自动驾驶的“贫矿”逻辑：数据不是答案，体系才是

在自动驾驶的赛道上，数据常被视作决胜关键。但 Momenta CEO 曹旭东却提出了一个颠覆性观点：“做好自动驾驶，海量数据的作用只占10%。” 这句话背后，是对行业本质的深刻洞察——原始数据只是起点，真正的壁垒在于将“贫矿”炼成“钢铁”的体系能力。

数据是铁矿石，体系才是炼钢炉

曹旭东用了一个形象的比喻：数据如同含矿量极低的铁矿石，堆得再多，若没有高效的提炼体系，也无法炼出高强度钢材。在自动驾驶领域，80万台量产车每天都在产生海量真实路况数据，但这些原始信息本身并不直接等于智能。真正决定技术高度的是：如何从“大海捞针”般筛选出关键场景？如何将数据转化为模型可学习的“富矿”？又如何通过持续迭代形成正向飞轮？

这正是 Momenta 所构建的数据飞轮体系的核心。他们不仅收集数据，更通过预训练与后训练双阶段机制，让模型从“有常识”进化到“会开车”。预训练阶段，世界模型从海量量产车数据中学习物理规律；后训练阶段，则通过行为对齐（Post-Training），剔除不良驾驶行为，强化“好司机”模式。这一过程，正是将“贫矿”炼成“发动机”的关键。

从常识到行为：自动驾驶的“对齐”难题

拥有物理常识，并不等于能成为合格司机。就像大语言模型知道“红灯停”，但未必理解“黄灯减速观察”的复杂判断。自动驾驶同样面临“对齐”挑战：模型需在极端场景下做出符合人类安全逻辑的决策。

Momenta 的解决方案是双轨并进：一方面，利用量产车持续获取长尾场景（如三只小狗排队过高速）；另一方面，通过后训练机制，将模型行为与人类优秀驾驶经验对齐。这种“常识+行为”的双重训练，使得系统不仅能识别风险，更能以安全、舒适的方式应对。

收敛时代：玩家减少，门槛升高

曹旭东判断，智驾产业不会长期“百花齐放”，而将快速收敛。国内最终可能仅剩2-3家，全球范围也不过3-4家。这一趋势的背后，是技术、资本与商业闭环的三重压力。

实现规模化L4自动驾驶，预计需要百亿美元级投入；而迈向通用机器人，则可能需千亿美金。如此高昂的成本，意味着企业不能仅靠融资生存，必须具备自我造血能力。而 Momenta 选择的道路是：以量产智驾业务为现金流来源，反哺高阶自动驾驶研发。这种“商业闭环+数据闭环”的双轮驱动，正是物理AI公司通往未来的门票。

架构之上：体系与组织的终极壁垒

当被问及技术差异时，曹旭东坦言：单点算法创新容易被模仿，真正难以复制的，是背后的架构能力与组织体系。“淮南为橘，淮北为枳”，同样的算法在不同组织中可能产生截然不同的效果。

Momenta 的优势，正在于其系统化的工程能力——从数据采集、清洗、标注，到模型训练、仿真验证、OTA 迭代，形成完整闭环。这种体系化能力，使得技术积累可复用、可加速，从而在竞争中建立长期壁垒。

自动驾驶，是物理AI的序章。而翻过这一页的代价，不仅是金钱，更是对体系、组织与战略的极致考验。当行业进入收敛期，唯有真正构建起“数据—能力—商业”飞轮的企业，才能驶向下一个时代。

标签： 自动驾驶 Momenta 物理AI 数据飞轮 智能驾驶