炒股配资公司谁拿到了物理 AI 的门票？

炒股配资公司

今天，随着香港交易所的钟声响起，定位“物理 AI第一股” 的Momenta正式挂牌，开盘价为301港元/股，股价开盘涨超6%，总市值突破700亿港元。

从几个关键数据可以看出 Momenta 受欢迎的程度：根据Momenta此前公布的配售结果，上市定价为295.6港元/股，假设超额配股权得到全额行使，此次全球发售约2,293万股，募集资金总额约68亿港元。

从表现来看，Momenta 公开发售部分获得414倍超额认购；国际发售部分获得超过1,000亿港元的机构订单，覆盖了来自15个国家和地区的主权基金与长线基金，在剔除基石投资者和不计算超额配股权的前提下，总计认购超额达到约44倍。

长久以来，市场对 Momenta 的印象都局限在智驾的叙事中，而就在上市前一天，Momenta宣布，其量产业务搭载规模已突破100万台。这家在第三方城市 NOA 供应商市场中长期以 65% 的市占率高居首位的智能驾驶技术供应商，服务范围包含了市面上几乎所有品牌，其中不乏奔驰、宝马、奥迪、通用、福特、丰田、本田、日产、大众、现代等全球车企。

所以，当 Momenta 以“物理 AI 第一股”上市时，很多人都还未扭转印象，为何 Momenta要以这样的定位开启自己的新阶段？物理 AI又是什么？为何在英伟达、特斯拉、OpenAI等产业巨头，刚刚启动物理 AI 作为全新技术物种的量产落地之时，一众全球顶级的长线基石投资者全力押注了这家正以全新面貌示人、即将与传统 AI 巨头开启新阶段竞赛的公司？

自动驾驶，物理 AI 诞生的唯一门票

如果复盘过去十年 AI 的演进路线，你会发现一条隐形的主线：几乎所有主流技术，都在做同一件事——模仿人类。

无论是写文章的 ChatGPT，还是马路上的端到端智驾系统，它们的底层逻辑在技术上被称为自回归的行为克隆。大语言模型是在模仿人类的说话概率，它通过统计人类在互联网上留下的文本，去猜测人类下一个词会说什么；而像特斯拉 FSD 这样的自动驾驶模型则是在模仿人类的肌肉记忆，它通过观看几千万个司机的驾驶样本，去克隆人类在某个画面下的踩油门和打方向盘动作。

这种机械做题的死记硬背范式，带来了两个致命的天花板：第一，人类的行为上限成了 AI 的能力终点，它永远无法超越人类；第二，现实世界的场景是无限排列组合的，AI遇到没刷过的超纲题就会产生幻觉。

物理 AI则要彻底告别这种影子游戏，它让 AI 有了理解世界的能力。

传统大模型的算法核心是预测下一个词，它的收敛方向是无限逼近人类的行为概率；而物理 AI 的核心世界模型（World Model），其底层算法是预测下一帧物理演变。不断地对看到的画面进行降维压缩，基于物理规则因果推演，形成对接下来可能发生事情的预判，最终得出符合逻辑推论的下一刻决断。

而要训练物理 AI，必须要先搞好自动驾驶。

要理解物理 AI 为什么率先在自动驾驶落地，而不是备受瞩目的具身智能或多模态视频大模型，必须先明白用于训练物理AI 的真实物理世界究竟从何处来。

当下，不论是硅谷还是国内大厂，都在试图通过两种路径切入物理 AI：一种是给多模态大模型看海量的人类生活、驾驶高清视频；另一种是在特定的实验室环境里，教人形机器人一遍遍地叠衣服、捡塑料瓶。

然而，这两种路径在工程落地和商业量产上各自面临着难以跨越的系统性瓶颈。

大语言模型（LLM）之所以先爆发，是因为互联网上百年积累的文本语库极易获取，且检验成本极低。但这种数字 AI无论多聪明，它也只掌握了语言规律和知识常识。当行业试图用多模态视频大模型去脑补物理世界时，AI 展现出的只是像素层面的自回归模仿——它通过统计概率猜测屏幕上的像素下一帧该往哪里移动。

但它缺失了背后硬件载体需要对抗的真实重力、运动惯性、阻力以及路面摩擦系数的微秒级变化。缺乏高频物理反馈的交互数据，在纯粹的虚拟视频或低速、静态的实验室场景里浓度过低，极易让 AI产生幻觉。

而另一端，一台先进的人形机器人硬件成本动辄数十万乃至百万人民币，且由于在 B 端和 C 端尚未形成能够大规模跑通的商业闭环，全球现货保有量和运行工时极其有限。它无法实现商业的规模化闭环，无法赚取持续的现金流来支撑高昂的研发；一旦缺乏每天大范围运行的硬件载体，就难以采集到支撑模型进化所需的数据规模。

双重卡壳之下，具身智能就很难率先成为物理 AI 的爆破点。相反，自动驾驶是目前整个实体AI产业中，少数同时跑通了数据+商业闭环的领域。

在工程学上，从早期基于规则（Rule-based）向如今数据驱动（即端到端）的跨越中，量产车的每一次驾驶，都可以进行全自动的自监督因果标注和学习。

传统标注是人工在屏幕前画出死板的方框，只是教会 AI 静态的符号定义；而智能驾驶的数据，是真实物理规律在毫米级时间戳上的投射记录。无论是人类驾驶还是智能驾驶，当汽车在路上为了避让障碍物而踩下制动、打方向盘时，车辆的底盘传感器、IMU（惯性测量单元）和执行器，就已经将当时的惯性加速度、路面阻力及周围轨迹记录下来。

这种高精度的自监督数据清洗成本极低，是物理 AI 训练的极好素材，能让 AI 在预训练阶段直接跨越辨识物体的低级阶段，更高效地去攻克极端场景的覆盖。

通用物理 AI 是一场比大语言模型更为残酷的消耗战，需要百亿甚至千亿美元级别的研发投入。要实现通用物理 AI，企业必须拥有自我造血的现金流业务作为支撑。因此，未来的物理 AI 巨头，很难诞生在纯粹的软件大模型公司，也无法诞生在尚在实验室里徘徊的机器人初创公司里，它更大概率诞生在手握规模化量产车、跑通了双重 Scaling 闭环的智能驾驶公司手里。

自动驾驶不仅是物理 AI 的一个典型应用场景，更是它商业化落地的必然起点。

更全面的数据，造就更懂世界的物理 AI

在物理 AI的竞赛中，Momenta 的底牌在于其广阔的基本盘：招股书及行业数据显示，目前搭载 Momenta 系统的量产车辆规模已超过 100万台，且在第三方城市 NOA 供应商市场中以 65% 的市占率高居行业之首。这 100万辆量产车在复杂的城市路况下，基于 120+ 亿公里实车里程，提炼出了 1 亿段具有强对抗属性的“黄金交互数据”，为物理 AI 的诞生备下了丰富的素材库。

传统的端到端智驾就像融合人类的肌肉记忆，看到红灯就踩刹车，知其然不知其所以然。而Momenta最新量产首发的 Momenta R7 世界模型，R7 则通过一套严密的三层世界模型，让 AI 真正学会了像人类一样理解、归纳、推理、下结论：

第一步，给 AI 注入物理常识（世界模型预训练）：通过将现实世界里的惯性、动量和速度规律等物理常识与因果关系，完整压缩进基座模型中。这就好比让 AI 先学习物理课，在数据进入前，形成对物理世界的基础认知。

第二步，给 AI 打造虚拟演练场（世界模型仿真）：R7 能够用生成模型推演周围环境，就像科幻电影里的全息投影战场， AI能够真实的测试如果自己猛打方向盘，周围的车会怎么反应。由于这个虚拟世界是基于真实数据学出来的，能通过实车和仿真的一致性来做对齐和校准，大幅减少幻觉比例，其极端长尾场景的演练效率比传统实车路测提升了上万倍。

第三步，给 AI 请一位严厉的教练（在世界模型中进行强化学习）：有了常识和演练场，物理AI 同样需要通过成百上千次的试错来掌握分寸。依托 100 万辆量产车积累的用户真实反馈与长尾场景数据，算法在后台设置严格的奖惩机制，通过反复探索与试错，最终要实现的不是开起来像老司机，而是真实的训练出一个拥有老司机视野、思考模式、驾驶能力的模型，并无缝应用到千百万未来车型中。

物理 AI 时代，世界模型正成为通用的新一代智能化基座，它不仅属于汽车。掌握了这套底层物理因果律之后，R7 就像拥有了一个通用的物理世界大脑。

未来，无论是需要走街串巷的无人配送车、物流机器人、无人机，甚至更为广阔的，任何需要与物理空间深度交互的智能设备，都可以直接接入这套架构，让它们获得看懂世界，完成安全穿越空间母题的逻辑思考。

AI临近换代点，但没有终局

AI产业实际上已经临近了一个代际转换的临界点。然而，对于真正掌握了物理规律的企业而言，这场升维之战并没有所谓的终局。

物理 AI 的本质，是理解人类和物体如何安全、高效地应用物理空间。只要通过世界模型看透了空间的因果律（比如重力惯性、动量守恒、车辆与行人的因果博弈），其底层的算法载体究竟是四个轮子、两条腿，还是多轴机械臂，在逻辑上并没有本质区别。这种范式更新，让 AI从效仿人类行为转向学习人类思考，也是具身智能真正实现的关键，随着底层技术的成熟，物理 AI正以一种全新的底层逻辑，复刻当年GPT大模型的爆发路径。

这种对底层物理规律的掌握，同样赋予了模型极强的跨场景泛化能力。在这场全域渗透的商业博弈中，Momenta 祭出的核心武器是 All-in-One Platform架构。

在传统的智驾研发中，乘用车量产、无人出租车（Robotaxi）、无人配送（Robovan）与无人卡车（Robotruck）往往处于各自独立开发、数据高墙林立的孤立状态，每开辟一条新业务线都意味着高昂的重构成本。而 Momenta 则是用同一套底层系统架构，不仅能同时满足不同类型车型的智能化需求，未来甚至能通用到人类的所有交通工具与移动终端。这种跨场景的底层复用，让多业务线并行的研发边际成本趋近于零。

根据预计，到2030年，全球及中国Robotaxi市场规模将分别增长至约818亿美元和381亿美元，中国Robotaxi渗透率预计将达到11.9%，高于全球5.7%的渗透率；Robovan全球及中国市场规模将分别达到约850亿美元和535亿美元，市场渗透率将达6.9%和14.0%；Robotruck全球及中国市场规模将分别达到约330亿美元和165亿美元，市场渗透率将达0.6%和1.2%。

凭借同一套底层系统架构，Momenta 正在从一家 B 端供应商，演变为物理 AI 时代的平台级系统提供商。由于业务边界可以随模型能力呈指数级拓展，先发优势将被持续放大，也正因如此，顺着 All-in-One 的泛化逻辑向未来眺望，具身智能更像是紧随自动驾驶之后、第二个实现规模化落地的物理 AI 蓝海。