港股物理 AI 第一股，来了！
没想到如此之快，也没想到这"物理 AI 第一股"，不是出尽风头的具身智能创业公司，而是——
Momenta。
之前以自动驾驶知名：智能辅助驾驶市占率 No.1、跨国巨头车企共同的选择、技术商业上有资格和华为"五五开"……
现在，Momenta 在 IPO 进程中曝光了更大的雄心——物理 AI。
世界模型，尚未收敛的技术战争
在关注 Momenta IPO 之前，有必要先厘清一个更大的背景：世界模型（World Model）， 现阶段被公认为物理 AI 核心基座模型。
但它也是 2025 年以来 AI 领域最热也最混乱的概念。
OpenAI Sora 出来的时候被称作"世界模拟器"；Google DeepMind Genie 让你在生成的画面里走来走去，也叫世界模型；机器人公司在做世界模型；NVIDIA 说 Omniverse 是世界模型的基础设施。
都在用同一个词，但各自说的可能不是同一件事。
这就使得世界模型的主流技术路线出现四类：
生成式视频路线：以 OpenAI Sora、视频生成公司为代表，追求"像素级逼真"；
交互式世界路线：以 Google DeepMind Genie 为代表，能根据用户操作实时生成可交互环境；
空间智能路线：以李飞飞（World Labs）为代表，把世界模型视为可生成、可互动的 3D 表示；
联合嵌入预测（JEPA）路线，Yann LeCun 主张在抽象表示层预测世界下一步，作为智能体规划的基础，避免在像素层面"浪费算力"。
四类路线，目标都是"理解物理世界"，但路径截然不同。有的追求画面好看，有的追求规则正确，有的追求三维结构，有的追求抽象预测。
前几天，李飞飞还发表长文，用"杯子放在桌上"解释世界模型本质：真正理解世界的模型，应该能从任何角度渲染它，模拟它被推倒后的全部物理过程，也能规划一只手把它拿起来。三种能力共享同一套底层理解——也就是最关键的模拟器。
LeCun 则走得更远，对整个大语言模型范式进行了否定：本质上是统计学的模式匹配器，它只是在预测下一个单词，并不真正理解物理世界。
这个区别，可能是 AI 能否真正理解世界，还是"假装模仿"世界的核心判断标准。
LeCun 离开 Meta 后自己的 AI 创业公司 AMI Labs，初期只有 12 名员工的时候，就拿到了比很多科技独角兽整个生命周期还多的钱。
当然也包括李飞飞的 World Labs。
至少资本在用真金白银表态：世界模型这条路线，值得重注。
但无论走哪条路，自动驾驶实际上都是世界模型最早的"试金石"和落地案例。
世界模型的核心功能，是基于行动者提出的想象动作序列，预测未来可能的世界状态。
这个定义放在自动驾驶场景中几乎天然契合——车辆每时每刻都在做"动作→预测世界状态→再动作"的循环。
所以物理 AI 的" GPT 时刻"降临前夜，世界模型作为物理 AI 的核心基座模型，被认为是激发这一时刻的关键突破口。
Momenta 的物理 AI 答案
杠杆股票配资开户两个月前，Momenta 的世界模型，也交卷了：
R7 世界模型实现量产，首发搭载的是上汽大众 ID. ERA 9X。
对于用户端来说，买到的量产车上搭载的 R7（车端经蒸馏后的模型）一出生就不是一张白纸，而是一个已经在极多困难场景里历练过的"老司机"。
依托搭载其系统的量产车，积累了超过 120 亿公里的真实行驶里程，并从中提炼出超 1 亿段"黄金数据"。
元股证券:ygzq.hk这是数据的 Scaling。
"天生下限高"——起步就站在别人摸爬滚打好几年才能达到的位置上。
世界模型同时代表"突破上限"——现实中可能数年、数万公里才碰到一次的险情，在 R7 训练里，可以反复训练，甚至可以举一反三，改变边界条件进行"加练"。
高上限意味着它遇到真正的"地狱场景"时，不会手忙脚乱，能够比人类司机更合理、更平稳通过复杂路段。
据 CIC 灼识咨询数据，2025 年 3 月至 2026 年 2 月，中国第三方城市 NOA 供应商市场中，搭载 Momenta 系统的量产车销量市占率达 65%，行业居首。
增速更值得重视：现今最快不到 40 天即可完成 10 万台交付。
同样，从 R7 量产开始，MomentaCEO曹旭东将公司定位为"物理 AI 基座模型的构建者"——打造能理解物理规律、推演世界演变的通用世界模型。
技术上，Momenta 给出了这样的逻辑：
R7 世界模型的技术架构分为三个层次，第一层是世界模型预训练。通过海量真实驾驶数据，将物理规律、常识与因果关系压缩进模型，形成基础认知。
第二层是世界模型仿真。系统利用生成模型推演周围环境的演变，对极端罕见的长尾场景进行闭环测试。
第三层是在模型中开展强化学习。系统通过奖惩机制反复试错，在数千万次虚拟交互中推演。
三层迭代，系统从"模仿学习"走向"想象与探索"，在虚拟世界中经历千万次推演，自主习得在复杂博弈中做出最优决策的能力，让模型在罕见极端场景下的表现超越人类的水平。
这其中R7 超越自动驾驶之处在于，既不是单纯的"车端实时模型"，也不仅仅是传统意义上的"基座大模型"。
它被普遍认为是物理 AI 时代的基座模型，不只包含语言，而是多模态的，为 AI 走出屏幕，认知真实物理世界提供基础。
只不过现阶段能让物理 AI 的数据 Scaling 和商业 Scaling 形成正向反馈的，最高价值场景就是自动驾驶。
这也意味着，包括 Momenta 在内，任何有实力构建量产渠道 + 基座世界模型数据闭环玩家，无论是自动驾驶业务起步，还是具身智能，其实都已经超越了原来的定位。
对应的，这样的玩家在资本市场价值、用户群体认知，以及广义 AI 赛道"生态位"的评估，也有必要做相应的调整。
物理 AI 浪潮，Momenta 率先冲刺 IPO
物理 AI 这一局，Momenta 是第一个打出明牌的。
招股书显示，2023 年至 2025 年，营收从 7.43 亿元增长至 24.13 亿元，三年翻三倍，年均复合增长率超 80%。
核心是收入结构上的变化，技术开发收入增长至 14.45 亿元，而许可收入从 0.23 亿元激增至 9.68 亿元，三年翻 42 倍。
这里的许可收入，是 Momenta 授权车企使用其物理 AI 系统的收费模式，具有高边际收益属性，车卖得越多、装的车越多，收入就越多。
这就是 AI 司机的 License fee，被认为是自动驾驶创业公司最理想的营收模式，也是 L4 玩家追求 10 多年仍未完全实现的目标。
所以 Momenta 在 IPO 节点真实状态，是商业模式正在从项目制向规模化许可收入转型——
自动驾驶赛道，Momenta 是第一个用经营数据、技术体系证明商业逻辑成立的玩家。
而回溯历史，还会发现 Momenta 身上更罕见的一点：
走到 IPO 这一步，几乎没有任何"伤筋动骨"的战略调整、转轨、挣扎。
技术范式有更新，但永远在一个框架下："一个飞轮，两条腿" ——从创业第一天就不断向资本、客户、用户解释强调。
飞轮是数据驱动的核心机制，两条腿分别是 L2 级别的量产辅助驾驶和 L4 级别的完全自动驾驶。
关键是，这两条腿共用同一套软件算法架构、同一套传感器方案、同一个世界模型。
实际落地上，超 90 万台规模的 L2 量产车提供了海量的真实行驶数据和商业收入，支撑世界模型的持续迭代。
迭代后的模型再部署到 L4 Robotaxi 上，实现更高阶的自动驾驶能力，目前已落地中国上海、苏州、德国慕尼黑、阿联酋阿布扎比等城市。
一、关注航班信息，及时购票。当前正值航线逐步恢复的关键时期，航空运力总体有限。请旅客朋友们综合考虑自身情况，合理规划行程，尽快通过各大航空公司官方网站、客服热线和正规购票平台等渠道密切关注航班动态和票务信息，及时购买可用机票，以免影响工作学习和家庭生活。
Robotaxi 在运营中遇到的极端场景，又反哺回模型训练。
All-in-one platform，复用量产车基础模型和大部分软硬件方案的策略，其规模化速度理论上会远快于从头开始搭建专用车队的路径。
所以从物理 AI 的角度来看，这样的技术体系、经营业绩让 Momenta 成为新赛道上起步条件最好、前景最确定、负担最小的选手。
先在一个已经被验证有商业价值、有海量数据的垂直场景里，把世界模型的能力打磨到极致，再寻求能力的横向迁移。
而在物理 AI 领域，还没有任何其他场景能提供像自动驾驶这样大规模的真实世界交互数据。
无论是量产车上有监督方案，还是 Robotaxi 完全无人驾驶。
当然，这其中存在巨大的不确定性。
自动驾驶技术体系能否以低成本迁移到机器人等其他物理 AI 终端上，目前没有共识和成熟方法论。
甚至，"预测下一个物理状态"与"预测下一个 token "在本质上是否是同一类问题，学术圈仍在争论。
但现阶段，Momenta 迈出了第一步，而且持续高强度对物理 AI 基座模型投入。
从 Momenta 开始，后续冲击物理 AI 概念 IPO 的玩家有了新的价值评估体系：
对自动驾驶公司，要回答有没有多模态基座模型的问题。
对直奔"物理 AI 终极大脑"的创业公司，则逃不过"落地渠道、数据闭环"的拷问。
这是 Momenta 超越"自动驾驶公司 IPO "之处：
可能被质疑、被模仿、甚至某一天 Momenta 自己也可能会迭代更新的"答案"，但没人能够忽略 Momenta 向物理 AI 探索迈出的第一步。
也没人能够假装 Momenta 对物理 AI 技术本质的思考和实践不存在。
* 本文系量子位获授权刊载，观点仅为原作者所有。
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
� � 点亮星标 � �
科技前沿进展每日见外汇股票配资导航
多空杠杆网提示：本文来自互联网，不代表本网站观点。