編輯｜Panda

今天上午，利弗莫爾證券數據確認：MOMENTA GLOBAL LIMITED（夢騰智駕環球有限公司）已正式通過港交所上市聆訊，聯席保薦人為中金公司、德意志銀行。

這意味著，距離這家成立十年的智能駕駛公司正式掛牌，只剩下最后一步。市場預期其將于 6 月底啟動招股發行。而它將要爭奪的，是一個此前從未被定義過的身份：「物理 AI 第一股」。

幾乎是同一個窗口期里，大洋彼岸的英偉達也在反復強化同一個判斷。早在三年前，英偉達就已經圍繞機器人、數字孿生、自動駕駛和世界模型搭建起一套新的技術敘事。2024 年，黃仁勛進一步將這些分散的方向統一納入「Physical AI（物理 AI）」框架，并將其定義為繼生成式 AI 之后的下一波浪潮。今年 1 月的 CES 上，黃仁勛更是宣布機器人與自動駕駛領域即將迎來屬于自己的「ChatGPT 時刻」；6 月初的 GTC 臺北，他又帶著全模態世界模型 Cosmos 3 登臺，把語言、圖像、視頻、動作統一塞進一套系統里。

三年來，黃仁勛講的故事只有一個版本：上一輪浪潮屬于「會說話」的數字 AI，下一輪浪潮屬于「能行動」的物理 AI，而能不能行動取決于AI 是否真正理解物理世界的運行規律

這正是「世界模型」突然變得炙手可熱的原因。它被普遍認為是物理 AI 時代的基座模型，就像 GPT 是數字 AI 時代的基座模型一樣。而 Momenta 的R7 世界模型，恰好趕上了這場敘事與資本同時升溫的窗口期。

數字世界的基座是語言

物理世界的基座是什么？

要理解世界模型為什么重要，我們不妨先回到語言模型的世界看看。

ChatGPT 大突破本質上是讓機器掌握了語言世界的統計規律：給定前面的詞，預測下一個詞是什么

這套簡單的機制壓縮了人類幾乎全部的文本知識，于是語言模型突然「懂」了常識、邏輯甚至幽默感。這是數字 AI 的 GPT 時刻。

但語言模型再聰明，也不知道一顆蘋果從車頂滾落時會沿著怎樣的軌跡彈跳，不知道濕滑路面上剎車需要多提前多少距離。這些是物理世界的常識，藏在物理規律和因果關系里，不是靠掃描互聯網文本就能學到的。

世界模型要解決的正是這個問題：把物理世界的運行規律壓縮進一個模型里，讓 AI 具備物理世界的「常識」。這也是為什么黃仁勛會把英偉達的 Cosmos 系列稱為「世界基礎模型」（World Foundation Models）；其在邏輯上，與 GPT 之于語言世界完全一致，只是研究對象從文字換成了物理規律本身。

Momenta 今年 4 月在北京車展首發的R7 世界模型，正是沿著這條路徑搭建的三層架構。

Momenta 四位合伙人同臺出席，正式宣布 Momenta R7 世界模型實現量產首發

第一層是世界模型預訓練，目標是「讓模型懂物理」。

Momenta 通過把海量真實駕駛數據中的視頻片段輸入模型，把物理常識和因果關系壓縮進基座模型里。這一層的關鍵壁壘是數據規模：Momenta 依托搭載了其系統的 90 多萬臺 L2++ 量產車，積累了超過 120 億公里的真實行駛里程，并從中提煉出 1 億段「黃金數據」，這是大多數同行難以復制的數據底盤。

第二層是世界模型仿真，相當于給模型配一個「練兵場」。

系統利用生成模型推演周圍環境的演變，對極端罕見的長尾場景進行閉環測試，效率比傳統實車路測高出數量級。由于這個仿真世界本身是從真實數據中學出來的，Momenta 可以用實車數據和仿真結果做交叉校驗，明確知道仿真與真實世界之間的差距有多大、差在哪。這是一套有基準可驗證的體系，而非單純靠圖形渲染拼出來的「假仿真」。

第三層是在世界模型中做強化學習，扮演「教練」的角色。

系統通過獎懲機制反復試錯，在數千萬次虛擬交互之后，逐漸摸索出比人類預設規則更優的駕駛策略。

這是國內首個把世界模型、強化學習和端到端架構真正結合并跑通的方案，能讓自動駕駛系統從一個執行規則的工具，逐步變成一個能理解環境規律、預判未來演變、自主做出決策的智能體。

一個被反復提及的例子是：前車意外掉落一箱蘋果，系統能夠預判蘋果滾落的軌跡和擴散范圍，提前減速并規劃繞行路線，而不是等危險逼近才被動剎停。

預訓練負責「懂」，仿真負責「練」，強化學習負責「精進」。

三層疊在一起，構成了 Momenta 的核心技術敘事：R7 是一次物理 AI 基座模型的范式切換

為什么是 Momenta

數據、商業與一道「認知代差」

物理 AI 領域并不缺世界模型的嘗試者。英偉達有 Cosmos，特斯拉有 FSD 背后的世界模型雛形。那么，把 Momenta 放進這個坐標系里看，它的先發優勢大致來自三個層面。

第一重優勢是數據規模

Momenta CEO 曹旭東多次強調，物理 AI 的核心是數據 Scaling 和商業 Scaling 的正反饋，而自動駕駛是目前唯一能同時跑通這兩者的物理 AI 細分領域

Momenta CEO 曹旭東

Momenta 依托90 多萬輛量產車持續采集真實駕駛數據，在這方面優勢明顯。須知，數據量越大，模型對長尾場景的覆蓋就越完整。這是一個滾雪球式的壁壘，越往后啟動的玩家，越難追上前面積累的數據規模差。

第二重優勢是商業閉環已經跑通

物理 AI 需要「門票」，而要拿到這張門票，企業必須先有一項能持續創造現金流的業務撐住燒錢周期。

Momenta 選擇的現金流業務，就是面向乘用車的量產輔助駕駛

據 CIC 灼識咨詢 6 月 15 日發布的《自動駕駛行業藍皮書》，2025 年 3 月至 2026 年 2 月期間，中國第三方城市 NOA 供應商市場中，Momenta 市占率達到 65%，行業第一

資料來源：CIC 灼識

全球前十大車企中已有 9 家與 Momenta 展開合作，客戶覆蓋奔馳、寶馬、奧迪、豐田、本田、通用、大眾、比亞迪、上汽等。目前，搭載其系統的量產車輛已超過90 萬臺，累計交付車型超過100 款，定點車型數超過210 款

而支撐起這套商業閉環的，是一組招股書里同樣亮眼的財務數據。2023 年到 2025 年，Momenta 營業收入從 7.43 億元增長至 24.13 億元，三年翻三倍，年均復合增長率超 80%。其中，許可收入增速表現尤為亮眼，從 2023 年的 0.23 億元大幅增長至 2025 年的 9.68 億元，三年翻 42 倍

背后的原因也很直接：隨著高階智駕滲透率的不斷提升，Momenta 客戶數量及車型數量均在快速增長，同時也意味著搭載 Momenta 智駕方案的量產車型在終端市場展現出強勁的銷量勢能。

與高增長并行的，是對研發的高強度投入。2025 年全年，Momenta 研發投入達 18.69 億元，占年度收入的 77.5%，近三年累計研發投入 46.6 億元；截至 2025 年底，公司研發人員 1157 名，占比近 82%，其中超過三分之二擁有碩士及以上學歷。

正是這種高密度的研發投入，讓 Momenta 拿下了多個行業首個：全球首個實現無圖城市 NOA 全國范圍覆蓋全球首個實現端到端大模型量產全球首個實現強化學習量產、世界模型行業首個實現量產落地的第三方智駕公司

截至 2025 年底，公司現金儲備超 100 億元，為接下來的 Robo 市場擴張和全球化布局留出了足夠的彈藥。

也就是說，在大多數同行還在燒錢驗證技術路線的階段，Momenta 已經用真實營收把「數據-模型-商業」的飛輪轉了起來

第三重優勢是 Momenta 反復強調的「技術代差」。

行業里大多數公司把世界模型當作仿真工具（用它生成數據去訓練或測試主模型），而世界模型和主模型是兩個獨立系統。而Momenta 是把世界模型直接用于「端到端基座模型預訓練」，世界模型本身就是主模型的一部分

打個比方，前者更像是考前的模擬考試，幫你查漏補缺；后者則直接重塑了學生的大腦認知結構，讓學習方式本身發生改變。這種應用方式上的差異，相當于一個「超級放大器」，能讓模型整體性能和能力上限實現 10 倍甚至 100 倍的代際躍升，也是 R7 能在較短周期內快速迭代的核心原因。

量產速度的變化某種程度上印證了這種飛輪效應：2022 年交付第一個 10 萬臺量產規模耗時 24 個月，而現在最快不到 40 天就能完成 10 萬臺交付

一套架構

吃下四條賽道

如果數據和商業閉環解決的是「Momenta 憑什么領先」，那么下一個問題是：這套領先能延伸到多大的范圍？

R7 世界模型的設計邏輯里，藏著一個關鍵假設：物理規律是通用的

慣性、摩擦力、運動因果關系，不會因為開車的是乘用車、出租車還是卡車而改變。一旦世界模型真正掌握了底層物理規律，它就應該具備跨場景的泛化能力。

這正是 Momenta 構想的「All-in-One Platform」的底層邏輯：用同一套底層系統架構，同時賦能乘用車量產、Robotaxi、Robovan、Robotruck 四類業務形態，而不需要為每一種車型、每一種場景單獨訓練一套模型

這背后是一個明確的成本邏輯：如果核心技術能夠跨場景復用，多業務線并行的研發成本就能被大幅攤銷，整體迭代效率也會隨之提升；即研發投入不變，但能覆蓋的業務場景成倍增加，邊際成本隨業務擴張持續走低。

這套邏輯能撐起多大的市場空間？先看 Momenta 已經站穩腳跟的量產輔助駕駛市場：據 CIC 灼識咨詢數據，2025 年全球及中國 L2 級-高速 NOA / L2 級-城市 NOA 輔助駕駛及更高級別智能駕駛市場規模分別約為 204 億美元及 130 億美元，預計到 2030 年將擴大至 3,059 億美元及 1,666 億美元，復合年增長率分別達 71.9% 及 66.5%；量產板塊在全球及中國市場的占比均超過 80%，是當前階段規?；涞氐闹饕d體。

再看Robo 市場這條更遠期的曲線：到 2030 年，全球及中國 Robotaxi 市場規模將分別增長至約 818 億美元和 381 億美元，中國滲透率預計達到 11.9%，高于全球 5.7% 的水平；Robovan 全球與中國市場規模將分別達到約 850 億美元和 535 億美元；Robotruck 全球與中國市場規模將分別達到約 330 億美元和 165 億美元。

已經驗證且即將突破 3000 億美元的量產市場+尚待打開且合計接近 2000 億美元的 Robo 市場……兩個市場加起來，正是「兩條腿」戰略真正的想象空間所在。如果世界模型真的能在不同車型、不同任務之間自由遷移，Momenta 就不再只是一家自動駕駛方案商，而是一個可以同時切入多條萬億級賽道的平臺型公司。

不造車的特斯拉

物理世界的 Anthropic

要讓資本市場相信一個全新的敘事，最快的方式往往是找到一個已經被驗證過的參照系。沿著這個思路觀察，不難發現 Momenta 身上其實疊著兩個隱含的對照對象：特斯拉Anthropic

和特斯拉的相似之處，在于技術路徑幾乎重疊。

兩家公司都最早采用無圖模式與端到端架構，都堅持用同一套大模型覆蓋從 L2 輔助駕駛到 L4 自動駕駛的全部業務，都把「世界模型」作為這套架構的核心。

特斯拉依靠數百萬輛量產車積累的場景數據，用世界模型反哺 FSD 向 L4 能力迭代，目前已在美國德州多地實現無安全員的 Robotaxi 運營；Momenta 則堅持「一個飛輪兩條腿」戰略，用 L2++ 的真實數據流和 L4 的技術研發流在同一套算法與傳感器架構下打通，并以 R7 的量產首發完成了「世界模型上車」這一關鍵節點

在落地速度上，特斯拉靠海量真實數據降低了 L4 落地門檻，而 Momenta 復用 L2++ 積累的長尾數據，僅用 3 個月就拿到了阿布扎比的 L4 路測牌照，提前驗證了算法的可遷移性。

和 Anthropic 的對照，則更多落在商業化路徑的相似性上。

Anthropic 被很多人視為「最專注」的 AI 公司，選擇了一條比 OpenAI 更窄但更深的路：幾乎把所有籌碼壓在編程這一個場景上。

根據 Anthropic 2026 年 3 月發布的《經濟指數報告》，編程相關任務（Computer and Mathematical 類職業）占其消費端 Claude.ai 對話量的 35%，是目前最大的單一使用場景；與此同時，Claude Code 在企業 API 側的占比持續擴大，推動公司整體年化收入在一年多時間里從約 10 億美元躍升至 2026 年 4 月的約 300 億美元規模。

這條路徑的核心邏輯是：先在一個最容易驗證商業價值的場景里把閉環跑通、把現金流做厚，再把這套能力復制到金融、法律、醫療等其他垂直領域。

Momenta 的處境與此類似，但也有不同——Momenta 同樣先專注于在一個場景跑通商業閉環，但不同的是其創立之初就是「兩條腿」走路。

其中，L2++ 量產輔助駕駛是自動駕駛里商業化確定性最高的場景，也正是 Momenta 為了獲得物理 AI 門票的現金流業務：這條業務線已經為 Momenta 帶來了 90 萬臺量產車的真實裝機量和超過 60% 的第三方市占率，率先跑通了物理 AI 領域罕見的「商業+數據」雙閉環。

另一方面，L4 自 Momenta 創立以來也一直在并行推進。Robotaxi、Robovan、Robotruck 等場景也會復用同一套算法和數據基座。這與 Anthropic 把在編程場景沉淀下來的優勢延展到金融、法律等場景是同樣的邏輯：用可以規模化變現的業務，培養能夠跨場景復用的核心能力

兩個對照放在一起，指向同一個終局猜想：如果規模效應和先發優勢真的像曹旭東判斷的那樣強烈，即「自動駕駛的規模效應比芯片行業更強，因為軟件的邊際成本是零」，那么這個市場很可能不會容納太多玩家，最終收斂成少數「贏家通吃」的平臺型公司，就像今天的安卓在移動操作系統里的位置。

曹旭東本人也判斷，全球范圍內最終能存活的智駕供應商大概只有 3 到 4 家

這個猜想能否兌現，關鍵在于 Momenta 能不能把賬面上的數據和市占率優勢，進一步轉化為規?；挠芰?，而這恰恰是「數據 Scaling+商業 Scaling」雙飛輪敘事里最值得期待的下一程：純軟件路線意味著邊際成本隨交付量擺動的空間遠大于硬件路線，一旦量產規模和第三方市占率的優勢持續放大，利潤率的改善曲線很可能比同行更快出現拐點。

這正是資本市場愿意為「物理 AI 第一股」給出溢價的核心原因。

寫在上市前夜

從 2016 年曹旭東在 30 歲那年創立 Momenta，到如今即將登陸港交所，這家公司走過的十年，恰好是中國自動駕駛行業從概念驗證到規?；慨a的十年。如今站在「物理 AI 第一股」的門檻前，Momenta 要回答的問題已經不只是「自動駕駛做得好不好」，而是「世界模型這套范式，到底能不能像語言模型在數字 AI 時代做到的那樣，成為物理 AI 時代真正意義上的基座」。

英偉達正用 Cosmos 在云端講一個通用故事，特斯拉正在北美用 FSD 驗證另一個版本，Momenta 則帶著 90 萬臺量產車的真實數據和正在加速落地的 Robo 業務，準備在港交所給出自己的答案。

物理 AI 的「GPT 時刻」究竟會不會在自動駕駛領域率先兌現，市場很快就會給出第一個定價。