Momenta，这在行业内被称为“物理AI股”的企业，行将登陆港交所。

与之相伴的，是个官反复说起的技艺主见——寰球模子。它被描摹为“物理AI时间的基座模子”，被以为是激励物理AI“GPT时刻”的关节破损口。

这听起来巨大而令东谈主是非。

但面对这类“某某时刻”“基座模子”“范式翻新”的叙事时，些东谈主可能会俗例地追问几个朴素的问题。

，所谓的“寰球模子”，究竟是技艺演进的全新效果，如故个被悉心包装的融资话术？

二，“基座”这个词在AI域已被平方使用。要是说大言语模子的基座是海量文本，那么物理AI的基座凭什么是个能预测下帧的模子？它真的承载得起“物理寰球的知识”这么个刻命题吗？

三，咱们真实在评述的，究竟是技艺自己，如故技艺背后加复杂的买卖逻辑？

从这几个问题来看，Momenta IPO并非个简便的融资事件。Momenta是“物理AI”这条赛谈上，个接管公开成本阛阓进修的玩。阛阓将用真金白银投票的，既是Momenta往常几年的发展效果，是“寰球模子算作物理AI基座”这巨大叙事的将来预期。

模子“懂物理”，还有“练兵场”和“教悔”

先正面回答个问题：什么是寰球模子？它和此前的AI模子，到底有什么区别？

用个简便的类比。数字AI时间，ChatGPT的伟大破损在于，它让机器掌捏了言语的规章。它知谈句话奈何接下句，知谈高下文之间的逻辑联系，知谈知识的知识图谱，它压缩的是“文本寰球的规章”。

物理AI时间需要的，则是个能压缩“物理寰球规章”的模子。它需要知谈：个球被踢出去会沿着抛物线翱游；辆车急刹车时车身会前倾；两辆车在交叉路口再会，谁应该让谁。这些在东谈主类看来致使不需要念念考的知识，关于AI而言，恰正是难习得的部分。

寰球模子要作念的事情，即是把物理寰球的规章——重力、惯、因果、遮盖联系、判辨轨迹——压缩进个神经汇集里，让模子“懂得”物理寰球是怎样运转的。

这个盘算很澄澈，但结束旅途其沉重。为什么？因为物理寰球的数据，获得太难了。

文本数据顺手可取。互联网上罕有以万亿计的网页、竹帛、论文，这些是东谈主类知识的海量数字化遗产。但物理寰球的数据，举例辆车在暴雨中行驶的、个行东谈主在十字街头遽然折返的遽然、只流浪猫从路边窜出的场景，这些数据不仅难以获得，而且法通过“爬虫”来批量聚集。

难的是“测试”。个言语模子写错了谜底，用户不错坐窝发现并改良。但个自动驾驶模子要是判断诞妄，后果可能是真实的碰撞事故。物理AI的进修成本，比数字AI出几个数目。

正因为这个原因，寰球模子永久停留在学术论文和实验室Demo阶段。直到近，跟着海量真实驾驶数据的积存、算力成本的下落、以及模子架构的演进，它才真实有了买卖化的可能。

而Momenta R7寰球模子的架构，被联想成了三层。每层都在复兴上述挑战中的某个法子。

层是World Model Pre-Training，也即是让模子“懂物理”。

这层的任务，是把海量真实驾驶数据中的物理知识与因果联系，压缩进基座模子。庸碌地说，即是让模子看饱胀多的真实寰球，先学懂物理。

二层是World Model Simulation，也即是让模子领有“练兵场”。

模子光“懂物理”还不够，它需要在个安全的环境里反复考证我方的有盘算。这就引出了寰球模子的二层智力：闭环仿真。

传统仿真有个致命问题：渲染生成的寰球和真实寰球之间存在巨大的“Sim-to-Real Gap”。你在游戏引擎里建个十字街头，那是个空想的、干净的、物理规矩简化的寰球。但真实的十字街头有坑洼的路面、有褪的标线、有大肆泊岸的货车、有伞的行东谈主。模子在仿真里练得再好，登程可能如故“懵”。

Momenta R7的作念法是：愚弄从真实数据中学习生成的寰球进行仿真。这意味着，仿真环境中的每个场景元素，从每棵树、每辆车的行驶轨迹到每个行东谈主的动作，都开端于真实寰球的采样，而非设施员想虽然的预设。

关节的是，Momenta通过实车和仿真的致来作念对皆和校准，领有明确可参考的benchmark，从而减少仿真与真实寰球之间的各别。

这套机制的价值，用个数字就能说明：率比传统实车路测升迁了上万倍。换句话说，个在真实谈路上需要跑数十年才能遭遇的端场景组合，在R7的仿真环境里可能只需要几个小时就能遍历遍。

三层是World Model Reinforcement Learning，也即是让模子领有“教悔”。

懂了物理、有了练兵场，接下来是“学会开车”。这层依赖的是强化学习。强化学习的骨子是惩机制：模子作念出正确有盘算就励，作念出错误有盘算就刑事背负。通过反复试错，模子冉冉学会在复杂环境中输出策略。

Momenta在这层的势有两面。

是领有真实寰球里巨额用户的响应闭环。这意味着惩信号的开端，不是仿真环境里的模拟分，而是真实谈路上数十万用户的真实驾驶数据。

二是领有多的黄金数据，尤其是长尾场景数据。所谓“长尾场景”，即是那些发生概率低、但旦发生就其危境的边缘情况。这些数据是强化学习中贵重的“课本”。

说到这里，个追问不可避：这套三层架构，与业内其他公司的寰球模子案，区别到底在哪？

谜底在于“预西宾”这个法子的定位。

业内广漠将寰球模子用作仿真用具，也即是，先西宾个寰球模子达州罐体保温施工队，然后用它来生成数据，再拿这些数据去西宾或测试主模子。在这个旅途里，寰球模子是个“辅助用具”，至极于考前给学生发了几套模拟试卷。

Momenta则是将寰球模子径直应用于“端到端基座模子预西宾”。它不是给学生发模拟卷，而是径直重塑了学生的大脑领会结构。模子从启动就开发在“懂得物理寰球规章”的基座之上，再通过仿真和强化学习进行微调。

这好比两个学生准备物理竞赛。个学生通过巨额刷题来积存警告；另个学生先系统学习了牛顿力学、热力学、电磁学的一皆表面框架，再通过作念题来考证和逍遥。前者的上限取决于题库的障翳鸿沟；后者的上限取决于物理定律自己，而物理定律是普适的、界的。

Momenta R7聘任的是后条路。

但这并不是说前条路就错了。仅仅两者对寰球模子的定位不同，由此带来的系统上限和迭代速率也天渊之隔。Momenta以为，这种底层应用代差，让寰球模子成为了个“放大器”，使系统的举座居品能和上限结束了10到100倍的代际跃升。

虽然，这个“10到100倍”的现实果，将取决于接下来几年的量产请托数据和用户响应。但至少在逻辑上，这条旅途是自洽的：用真实数据西宾基座，用真实数据校准仿真，用真实用户响应强化学习，每个法子都锚定“真实”二字。

不仅是技艺，是两大“Scaling”的飞轮

个值得追问的问题是：要是寰球模子在技艺逻辑上如斯自洽，那为什么是Momenta领先把它作念到量产上车，而不是其他公司？

2022年，Momenta完成个10万台量产请托，用了24个月。而到了2026年，这个数字被压缩到不到40天。24个月到40天，这中间的跨度，号称种指数的进化。

这种进化的驱能源，到底是什么？

个常见的证明是“技艺破损”。这确定没错。R7寰球模子的三层架构、端到端基座预西宾、强化学习闭环，这些技艺层面的演进，照实是居品能跃升的径直原因。

招股书示，2025全年，Momenta研发参加为18.69亿元，占其年度收入的77.5，近三年累计研发参加达46.6亿元。搁置2025年底，公司领有研发东谈主员1157名，研发东谈主员占比近82，过三分之二领有硕士及以上学历。

然则，要是咱们只看到技艺，就忽略了底层的两个变量。

这两个变量，官把它们追想为数据Scaling和买卖Scaling。而Momenta真实的壁垒，在于自身同期跑通了这两个Scaling，何况酿成了正响应。

先说数据。

寰球模子需要海量真什物理交互数据来预西宾。这个“海量”的下限是几许？行业内莫得统轨范，但个共鸣正在酿成：单纯靠仿真渲染生成的数据，法替代真实谈路上的物理响应。因为仿竟然对物理规章的“雷同”，而真实谈路是物理规章自己的“全集”。个在雷同中西宾出的模子，旦遭遇雷同以外的边缘情况，就会表现出领会盲区。

Momenta的数据开端，是它搭载在量产车上的L2++辅助驾驶系统。这些车每天都在真实谈路上行驶，不时聚集各类驾驶场景。搁置2026年，Momenta积存了120+亿公里的实车里程，从中索求出了1亿段“黄金数据”。所谓“黄金数据”，指的是包含特定场景价值的质地片断，比如复杂路口、恶劣天气、生僻拦阻物、相配规驾驶举止等。

这个数字的意旨，不错从两个维度来领悟。

横向看，120亿公里是什么主见？地球到太阳的平均距离约为1.5亿公里。120亿公里至极于地球到太阳往返40次。这个体量的真实谈路数据，是法在短时辰内通过任何式“突击”聚集的。每公里都对应着辆真实量产车的真履行驶时辰。

纵向看，数据积存的速率在加速。Momenta 2022年个10万台量产耗时24个月，而今快不到40天即可完成10万台请托。这意味着，Momenta数据聚集的“管谈”正在连忙变粗。请托量越大，管道保温施工回传的数据越多；数据越多，模子迭代越快；模子越好，请托量越大。这是个典型的正响应轮回。

曹旭东对此有个判断：“扫数这个词智驾或者扫数这个词自动驾驶它有相配强的范畴应和先发势，它的应会比芯片行业强……自动驾驶，因为它是软件，它的角落成本是，是以它的范畴应强，它的范畴应除了成本上的范畴应，还有体验上升迁的范畴应。”

要是把这个判断放到数据Scaling的语境里，兴趣就很明晰了：当你的数据量是竞争敌手的10倍时，你的模子智力可能不是竞争敌手的2倍或3倍，而是代际层面的碾压。因为数据范畴自己即是个“门槛型”的竞争因素，它不像算法不错快速复制，也不像东谈主才不错用薪挖角。

但数据Scaling有个前提：你得先有饱胀多的车在路上跑。而让车在路上跑的前提，是你得有东谈主称心买单。

这即是买卖Scaling的意旨。

曹旭东提到了个主见叫“物理AI的门票”：要结束通用物理AI，而且定要有巨额现款流业务。

这句话点出了物理AI域个其现实的逆境。从数据聚集、清洗、标注，到模子西宾、考证、部署，寰球模子的研发每个法子都需要多数的资金参加。莫得现款流业务缓助，连“入场”的资历都莫得。

Momenta的现款流业务，是它的L2++量产辅助驾驶处分案。字据2026年6月CIC灼识商榷发布的《自动驾驶行业蓝皮书》，2025年3月至2026年2月，三城市NOA供应商阛阓中，Momenta市占率达65，位居行业位。Momenta的客户已障翳国内一皆主流乘用车企业，众人名次前10大车企中已有9与其开展调解。

招股书示，2023年至2025年，Momenta营业收入从7.43亿元增长至24.13亿元，三年翻三倍，年均复合增长率80。搁置2025年底，公司现款储备100亿元。

这些数字背后的买卖含义是，L2++业务不仅创造了营收，进击的是，它考证了Momenta居品的买卖化智力。车企称心为这套案付费，说明它在成本、能、请托率上具备竞争力。而这种竞争力，又会反过来蛊卦多车企接管，从而逾越扩大数据聚集的范畴。

买卖Scaling和数据Scaling之间的互动联系，不错这么领悟：L2++量产车越多→聚集的数据越多→模子迭代越快→居品体验越好→多车企接管L2++案→量产车多→数据多。

这是个双轮回。买卖Scaling处分的是“谁为研发买单”的问题，数据Scaling处分的是“模子怎样进化”的问题。两者缺不可。

从买卖化角度看，要是聚焦自动驾驶域，曹旭东判断：“终众人3到4供应商会胜出。”

要是这个判断教悔，那么Momenta刻下所处的阶段，即是那3到4席位竞争中的关节卡位期。它还是拿到了入场券：120亿公里数据、65的市占率、前10大车企中9的调解……

“2017年飞奔就投资了咱们，但咱们跟飞奔的个量产技俩上市是2025年的后半年，经历了整整8年的时辰。2024年才拿到了飞奔扫数的电车和油车的业务。”曹旭东曾涌现。

8年时辰，意味着什么？意味着从战争到调解、从POC到Pre SOP、从Pre SOP到小批量量产、从小批量到量产，每个法子都是谈门槛。

旦跨过这些门槛，客户不会爽快换供应商，因为切换成本。而这种“锁定应”叠加范畴应，会使得先者的势不时放大，自后者追逐的空间不时收窄。

虽然，许多投资者早已意志到Momenta的这种稀缺。Momenta的鼓吹气势其豪华，齐集了众人中枢的产业和科技战术投资东谈主，以及众人顶财务投资东谈主。

产业成本囊括了众人汽车产业链的中枢玩，包括：上汽、通用、飞奔、丰田、比亚迪、当代、奇瑞等7众人顶车企，以及博世、德赛西威、立讯精密等头部产业链调解伙伴，和Uber、Grab、Stone Venture等Robo调解伙伴。科技巨头则包括腾讯、阿里云、蚂连合团、京东等。

财务投资东谈主是障翳了淡马锡、IDG、阿曼投资局、亦庄国投、Granite Asia、顺为、蔚来成本、凯辉基金、云锋基金、蓝湖成本、创新工厂、真格基金、鼎晖投资、榕创投、成成本、众为成本、愉悦成本、钟鼎成本、盈峰成本、招银、华泰创新成本、污秽成本、春华成本、大湾区基金、国新基金、光合创投、九合创投、锦秋基金等众人顶投资机构。

豪华、多元化的鼓吹阵营，不仅为Momenta提供了战术和成本缓助，还从业务协同、用户增长和众人化布局等面助力了Momenta速增长。

“个模子通全场景”的估值逻辑

要是只停留在“技艺怎样先”的层面，就还没涉及Momenta中枢的价值命题。真实的命题是：这套底层智力，能滋长出多大的估值空间？

曹旭东在谈及公司L4布局时，提到了Jeff Hawkins的个中枢主见：个神经汇集、个大模子，概况结束通用AI的智力。曹旭东将这个理念平移到了自动驾驶域，即个自动驾驶的大模子概况结束扫数的自动驾驶的垂直应用，何况作念得好。

这句话听起来有些概括。但曹旭东紧接着说了句具体的话：“这件事情咱们已在Robotaxi、Robovan和乘用车上奏凯考证了，何况取得了很好的果。”

考证了什么？考证了Momenta所说的“个模子通全场景”不是张PPT上的蓝图，而是个已在多条业务线上跑通的简架构。乘用车量产、Robotaxi、Robovan这三个看似立的自动驾驶场景，分享同套底层模子架构。而来岁，Robotruck也将加入这个序列。

这背后的买卖逻辑，值得闭幕来看。

先成列下这四块业务的体量。公开数据示，到2030年，众人Robotaxi阛阓范畴预测约818亿好意思元，阛阓约381亿好意思元；Robovan众人阛阓范畴约850亿好意思元，阛阓约535亿好意思元；Robotruck众人阛阓范畴约330亿好意思元，阛阓约165亿好意思元。

四块业务对应的阛阓空间，统统过2000亿好意思元。但Momenta的叙事逻辑，不是“同期辞别作念四个生意”。要是是那样，它仅仅业务线散播的供应商。Momenta的叙事是“用同个大脑作念四个生意”。这个各别，决定了估值的量。

传统花式下，作念Robotaxi的公司作念不了Robovan，作念Robovan的作念不了乘用车L2++。因为每条业务线都需要立的传感器案、立的算法团队、立的数据聚集体系、立的考证经由。每个垂直场景的“know-how”都埋在各自的组织和警告里，法简便复制。扫尾即是，每个新场景的开拓，都意味着从到的重复参加。

Momenta的作念法不同。它的乘用车量产系统已在90万台量产车上跑着，积存了120+亿公里真实数据。

这些数据中包含了多样谈路场景（城市谈路、速公路、乡村小径、泊车场），这些场景与Robotaxi、Robovan、Robotruck所面对的谈路环境，骨子上是同套物理寰球。个领悟了城市谈路复杂交通流的寰球模子，稍加微调就能适配物流场景的门道筹画。个掌捏了速公路长距离巡航智力的模子，当然能蔓延至Robotruck的主线运输。

值得提的是，当公司准备上市时，成本阛阓会本能地寻找个对标物。是以“XX域的特斯拉”“的某某某”等尽管肤浅，却是许多科技公司在IPO招股书以外必备的身份标签。

Momenta濒临不异的情况。它的业务横跨乘用车L2++、Robotaxi、Robovan、Robotruck，技艺底座是“寰球模子”，买卖花式是“个模子通全场景”。这套叙事巨大而自洽，但问题是，它到底像谁？

容易预料的对标，是Anthropic，二者不异领有强劲的基座模子，不异先在个价值垂直场景结束买卖闭环，再向其他场景泛化膨胀。

该逻辑指向的结尾：曹旭东称之为“平台系统提供商”，而非单场景的处分案供应商。这个定位的关节不在于刻下营收的范畴，而在于“个模子通全场景”的架构所带来的不时角落成本递减和跨场景协同应。

Momenta的“个模子通全场景” ，在自动驾驶域复制了不异的平台应。乘用车量产的数据和警告，不错径直匡助Robotaxi化城市复杂路口的有盘算；Robotaxi在L4东谈主驾驶中积存的长尾场景处明智力，不错反哺乘用车L2++的安全冗余；Robovan和Robotruck在物流场景中的旅途筹画警告，又不错升迁乘用车在速场景的续航率。

这酿成了个跨场景的正响应轮回。场景越多，大模子见过的“物理寰球”就越丰富；大模子越强劲，每个场景的落地成本就越低、果就越好。

这种角落成本的骤降应，是Momenta估值逻辑中个容易被疏远但至关进击的支点。华尔街对平台型公司的估值溢价，从来不来自刻下营收的简便乘数，而来悛改增业务线时那根简直水平的角落成本弧线。

总之，Momenta的估值逻辑，既弗成用传统的汽车部件供应商来套，也弗成简便地用AI软件公司来估。它像个正在被建造的物理AI平台，底层是领悟物理寰球的寰球模子，中间是跨场景复用的All-in-One架构，表层是正在冉冉开的个个垂直应用场景。平台的每层，都在为基层的扩展裁汰角落成本。

至于这个平台的结尾价值，那取决于它终能障翳几许个“需要与物理寰球交互”的场景。乘用车、Robotaxi、Robovan、Robotruck是已被阐述的前四个。

至于机器东谈主，曹旭东判断“还需要段时辰”。不外，机器东谈主与汽车的底层逻辑是重叠的。毕竟，个掌捏了物理寰球广漠规章的模子，表面上不错泛化到任何需要与物理寰球交互的载体上。

凯辉基金首创东谈主及董事长蔡明泼暗示，算作坚强的永久主张者，凯辉很走时概况在自动驾驶跌宕改变的十年里，不时随同Momenta路成长。咱们见证了团队用强的战术定力和致的研发智力，冉冉将“寰球模子”磨成物理AI买卖护城河。自动驾驶是构建将来智能社会的关节旅途，咱们期待Momenta连续依托其技艺积存、量产智力与众人生态，在AI技艺出海海潮中以“案”动众人物理AI产业的逾越。

（作家 冯科翰）地址：大城县广安工业区相关词条:铝皮保温施工     隔热条设备     钢绞线    玻璃棉卷毡    保温护角专用胶

1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》达州罐体保温施工队，以此来变相勒索商家索要赔偿的违法恶意行为。