自动驾驶具备极强的网络效应与先发优势。软件近乎为零的边际成本，使其规模效应甚至超过硬件行业。市场收敛是必然结果——中国市场最终可能仅存2-3家主流平台，全球范围则在3-4家左右。
持久战与“反向合资”的长期主义
这种收敛过程充满挑战。曹旭东坦言，与国内主机厂建立深度合作往往需要“持续敲门三年”，而与顶级国际OEM的磨合周期可能长达五到七年。以奔驰合作为例：从2017年获得投资，到2025年首款量产车上市，整整历时八年。
一旦智能驾驶供应商成功嵌入主流车企的供应链与研发体系，便会建立起深厚的合作壁垒；后来者想要切入，则必须经历同样漫长的技术验证与信任构建周期。
在此背景下，“反向合资”模式展现出其战略智慧。中国技术出海时，需充分考虑对当地产业生态、就业与税收结构的影响。更具可持续性的路径是借鉴历史经验，通过“反向合资”实现价值共享：既让全球用户享受技术红利，也通过赋能当地企业，实现真正的共生共赢。
竞争升维：以系统进化能力决胜未来
通观全程，曹旭东传递的核心信息并非单一产品，而是智能驾驶竞争已进入新阶段。过去的竞争聚焦于功能堆砌与接管率数字；现在的决胜关键，在于谁能构建更高效、更完整的数据-模型-量产-商业闭环，以及支撑该闭环持续进化的组织系统。
物理AI的概念虽宏大，但在自动驾驶领域，最终要回答一个具体问题：车辆能否在复杂现实中安全通行，并具备持续自我优化的能力。
行业共识是，自动驾驶正处在正向飞轮启动的临界点。未来的行业格局，将不由发布会上的技术参数决定，而取决于企业能否将数据、算法、工程与商业深度融合，锻造出一个具备强大生命力和进化能力的智能系统。
本文系观察者网独家稿件，未经授权，不得转载。