物理AI复利，Momenta交卷

文：李浩

编辑：经纬

自动驾驶不是一道可以一次做完的题。

海量的长尾场景注定了自动驾驶系统需要持续进化，需要从真实世界物理环境中不断学习、需要根据不同场景做出相应的规划。

好消息是，Waymo 基于约 50 万小时驾驶数据的研究发现，运动预测和规划模型随计算规模增加呈近似幂律提升，部分闭环指标也出现相似规律。

这意味着随着数据、模型与计算协同扩大，语言大模型的 Scaling Law 同样会降临物理 AI。

这一切的前提是，自动驾驶还需要一个能够理解并推演物理世界，同时承接预训练、仿真与强化学习的技术底座。

也因此，世界模型由此走到台前。而 Momenta 则正以 R7 世界模型基座平台推动这套循环。

当量产车辆提供真实数据，模型升级进入更多车型和 Robo 业务，业务扩张再带回新的训练样本。技术 Scaling 与商业Scaling，由此开始相互咬合。

自动驾驶，稀缺的是真实世界数据

当然，数据是 Scaling Law 的基础。

大语言模型可以从互联网中已经存在的文本、图像和视频里学习，但自动驾驶面对的是一个会被自身决策改变的世界。

车辆一次加速、转向或让行，不仅改变自身位置，也会影响周围交通参与者的反应。离线评测固然可以通过采集专业司机数据，给模型一个好的底子。但在真实道路中，模型一旦偏离专家轨迹，就可能进入训练数据未覆盖的状态区域，最终表现为轨迹偏离或规划不稳定。

因此，自动驾驶真正稀缺的，是一套包含了“状态—动作—结果”全流程，保留了环境状态、自车动作、外界反馈的连续交互数据。

（Momenta 展示时空窗口通行，图源：Momenta）

但这类数据却并不常见。2024年 《Nature Communications》将其概括为自动驾驶的“稀有性诅咒”，即在部分安全关键感知任务中，普通样本与稀有样本的比例可能超过百万比一。

数据多只是第一步，找到暴露系统短板的样本，才决定学习质量。

对此，行业一般有两种解决办法：扩大真实场景的覆盖范围，和提高单位数据的训练价值。前者依赖量产规模，后者取决于系统能否识别接管、冲突和低置信度决策等难题。

Momenta 的策略可以说是双管齐下。截至目前，其方案已搭载超过110 万辆量产车，累计真实驾驶里程超过150 亿公里，并从中提炼超过 1 亿段黄金数据。

百万辆车接触不同的道路、天气与交通行为，百亿公里构成原始数据池，一亿段黄金数据则把规模转化为训练价值。进入R7世界模型体系后，这些数据被用于世界模型预训练、生成式仿真和强化学习；更新后的模型再回到量产车，产生下一轮反馈。

所以，Momenta 量产的意义不止于交付。每次产品落地，都是下一轮增长的起点。

世界模型，物理AI Scaling的技术底座

然而，数据只是燃料。高质量数据解决了从哪里学的问题，还需要一套系统把数据、计算与模型能力连接起来。

2025年，Waymo研究团队使用约50万小时驾驶数据训练运动预测和规划模型。研究发现，模型表现会随训练计算量增加呈近似幂律改善，部分闭环指标也出现相似趋势。

这意味着，Scaling Law 并非语言模型专属。至少在运动预测与规划任务上，增加训练计算，同样能够带来相对稳定、可预测的性能提升。

但问题是物理 AI Scaling 的门槛更高。随着计算预算扩大，模型容量与训练数据需要同步增长。并且，训练结果还要经过仿真、评测与部署，才能转化为真实道路上的能力。

（图源：Momenta）

而世界模型基座平台正是承接这套协同的技术基础。

黄仁勋在发布英伟达Cosmos时曾表示，世界基础模型正成为机器人和自动驾驶的重要基础，可用于合成数据、强化学习、模型评测与未来状态仿真。

在自动驾驶中，世界模型需要学习物理环境在时间与空间中的演化规律。系统观察当前状态并采取行动，行动改变环境，新的状态又成为下一次决策的输入。

因此，Momenta R7 世界模型不宜被理解为一个孤立的大模型。按照公司披露的技术框架，R7世界模型 由预训练、生成式仿真和强化学习构成。预训练吸收真实道路与黄金数据里的交通规律；生成式仿真围绕复杂场景构造训练和验证条件；强化学习则让模型在连续反馈中优化驾驶策略。

真实数据进入预训练，计算资源贯穿预训练、仿真与强化学习，最终沉淀为更强的模型能力。Data Scaling、 Compute Scaling 与 Model Scaling 由此在同一套技术系统中彼此推动。

这套世界模型基座平台也被应用到乘用车、Robotaxi、Robovan 和 Robotruck。不同车型仍需完成必要适配，但数据处理、模型训练、仿真和评测等共性能力可以复用，同一套持续进化的能力得以进入更多业务。

从量产到L4，业务飞轮走入验证期

业务落地，是检验技术复用能否转化为商业规模的标准。

过去，汽车软件更接近“一个客户、一个项目、一套交付”。每增加一款车型，都要重新投入研发与适配资源，收入往往伴随人员和成本同步增长。IEA 在《Global EV Outlook 2026》中指出，软件定义汽车的成本优势，需要足够大的应用规模才能兑现。

而世界模型基座平台则让技术真正拥有了“复利”。

（Momenta 合作品牌，图源：Momenta）

同一套模型、数据体系和工程工具链，在完成必要适配后，可以进入更多车型、车企和业务场景。新增项目不必从零搭建全部能力，前期投入也能被更大的搭载规模摊薄。

Momenta 的中期财报已经显示了技术复利的信号。

财报数据显示，2026 年上半年 Momenta 收入约 16.02 亿元，同比增长 75.9%；经调整净亏损1409.7万元，同比大幅收窄97%亏损改善，与平台的规模效应，以及既有项目经验的复用息息相关。

业绩会上，Momenta还表示，通过主线复用、工具化和自动化，单车型开发投入已从约400人、两年，缩短至数十人、约三个月。收入增长、毛利率提升与交付效率改善相互印证，技术复用正在逐步转化为 Business Scaling。

在量产车业务之外，L4 和全球化则进一步打开了这套技术基座的商业边界。

（Momenta Robotaxi 阿布扎比路测，图源：Momenta）

截至今年 6 月底，Momenta Robotaxi 已在上海、苏州、无锡、深圳、阿布扎比和慕尼黑开展测试或运营；公司计划年底前在国内外超过 10 座城市取得牌照，并部署数百辆 Robotaxi。同时，Robovan 已在苏州进入小规模试运营，搭载Momenta 方案的量产车型也已进入 10 个海外国家和地区。

更多车型与城市带来收入和新的场景数据，新增资源再投入研发、算力与模型迭代。业务飞轮，正是在这样的往复中逐步成形。

自动驾驶进入持续进化阶段后，竞争已经不只是完成一次模型升级或拿下一个车型项目，而是让每次部署产生新数据，让每轮进化沉淀为可以复用的能力。

从乘用车走向 Robotaxi、Robovan 与 Robotruck，从国内量产走向全球市场，Momenta 正在把技术 Scaling推向商业 Scaling。世界模型基座平台连接的，不只是数据与模型，也是技术进化与商业增长。