导读
这不是一篇只谈 IPO 或机器人想象的访谈。更值得追踪的是 Momenta 十年间形成的一套递进关系：先用量产产品获得真实世界数据，再让数据推动模型进步；当智驾能力和业务现金流足够成熟后，把能力溢出到完全无人驾驶，最后才进入更开放的机器人场景。它既是技术路线，也是一种资源约束下的公司战略。
阅读主线
- 为什么曹旭东认为量产智驾的竞争格局正在收敛，但汽车品牌不会因此只剩少数几家；
- Momenta 的“一个飞轮、两条腿”具体如何把数据、量产产品和无人驾驶连接起来；
- 一家智驾供应商怎样从量产业务依次进入 Robo 与机器人，而不同时铺开三条烧钱战线；
- 为什么汽车量产数据不只是商业结果，也是训练物理世界模型的基础设施；
- 一个研究型团队如何被第一个客户改造成商业组织，以及曹旭东怎样获得一线信息并校准判断。
智驾进入收敛期，收敛的究竟是什么
本节要点：曹旭东所说的收敛是供应商的数据、量产和交付规模形成自强化优势，不是算法停止进步或汽车品牌只剩少数；份额数据仍属于公司口径。
节目开头，曹旭东给出了一个很强的判断：量产智能驾驶的主要供应格局正在形成，后来者改变格局的窗口越来越小。他援引公司口径称，第三方城区 NOA 第一梯队厂商合计已占约九成，Momenta 自身超过 65%。这些数字来自嘉宾自述，不能视为独立市场研究结论；但它们解释了他所说的“竞争接近结束”究竟指什么。
这并不是说智驾算法不再进步，也不是说汽车市场只会剩下几家公司。收敛的是供应侧的规模优势：进入量产车型越多，接触的道路、天气、驾驶行为和长尾情形越多；数据越多，模型改善越快；模型改善又会帮助供应商争取更多车型和客户。这个循环一旦运转，后来者面对的不只是一个更好的模型，而是一套已经形成自我强化的数据与交付系统。
从 nice to have 到 must have
曹旭东观察到，车企对智驾的决策层级发生了变化。过去，智驾可能是车型上的可选卖点，主要由智驾部门负责人推动；现在，它越来越成为董事长、总裁需要直接判断的产品能力。原因并不神秘：消费者开始把智驾作为购车比较项，产品缺失会直接影响车型竞争力。
这也改变了供应商的经济位置。传统供应商往往被视为采购成本，车企持续要求降价；但智驾系统可以作为选装或高配能力提高售价，理论上能够给客户带来新增毛利。曹旭东因此强调，Momenta 希望证明自己不是单纯的成本项，而是在帮助车企创造新的产品价值。能否持续做到这一点，决定供应商和车企的关系会停留在采购，还是升级为长期产品合作。
供应商变少，不等于汽车品牌变少
智驾算法有明显规模效应，但汽车仍是综合产品。造型、空间、底盘、内饰、品牌、渠道和价格带都能构成差异。即使若干车企使用相同或相近的智驾底座，也不代表它们会变成同一种车。
因此，节目里需要区分两个问题：第一，底层智驾能力是否会集中到少数平台；第二，汽车品牌是否会因此高度集中。曹旭东倾向于肯定前者，却没有把它直接推导成后者。车企是否自研，也不应被简化为“有能力”或“没能力”：关键是自研能否在数据、人才和长期投入上形成规模回报，以及外部方案是否能提供更高的新增价值。
“一个飞轮、两条腿”不是口号，而是业务顺序
本节要点：量产车辆提供真实问题，数据筛选推动模型更新，再回到更多车辆；量产与完全无人驾驶必须按顺序形成闭环，数据规模本身不等于有效。
Momenta 创业早期就提出“一个飞轮、两条腿”。飞轮是数据驱动；第一条腿是量产自动驾驶，第二条腿是完全无人驾驶。十年后，这个框架仍是理解公司路线最简洁的入口。
飞轮：把量产车变成数据基础设施
曹旭东早期判断，自动驾驶需要的有效数据可能达到十亿公里量级。仅靠公司自有测试车队，不可能以合理成本和速度覆盖这个规模。于是 Momenta 没有只复制依靠专用车队积累数据的路径，而是选择把系统装进量产车：真实用户每天使用产品，系统接触持续变化的道路环境，再把有价值的片段反馈给训练和验证流程。
这个飞轮至少包含四个环节：产品进入量产车；车辆遇到真实世界问题；系统筛选出有训练价值的数据；模型更新后再回到更多车辆。数据不是“越多越好”的抽象数字，真正重要的是能否捕捉模型不会处理、容易犯错或此前没有覆盖的情形。如果只有规模，没有从问题到训练再到产品的闭环，数据并不会自动变成能力。
两条腿：量产与完全无人驾驶相互供养
量产业务提供数据、客户和收入，完全无人驾驶业务则把系统推到更高的安全与自主性要求。两条腿不是两家独立公司的拼接：量产积累的模型、基础设施和真实场景可以支持 Robo 业务，Robo 的高要求又能反过来推动能力上限。
曹旭东谈到的 Robo 不只包括 RoboTaxi，也包括 RoboVan 和 RoboTruck。不同场景的约束并不一样：出租车面对开放城市环境和乘客体验，厢式物流车强调固定业务闭环，干线货运还要同时处理技术、政策、运营和商业网络。节目中的判断是，干线物流可能反而是更晚落地的场景之一。这是一种路线判断，并非确定的行业时间表。
从量产到 Robo，再到机器人
本节要点：Momenta 先让量产业务和 Robo 建立能力与现金流，再进入机器人，避免有限资源在多条长期研发线上反复挪动；下一阶段依赖前一阶段真实成立。
Momenta 现在把下一段增长指向机器人，但曹旭东反复强调进入顺序：先做好量产，再把能力溢出到 Robo；只有前两步形成足够积累后，才扩大到机器人。这样做是为了避免“三个缸、两个盖子”——业务同时过多，管理者只能不断挪动有限资源，结果每条线都缺乏持续投入。
为什么不一开始同时做三件事
汽车量产、无人驾驶和通用机器人都需要长期研发。如果三条线同时靠融资供养，公司会持续面对资金和组织压力。曹旭东希望机器人研发最终由汽车业务产生的毛利润支持，而不是每开启一个新方向就重新依靠外部融资。这使“上一阶段是否真的成立”成为进入下一阶段的前置条件。
上市在这个框架中也不只是融资动作。智驾系统进入汽车后，会直接影响驾驶与安全，车企和消费者都需要判断供应商是否可靠、是否能够长期存在。曹旭东认为，资本市场身份能增强品牌可见度与信任，但节目没有把上市等同于技术能力，也没有讨论公开市场对长期研发可能带来的短期业绩压力。
能复用什么，不能复用什么
从汽车到机器人，可以复用的首先是训练基础设施、数据基础设施、世界模型经验和人才。二者都要处理物理世界中的视觉输入、动作输出、时序变化和不确定性。曹旭东还提到 one model 的经验：让一套模型覆盖尽可能多的场景，而不是为每个客户、城市或任务维护一套互不相干的系统。
但“可复用”不等于汽车模型原封不动地装进机器人。汽车主要在道路上移动，动作空间相对受约束；机器人要接触、抓取、搬运和操作物体，本体形态也可能差异巨大。新的硬件接口、数据类型、安全问题和任务定义仍需重新解决。嘉宾对复用度的估计很高，应理解为战略判断，而不是已经完成的技术验证。
自己设计本体，不必自己制造全部零件
Momenta 计划参与机器人本体设计，因为模型和硬件需要共同定义：关节、传感器、算力和动作接口都会影响模型能够学什么。但曹旭东并不认为公司需要垂直制造所有部件。中国已有成熟的机器人供应链，如果合作伙伴能把一个环节做好，重复建设不一定创造新增价值。
他给出的判断标准是：公司进入一个新环节，是否能为行业增加原来不存在的价值。如果伙伴已经做得好，就优先合作；如果现有本体无法支持模型和任务，才需要向硬件更深处延伸。这比“软件公司”或“硬件公司”的标签更实用。
为什么物理大脑必须在端侧
本节要点：物理控制需要毫秒级连续闭环，端侧承担实时观察、预测和动作，云端更适合训练与非实时更新；汽车能力能否跨本体迁移仍需产品证明。
节目把大模型粗略分成“语言大脑”和“物理大脑”。语言交互可以容忍一定延迟，部分推理也可以在云端完成；物理控制却必须在毫秒级持续响应，网络中断或延迟抖动可能直接造成动作失败甚至安全风险。因此，曹旭东认为物理大脑需要部署在端侧，云端可以用于训练、知识更新或非实时推理，却不能替代实时控制闭环。
这也是智驾与机器人的共同点：系统不是回答一次问题就结束，而是持续观察环境、预测变化、执行动作，再根据新状态修正。世界模型在这里不是生成一段逼真视频，而是对“采取某个动作后世界会怎样变化”形成可用于决策的内部表示。
节目提到 R7 和世界模型时，重点并非某个单一版本名，而是能力能否跨业务迁移：同一套物理世界理解，先在汽车场景中经受大量真实数据检验，再扩展到无人驾驶运营和机器人任务。能否真正跨本体、跨任务复用，仍需后续产品表现来证明。
从物理、图像检测到自动驾驶
本节要点：曹旭东的问题驱动学习和对异常实验结果的重视，使他从感知走向需要持续决策的自动驾驶；异常不是噪声，也可能暴露认知缺口。
曹旭东早期学习物理，后来进入铁路图像检测和计算机视觉。他把自己的学习方式概括为问题驱动：不是先把一个学科完整学完，再寻找应用，而是先找到重要问题，再补齐解决它所需要的知识。
在商汤时期，孙剑对他影响很大。曹旭东记住的不是“聪明”本身，而是聪明人仍然需要下苦功。他还特别重视实验中不符合预期的现象：如果结果和理论推断冲突，不应先把它当作噪声删掉，因为异常可能暴露了模型、数据或认知中的根本缺口。
这段经历也解释了他为什么从感知走向自动驾驶。识别图像中的对象属于感知问题，但车辆还要理解关系、预测其他参与者并作出动作，涉及更复杂的认知与决策。自动驾驶把感知、认知和真实产品结合起来，成为他认为足够长期、且“没有尽头”的 AI 问题。
第一个量产客户如何改造一家研究型公司
本节要点：首个量产项目迫使研究团队同时处理模型、软件、硬件和整车集成，并建立复用主线和问题定位工具；客户交付把技术组织改造成产品组织。
Momenta 早期更像一个松散的研究院：优秀研究者围绕技术问题工作，但客户交付要求另一套组织方式。大约在 2018 至 2019 年前后，公司开始转向以客户和量产项目为中心。
第一个量产客户被曹旭东形容为“血肉模糊”。问题不只来自算法。一款新车可能同时使用新的执行器、传感器、芯片、域控制器和内存，任何一处异常都可能表现为智驾问题。团队既要定位故障属于模型、软件、硬件还是整车集成，也要在固定上市节点前完成验证。早期可能要几周才能定位的问题，经过工具、流程和经验积累，如今有些能在一分钟内发现。
这段经历让公司形成两个重要原则。
第一是“复用主线”。每个客户都有差异，但不能为每个客户建立一套独立烟囱。否则客户越多，代码、模型和组织分支越多，数据飞轮反而会被割裂。公司的主模型、工具链和量产流程必须尽量共享。
第二是“发展主线”。复用不是冻结产品，而是把客户需求沉淀为主线能力。一个项目发现的问题如果具有普遍性，就应进入共同平台，帮助后续客户降低成本和风险。这样，交付才不只是消耗研发资源，也能推动产品进步。
CEO 的工作不是个人高效，而是保持判断有效
本节要点：CEO 要在战略抽象与一线原始信息之间往返，用客户、工程和数据检查长期判断；真正的相信会体现在资源和机会成本上。
曹旭东把 CEO 的核心任务定义为认知与判断。公司规模扩大后，管理者最危险的状态不是日程太满，而是信息被层层提炼，只剩下符合既有结论的汇报。为了避免这一点，他强调回到一线：看原始数据，听客户真实反馈，理解工程师正在处理的具体故障。
他用“do in / do out”描述这种往返：既要向上抽象，判断长期趋势、公司边界和资源配置；也要向下进入具体问题，用一手事实检查战略是否成立。只停留在抽象层会变成脱离现实的愿景，只停留在细节里又无法决定公司方向。
所谓“相信”，也需要通过资源选择来检验。口头上说一个方向重要并不难；真正的相信，是在预算、人才、客户压力和短期结果发生冲突时仍愿意承担机会成本。量产优先、Robo 后置、机器人再后置，就是这套判断在资源层面的体现。
狐狸式调整与刺猬式目标
本节要点：经营需要狐狸式适应和刺猬式长期目标并存：方法随客户与技术变化，安全、时间和效率的方向保持稳定；愿景不是已经实现的结果。
访谈最后借用了“狐狸知道很多事，刺猬知道一件大事”的比喻。经营公司需要狐狸式能力：理解客户差异、供应链变化、技术路线和组织问题，持续调整方法。但公司也需要刺猬式目标，否则每一次局部变化都可能把资源带向新的热点。
Momenta 的长期表达包括“十年挽救百万生命、解放百分之百时间、让物流和出行效率翻倍”，以及更长期的“Better AI, Better Life”。这些是公司愿景，不是已经实现的结果。它们在组织里的实际作用，是帮助团队判断一个新业务是否仍与安全、时间和效率有关。
曹旭东说自己想做“有生之年做不到头”的 AI。更准确的理解不是拒绝阶段性结果，而是选择一个可以不断产生新问题的方向：量产把模型带进真实世界，Robo 提高自主性要求，机器人则把任务空间进一步打开。每一步都必须形成结果，但没有一步被视为终点。
分歧、条件与尚未验证的部分
本节要点：市场份额、数据飞轮、世界模型复用、业务盈利和时间预测具有不同不确定性；公司自述与未来推演不能被写成外部确认事实。
- 市场份额与格局判断：文中的份额来自嘉宾自述；“竞争收敛”是曹旭东基于规模效应作出的判断，不代表所有车企与供应商的共识。
- 数据规模不等于有效数据：量产车辆提供覆盖面，但数据筛选、标注、训练和验证仍决定飞轮是否有效。
- 世界模型复用仍需产品证明：汽车与机器人共享物理世界问题，但动作空间、本体和安全边界差异很大，不能把基础设施复用直接等同于能力复用。
- 业务顺序依赖前一阶段盈利：用汽车业务毛利润支持机器人研发是目标；若量产业务盈利、市场或监管条件变化，资源节奏也会变化。
- 时间预测不是承诺：节目中关于家庭机器人、RoboTaxi、物流和干线货运的先后判断属于受访者在当前信息下的推演。
材料说明与快速回查
- 智驾供应竞争的核心不只是模型，而是“量产—数据—模型—更多量产”的闭环。
- 智驾底座可能集中，但汽车仍可在品牌、空间、造型和整车体验上差异化。
- “一个飞轮、两条腿”分别对应数据驱动、量产自动驾驶和完全无人驾驶。
- Momenta 的业务顺序是量产、Robo、机器人，进入下一阶段以能力与资源溢出为条件。
- 物理控制依赖稳定的端侧实时闭环，云端更适合训练和非实时能力。
- 机器人本体与模型需要共同设计，但成熟供应链中的环节不必全部自制。
- 第一个量产客户促使团队建立“复用主线、发展主线”，避免客户项目烟囱化。
- 曹旭东的管理方法是在战略抽象与一线事实之间反复往返，用资源配置检验真实信念。
本文依据节目完整转写重编。转写中的公司名、模型名和部分英文术语存在自动识别误差，编辑仅在上下文能够确认时校正；市场份额、业务规划与未来时间表均保留为曹旭东或节目中的观点，不作独立事实背书。