Momenta，這家在行業(yè)內(nèi)被稱為“物理AI第一股”的企業(yè)，即將登陸港交所。

與之相伴的，是一個官方反復(fù)提及的技術(shù)概念——世界模型。它被描述為“物理AI時代的基座模型”，被認(rèn)為是激發(fā)物理AI“GPT時刻”的關(guān)鍵突破口。

這聽起來宏大而令人振奮。

但面對這類“某某時刻”“基座模型”“范式革命”的敘事時，一些人可能會習(xí)慣性地追問幾個更樸素的問題。

第一，所謂的“世界模型”，究竟是技術(shù)演進(jìn)的全新成果，還是一個被精心包裝的融資話術(shù)？

第二，“基座”這個詞在AI領(lǐng)域已被廣泛使用。如果說大語言模型的基座是海量文本，那么物理AI的基座憑什么是一個能預(yù)測視頻下一幀的模型？它真的承載得起“物理世界的常識”這樣一個深刻命題嗎？

第三，我們真正在談?wù)摰模烤故羌夹g(shù)本身，還是技術(shù)背后更加復(fù)雜的商業(yè)邏輯？

從這幾個問題來看，Momenta IPO并非一個簡單的融資事件。Momenta是“物理AI”這條賽道上，第一個接受公開資本市場檢驗(yàn)的玩家。市場將用真金白銀投票的，既是Momenta過去幾年的發(fā)展成果，更是“世界模型作為物理AI基座”這一宏大敘事的未來預(yù)期。

模型“懂物理”，還有“練兵場”和“教練”

先正面回答一個問題：什么是世界模型？它和此前的AI模型，到底有什么區(qū)別？

用一個最簡單的類比。數(shù)字AI時代，ChatGPT的偉大突破在于，它讓機(jī)器掌握了語言的規(guī)律。它知道一句話怎么接下一句，知道上下文之間的邏輯關(guān)系，知道常識性的知識圖譜，它壓縮的是“文本世界的規(guī)律”。

物理AI時代需要的，則是一個能壓縮“物理世界規(guī)律”的模型。它需要知道：一個球被踢出去會沿著拋物線飛行；一輛車急剎車時車身會前傾；兩輛車在交叉路口相遇，誰應(yīng)該讓誰。這些在人類看來甚至不需要思考的常識，對于AI而言，恰恰是最難習(xí)得的部分。

世界模型要做的事情，就是把物理世界的規(guī)律——重力、慣性、因果、遮擋關(guān)系、運(yùn)動軌跡——壓縮進(jìn)一個神經(jīng)網(wǎng)絡(luò)里，讓模型“懂得”物理世界是如何運(yùn)轉(zhuǎn)的。

這個目標(biāo)很清晰，但實(shí)現(xiàn)路徑極其艱難。為什么？因?yàn)槲锢硎澜绲臄?shù)據(jù)，獲取太難了。

文本數(shù)據(jù)唾手可得。互聯(lián)網(wǎng)上有數(shù)以萬億計的網(wǎng)頁、書籍、論文，這些是人類知識的海量數(shù)字化遺產(chǎn)。但物理世界的數(shù)據(jù)，例如一輛車在暴雨中行駛的視頻、一個行人在十字路口突然折返的瞬間、一只流浪貓從路邊竄出的場景，這些數(shù)據(jù)不僅難以獲取，而且無法通過“爬蟲”來批量采集。

更難的是“測試”。一個語言模型寫錯了答案，用戶可以立刻發(fā)現(xiàn)并糾正。但一個自動駕駛模型如果判斷失誤，后果可能是真實(shí)的碰撞事故。物理AI的檢驗(yàn)成本，比數(shù)字AI高出幾個數(shù)量級。

正因?yàn)檫@個原因，世界模型長期停留在學(xué)術(shù)論文和實(shí)驗(yàn)室Demo階段。直到最近，隨著海量真實(shí)駕駛數(shù)據(jù)的積累、算力成本的下降、以及模型架構(gòu)的演進(jìn)，它才真正有了商業(yè)化的可能。

而Momenta R7世界模型的架構(gòu)，被設(shè)計成了三層。每一層都在回應(yīng)上述挑戰(zhàn)中的某一個環(huán)節(jié)。

第一層是World Model Pre-Training，也就是讓模型“懂物理”。

這一層的任務(wù)，是把海量真實(shí)駕駛數(shù)據(jù)中的物理常識與因果關(guān)系，壓縮進(jìn)基座模型。通俗地說，就是讓模型看足夠多的真實(shí)世界視頻，先學(xué)懂物理。

第二層是World Model Simulation，也就是讓模型擁有“練兵場”。

模型光“懂物理”還不夠，它需要在一個安全的環(huán)境里反復(fù)驗(yàn)證自己的決策。這就引出了世界模型的第二層能力：閉環(huán)仿真。

傳統(tǒng)仿真有一個致命問題：渲染生成的世界和真實(shí)世界之間存在巨大的“Sim-to-Real Gap”。你在游戲引擎里建一個十字路口，那是一個理想的、干凈的、物理規(guī)則簡化的世界。但真實(shí)的十字路口有坑洼的路面、有褪色的標(biāo)線、有隨意停靠的貨車、有打傘的行人。模型在仿真里練得再好，一上路可能還是“懵”。

Momenta R7的做法是：利用從真實(shí)數(shù)據(jù)中學(xué)習(xí)生成的世界進(jìn)行仿真。這意味著，仿真環(huán)境中的每一個場景元素，從每一棵樹、每一輛車的行駛軌跡到每一個行人的動作，都來源于真實(shí)世界的采樣，而非程序員想當(dāng)然的預(yù)設(shè)。

更關(guān)鍵的是，Momenta通過實(shí)車和仿真的一致性來做對齊和校準(zhǔn)，擁有明確可參考的benchmark，從而減少仿真與真實(shí)世界之間的差異性。

這套機(jī)制的價值，用一個數(shù)字就能說明：效率比傳統(tǒng)實(shí)車路測提升了上萬倍。換句話說，一個在真實(shí)道路上需要跑數(shù)十年才能遇到的極端場景組合，在R7的仿真環(huán)境里可能只需要幾個小時就能遍歷一遍。

第三層是World Model Reinforcement Learning，也就是讓模型擁有“教練”。

懂了物理、有了練兵場，接下來是“學(xué)會開車”。這一層依賴的是強(qiáng)化學(xué)習(xí)。強(qiáng)化學(xué)習(xí)的本質(zhì)是獎懲機(jī)制：模型做出正確決策就獎勵，做出錯誤決策就懲罰。通過反復(fù)試錯，模型逐步學(xué)會在復(fù)雜環(huán)境中輸出最優(yōu)策略。

Momenta在這一層的優(yōu)勢有兩方面。

一是擁有真實(shí)世界里大量用戶的反饋閉環(huán)。這意味著獎懲信號的來源，不是仿真環(huán)境里的模擬打分，而是真實(shí)道路上數(shù)十萬用戶的真實(shí)駕駛數(shù)據(jù)。

二是擁有更多的黃金數(shù)據(jù)，尤其是長尾場景數(shù)據(jù)。所謂“長尾場景”，就是那些發(fā)生概率極低、但一旦發(fā)生就極其危險的邊緣情況。這些數(shù)據(jù)是強(qiáng)化學(xué)習(xí)中最寶貴的“教材”。

說到這里，一個追問不可避免：這套三層架構(gòu)，與業(yè)內(nèi)其他公司的世界模型方案，區(qū)別到底在哪？

答案在于“預(yù)訓(xùn)練”這個環(huán)節(jié)的定位。

業(yè)內(nèi)普遍將世界模型用作仿真工具，也就是，先訓(xùn)練一個世界模型，然后用它來生成數(shù)據(jù)，再拿這些數(shù)據(jù)去訓(xùn)練或測試主模型。在這個路徑里，世界模型是一個“輔助工具”，相當(dāng)于考前給學(xué)生發(fā)了幾套模擬試卷。

Momenta則是將世界模型直接應(yīng)用于“端到端基座模型預(yù)訓(xùn)練”。它不是給學(xué)生發(fā)模擬卷，而是直接重塑了學(xué)生的大腦認(rèn)知結(jié)構(gòu)。模型從一開始就建立在“懂得物理世界規(guī)律”的基座之上，再通過仿真和強(qiáng)化學(xué)習(xí)進(jìn)行微調(diào)。

這好比兩個學(xué)生準(zhǔn)備物理競賽。一個學(xué)生通過大量刷題來積累經(jīng)驗(yàn)；另一個學(xué)生先系統(tǒng)學(xué)習(xí)了牛頓力學(xué)、熱力學(xué)、電磁學(xué)的全部理論框架，再通過做題來驗(yàn)證和鞏固。前者的上限取決于題庫的覆蓋范圍；后者的上限取決于物理定律本身，而物理定律是普適的、無界的。

Momenta R7選擇的是后一條路。

但這并不是說前一條路就錯了。只是兩者對世界模型的定位完全不同，由此帶來的系統(tǒng)上限和迭代速度也截然不同。Momenta認(rèn)為，這種底層應(yīng)用代差，讓世界模型成為了一個超級“放大器”，使系統(tǒng)的整體產(chǎn)品性能和上限實(shí)現(xiàn)了10到100倍的代際躍升。

當(dāng)然，這個“10到100倍”的實(shí)際效果，將取決于接下來幾年的量產(chǎn)交付數(shù)據(jù)和用戶反饋。但至少在邏輯上，這條路徑是自洽的：用真實(shí)數(shù)據(jù)訓(xùn)練基座，用真實(shí)數(shù)據(jù)校準(zhǔn)仿真，用真實(shí)用戶反饋強(qiáng)化學(xué)習(xí)，每一個環(huán)節(jié)都錨定“真實(shí)”二字。

不僅是技術(shù)，更是兩大“Scaling”的飛輪

一個值得追問的問題是：如果世界模型在技術(shù)邏輯上如此自洽，那為什么是Momenta率先把它做到量產(chǎn)上車，而不是其他公司？

2022年，Momenta完成首個10萬臺量產(chǎn)交付，用了24個月。而到了2026年，這個數(shù)字被壓縮到不到40天。24個月到40天，這中間的跨度，堪稱一種指數(shù)級的進(jìn)化。

這種進(jìn)化的驅(qū)動力，到底是什么？

一個常見的解釋是“技術(shù)突破”。這肯定沒錯。R7世界模型的三層架構(gòu)、端到端基座預(yù)訓(xùn)練、強(qiáng)化學(xué)習(xí)閉環(huán)，這些技術(shù)層面的演進(jìn)，確實(shí)是產(chǎn)品性能躍升的直接原因。

招股書顯示，2025全年，Momenta研發(fā)投入為18.69億元，占其年度收入的77.5%，近三年累計研發(fā)投入達(dá)46.6億元。截至2025年底，公司擁有研發(fā)人員1157名，研發(fā)人員占比近82%，超過三分之二擁有碩士及以上學(xué)歷。

但是，如果我們只看到技術(shù)，就忽略了更底層的兩個變量。

這兩個變量，官方把它們總結(jié)為數(shù)據(jù)Scaling和商業(yè)Scaling。而Momenta真正的壁壘，在于自身同時跑通了這兩個Scaling，并且形成了正反饋。

先說數(shù)據(jù)。

世界模型需要海量真實(shí)物理交互數(shù)據(jù)來預(yù)訓(xùn)練。這個“海量”的下限是多少？行業(yè)內(nèi)沒有統(tǒng)一標(biāo)準(zhǔn)，但一個共識正在形成：單純靠仿真渲染生成的數(shù)據(jù)，無法替代真實(shí)道路上的物理反饋。因?yàn)榉抡媸菍ξ锢硪?guī)律的“近似”，而真實(shí)道路是物理規(guī)律本身的“全集”。一個在近似中訓(xùn)練出的模型，一旦遇到近似之外的邊緣情況，就會暴露出認(rèn)知盲區(qū)。

Momenta的數(shù)據(jù)來源，是它搭載在量產(chǎn)車上的L2++輔助駕駛系統(tǒng)。這些車每天都在真實(shí)道路上行駛，持續(xù)采集各類駕駛場景。截至2026年，Momenta積累了120+億公里的實(shí)車?yán)锍蹋瑥闹刑釤挸隽?億段“黃金數(shù)據(jù)”。所謂“黃金數(shù)據(jù)”，指的是包含特定場景價值的高質(zhì)量片段，比如復(fù)雜路口、惡劣天氣、罕見障礙物、非常規(guī)駕駛行為等。

這個數(shù)字的意義，可以從兩個維度來理解。

橫向看，120億公里是什么概念？地球到太陽的平均距離約為1.5億公里。120億公里相當(dāng)于地球到太陽往返40次。這個體量的真實(shí)道路數(shù)據(jù)，是無法在短時間內(nèi)通過任何方式“突擊”采集的。每一公里都對應(yīng)著一輛真實(shí)量產(chǎn)車的真實(shí)行駛時間。

縱向看，數(shù)據(jù)積累的速度在加快。Momenta 2022年首個10萬臺量產(chǎn)耗時24個月，而今最快不到40天即可完成10萬臺交付。這意味著，Momenta數(shù)據(jù)采集的“管道”正在迅速變粗。交付量越大，回傳的數(shù)據(jù)越多；數(shù)據(jù)越多，模型迭代越快；模型越好，交付量越大。這是一個典型的正反饋循環(huán)。

曹旭東對此有一個判斷：“整個智駕或者整個自動駕駛它有非常強(qiáng)的規(guī)模效應(yīng)和先發(fā)優(yōu)勢，它的效應(yīng)會比芯片行業(yè)更強(qiáng)……自動駕駛，因?yàn)樗擒浖倪呺H成本是零，所以它的規(guī)模效應(yīng)更強(qiáng)，它的規(guī)模效應(yīng)除了成本上的規(guī)模效應(yīng)，還有體驗(yàn)上提升的規(guī)模效應(yīng)。”

如果把這個判斷放到數(shù)據(jù)Scaling的語境里，意思就很清楚了：當(dāng)你的數(shù)據(jù)量是競爭對手的10倍時，你的模型能力可能不是競爭對手的2倍或3倍，而是代際層面的碾壓。因?yàn)閿?shù)據(jù)規(guī)模本身就是一個“門檻型”的競爭要素，它不像算法可以快速復(fù)制，也不像人才可以用高薪挖角。

但數(shù)據(jù)Scaling有一個前提：你得先有足夠多的車在路上跑。而讓車在路上跑的前提，是你得有人愿意買單。

這就是商業(yè)Scaling的意義。

曹旭東提到了一個概念叫“物理AI的門票”：要實(shí)現(xiàn)通用物理AI，而且一定要有大量現(xiàn)金流業(yè)務(wù)。

這句話點(diǎn)出了物理AI領(lǐng)域一個極其現(xiàn)實(shí)的困境。從數(shù)據(jù)采集、清洗、標(biāo)注，到模型訓(xùn)練、驗(yàn)證、部署，世界模型的研發(fā)每一個環(huán)節(jié)都需要巨額的資金投入。沒有現(xiàn)金流業(yè)務(wù)支撐，連“入場”的資格都沒有。

Momenta的現(xiàn)金流業(yè)務(wù)，是它的L2++量產(chǎn)輔助駕駛解決方案。根據(jù)2026年6月CIC灼識咨詢發(fā)布的《自動駕駛行業(yè)藍(lán)皮書》，2025年3月至2026年2月，中國第三方城市NOA供應(yīng)商市場中，Momenta市占率達(dá)65%，位居行業(yè)首位。Momenta的客戶已覆蓋國內(nèi)全部主流乘用車企業(yè)，全球排名前10大車企中已有9家與其開展合作。

招股書顯示，2023年至2025年，Momenta營業(yè)收入從7.43億元增長至24.13億元，三年翻三倍，年均復(fù)合增長率超80%。截至2025年底，公司現(xiàn)金儲備超100億元。

這些數(shù)字背后的商業(yè)含義是，L2++業(yè)務(wù)不僅創(chuàng)造了營收，更重要的是，它驗(yàn)證了Momenta產(chǎn)品的商業(yè)化能力。車企愿意為這套方案付費(fèi)，說明它在成本、性能、交付效率上具備競爭力。而這種競爭力，又會反過來吸引更多車企采用，從而進(jìn)一步擴(kuò)大數(shù)據(jù)采集的規(guī)模。

商業(yè)Scaling和數(shù)據(jù)Scaling之間的互動關(guān)系，可以這樣理解：L2++量產(chǎn)車越多→采集的數(shù)據(jù)越多→模型迭代越快→產(chǎn)品體驗(yàn)越好→更多車企采用L2++方案→量產(chǎn)車更多→數(shù)據(jù)更多。

這是一個雙循環(huán)。商業(yè)Scaling解決的是“誰為研發(fā)買單”的問題，數(shù)據(jù)Scaling解決的是“模型如何進(jìn)化”的問題。兩者缺一不可。

從商業(yè)化角度看，如果聚焦自動駕駛領(lǐng)域，曹旭東判斷：“最終全球3到4家供應(yīng)商會勝出。”

如果這個判斷成立，那么Momenta當(dāng)前所處的階段，就是那3到4家席位競爭中的關(guān)鍵卡位期。它已經(jīng)拿到了入場券：120億公里數(shù)據(jù)、65%的市占率、前10大車企中9家的合作……

“2017年奔馳就投資了我們，但我們跟奔馳的第一個量產(chǎn)項(xiàng)目上市是2025年的后半年，經(jīng)歷了整整8年的時間。2024年才拿到了奔馳所有的電車和油車的業(yè)務(wù)。”曹旭東曾透露。

8年時間，意味著什么？意味著從接觸到合作、從POC到Pre SOP、從Pre SOP到小批量量產(chǎn)、從小批量到全面量產(chǎn)，每一個環(huán)節(jié)都是一道門檻。

一旦跨過這些門檻，客戶不會輕易更換供應(yīng)商，因?yàn)榍袚Q成本極高。而這種“鎖定效應(yīng)”疊加規(guī)模效應(yīng)，會使得領(lǐng)先者的優(yōu)勢持續(xù)放大，后來者追趕的空間持續(xù)收窄。

當(dāng)然，很多投資者早已意識到Momenta的這種稀缺性。Momenta的股東陣容極其豪華，匯聚了全球最核心的產(chǎn)業(yè)和科技戰(zhàn)略投資人，以及全球頂級財務(wù)投資人。

產(chǎn)業(yè)資本囊括了全球汽車產(chǎn)業(yè)鏈的核心玩家，包括：上汽、通用、奔馳、豐田、比亞迪、現(xiàn)代、奇瑞等7家全球頂級車企，以及博世、德賽西威、立訊精密等頭部產(chǎn)業(yè)鏈合作伙伴，和Uber、Grab、Stone Venture等Robo合作伙伴。科技巨頭則包括騰訊、阿里云、螞蟻集團(tuán)、京東等。

財務(wù)投資人更是覆蓋了淡馬錫、IDG、阿曼投資局、亦莊國投、Granite Asia、順為、蔚來資本、凱輝基金、云鋒基金、藍(lán)湖資本、創(chuàng)新工場、真格基金、鼎暉投資、高榕創(chuàng)投、高成資本、眾為資本、愉悅資本、鐘鼎資本、盈峰資本、招銀國際、華泰創(chuàng)新資本、混沌資本、春華資本、大灣區(qū)基金、國新基金、光合創(chuàng)投、九合創(chuàng)投、錦秋基金等全球最頂尖投資機(jī)構(gòu)。

超豪華、多元化的股東陣營，不僅為Momenta提供了戰(zhàn)略和資本支持，還從業(yè)務(wù)協(xié)同、用戶增長和全球化布局等方面助力了Momenta高速增長。

“一個模型打通全場景”的估值邏輯

如果只停留在“技術(shù)如何領(lǐng)先”的層面，就還沒觸及Momenta最核心的價值命題。真正的命題是：這套底層能力，能生長出多大的估值空間？

曹旭東在談及公司L4布局時，提到了Jeff Hawkins的一個核心概念：一個神經(jīng)網(wǎng)絡(luò)、一個大模型，能夠?qū)崿F(xiàn)通用AI的能力。曹旭東將這個理念平移到了自動駕駛領(lǐng)域，即一個自動駕駛的大模型能夠?qū)崿F(xiàn)所有的自動駕駛的垂直應(yīng)用，并且做得更好。

這句話聽起來有些抽象。但曹旭東緊接著說了一句更具體的話：“這件事情我們已在Robotaxi、Robovan和乘用車上成功驗(yàn)證了，并且取得了很好的效果。”

驗(yàn)證了什么？驗(yàn)證了Momenta所說的“一個模型打通全場景”不是一張PPT上的藍(lán)圖，而是一個已在多條業(yè)務(wù)線上跑通的極簡架構(gòu)。乘用車量產(chǎn)、Robotaxi、Robovan這三個看似獨(dú)立的自動駕駛場景，共享同一套底層模型架構(gòu)。而明年，Robotruck也將加入這個序列。

這背后的商業(yè)邏輯，值得拆開來看。

先羅列一下這四塊業(yè)務(wù)的體量。公開數(shù)據(jù)顯示，到2030年，全球Robotaxi市場規(guī)模預(yù)計約818億美元，中國市場約381億美元；Robovan全球市場規(guī)模約850億美元，中國市場約535億美元；Robotruck全球市場規(guī)模約330億美元，中國市場約165億美元。

四塊業(yè)務(wù)對應(yīng)的市場空間，合計超過2000億美元。但Momenta的敘事邏輯，不是“同時分別做四個生意”。如果是那樣，它只是一家業(yè)務(wù)線分散的供應(yīng)商。Momenta的敘事是“用同一個大腦做四個生意”。這個差異，決定了估值的量級。

傳統(tǒng)模式下，做Robotaxi的公司做不了Robovan，做Robovan的做不了乘用車L2++。因?yàn)槊恳粭l業(yè)務(wù)線都需要獨(dú)立的傳感器方案、獨(dú)立的算法團(tuán)隊(duì)、獨(dú)立的數(shù)據(jù)采集體系、獨(dú)立的驗(yàn)證流程。每個垂直場景的“know-how”都深埋在各自的組織和經(jīng)驗(yàn)里，無法簡單復(fù)制。結(jié)果就是，每一個新場景的開拓，都意味著從零到一的重復(fù)投入。

Momenta的做法完全不同。它的乘用車量產(chǎn)系統(tǒng)已在90萬臺量產(chǎn)車上跑著，積累了120+億公里真實(shí)數(shù)據(jù)。

這些數(shù)據(jù)中包含了各種道路場景（城市道路、高速公路、鄉(xiāng)村小路、停車場），這些場景與Robotaxi、Robovan、Robotruck所面對的道路環(huán)境，本質(zhì)上是同一套物理世界。一個理解了城市道路復(fù)雜交通流的世界模型，稍加微調(diào)就能適配物流場景的路線規(guī)劃。一個掌握了高速公路長距離巡航能力的模型，自然能延伸至Robotruck的干線運(yùn)輸。

值得一提的是，當(dāng)一家公司準(zhǔn)備上市時，資本市場會本能地尋找一個對標(biāo)物。所以“XX領(lǐng)域的特斯拉”“中國的某某某”等盡管粗糙，卻是很多科技公司在IPO招股書之外必備的身份標(biāo)簽。

Momenta面臨同樣的情況。它的業(yè)務(wù)橫跨乘用車L2++、Robotaxi、Robovan、Robotruck，技術(shù)底座是“世界模型”，商業(yè)模式是“一個模型打通全場景”。這套敘事宏大而自洽，但問題是，它到底像誰？

最容易想到的對標(biāo)，是Anthropic，二者同樣擁有強(qiáng)大的基座模型，同樣先在一個高價值垂直場景實(shí)現(xiàn)商業(yè)閉環(huán)，再向其他場景泛化擴(kuò)張。

該邏輯指向的終局：曹旭東稱之為“平臺級系統(tǒng)提供商”，而非單一場景的解決方案供應(yīng)商。這個定位的關(guān)鍵不在于當(dāng)前營收的規(guī)模，而在于“一個模型打通全場景”的架構(gòu)所帶來的持續(xù)邊際成本遞減和跨場景協(xié)同效應(yīng)。

Momenta的“一個模型打通全場景”，在自動駕駛領(lǐng)域復(fù)制了同樣的平臺效應(yīng)。乘用車量產(chǎn)的數(shù)據(jù)和經(jīng)驗(yàn)，可以直接幫助Robotaxi優(yōu)化城市復(fù)雜路口的決策；Robotaxi在L4級無人駕駛中積累的長尾場景處理能力，可以反哺乘用車L2++的安全冗余；Robovan和Robotruck在物流場景中的路徑規(guī)劃經(jīng)驗(yàn)，又可以提升乘用車在高速場景的續(xù)航效率。

這形成了一個跨場景的正反饋循環(huán)。場景越多，大模型見過的“物理世界”就越豐富；大模型越強(qiáng)大，每個場景的落地成本就越低、效果就越好。

這種邊際成本的驟降效應(yīng)，是Momenta估值邏輯中一個容易被忽視但至關(guān)重要的支點(diǎn)。華爾街對平臺型公司的估值溢價，從來不來自當(dāng)前營收的簡單乘數(shù)，而來自新增業(yè)務(wù)線時那一根幾乎水平的邊際成本曲線。

總之，Momenta的估值邏輯，既不能用傳統(tǒng)的汽車零部件供應(yīng)商來套，也不能簡單地用AI軟件公司來估。它更像一個正在被建造的物理AI平臺，底層是理解物理世界的世界模型，中間是跨場景復(fù)用的All-in-One架構(gòu)，上層是正在逐步打開的一個個垂直應(yīng)用場景。平臺的每一層，都在為下一層的擴(kuò)展降低邊際成本。

至于這個平臺的終局價值，那取決于它最終能覆蓋多少個“需要與物理世界交互”的場景。乘用車、Robotaxi、Robovan、Robotruck是已被確認(rèn)的前四個。

至于機(jī)器人，曹旭東判斷“還需要一段時間”。不過，機(jī)器人與汽車的底層邏輯是相通的。畢竟，一個掌握了物理世界普遍規(guī)律的模型，理論上可以泛化到任何需要與物理世界交互的載體上。

凱輝基金創(chuàng)始人及董事長蔡明潑表示，作為堅定的長期主義者，凱輝很榮幸能夠在自動駕駛最跌宕起伏的十年里，持續(xù)陪伴Momenta一路成長。我們見證了團(tuán)隊(duì)用極強(qiáng)的戰(zhàn)略定力和極致的研發(fā)能力，逐步將“世界模型”打磨成物理AI商業(yè)護(hù)城河。自動駕駛是構(gòu)建未來智能社會的關(guān)鍵路徑，我們期待Momenta繼續(xù)依托其技術(shù)積累、量產(chǎn)能力與全球生態(tài)，在AI技術(shù)出海浪潮中以“中國方案”推動全球物理AI產(chǎn)業(yè)的進(jìn)步。

（作者 馮科翰）