仰望U8、U9选择Momenta而非卓驭，折射中国车企“合作量产”与Tesla“自研闭环”的AI战略差异。读懂供应商选择背后的组织与商业逻辑。
仰望选Momenta的背后：中美车企自动驾驶AI路线分岔点
2025-12-30 的一条行业快讯，信息量其实很大：知情人士称，仰望（比亚迪高端品牌）U8、U9 的自动驾驶解决方案供应商是 Momenta，而不是卓驭（前身大疆车载）。表面看，这是一次“供应商澄清”；往深处看，它几乎是中国车企 AI 战略的一张剖面图。
我一直觉得，讨论“自动驾驶谁更强”容易陷入参数和演示视频的拉扯；但讨论“自动驾驶 AI 到底怎么做成一个可持续的系统”，反而更能看清 Tesla 与中国车企的核心差异。仰望这样的百万级车型选择第三方方案，本质上是在回答一个更难的问题：高端车的 AI 能力，到底应该自研到底，还是用合作把确定性做出来？
这篇文章是「自动驾驶 AI：Tesla 与中国车企的发展路径对比」系列的一部分，我们就借仰望与 Momenta 这条新闻，拆开讲清楚两条路线的关键分岔点：
- 中国车企常见的“多供应商协同 + 快速量产”
- Tesla 坚持的“软件优先 + 数据闭环 + 垂直整合”
这条新闻真正说明了什么：高端车也在押注“合作路线”
结论先说：仰望选择 Momenta，不是“外包偷懒”，而是对量产节奏、风险分摊和技术成熟度的一次现实选择。
快讯信息显示，卓驭在 10 周年活动中展示的合作车型列表中包含仰望 U8、U9；但接近比亚迪的知情人士称，仰望自动驾驶方案供应商实际为 Momenta。U8、U9 官方售价超百万元，定位新能源高端市场。
这会引出一个常被忽略的事实：越是高价格带车型，越不愿意把核心体验做成“不可控的研发项目”。在百万级产品上，自动驾驶/辅助驾驶不是一个 PPT 功能，它是：
- 交付稳定性（能不能按期交车）
- 事故风险敞口（出问题谁背锅、怎么召回、怎么修复）
- 软件持续迭代（OTA 的节奏与责任边界）
当你把这些约束摆上桌，选择成熟供应商并不“保守”，反而是非常清醒的商业判断。
为什么是Momenta：供应商能力的“产品化”比论文更重要
答案很直接：车企买的不是算法，而是可量产、可交付、可维护的“系统能力”。
在中国市场，Momenta 这类自动驾驶解决方案公司，真正的竞争力通常体现在三件事：
- 工程化交付能力：从传感器标定、域控制器适配，到整车调参、道路泛化，交付链条完整。
- 数据驱动的迭代机制：不是“做出一个功能”，而是能持续把 corner case 收敛到可控范围。
- 与主机厂组织结构的匹配：能对齐 SOP 节点、质量体系、供应链管理，按车规节奏跑。
对比之下，车企如果完全自研，要付出的不只是“研发成本”，还包括：
- 组织能力重构：算法、数据、仿真、车规软件、功能安全、网络安全、测试验证要打通
- 长周期投入：训练基础设施、数据闭环、工具链、标注体系
- 责任闭环：出现事故与舆情时，内部必须有一套“快速定位—修复—回归验证”的机制
所以，仰望选择 Momenta 的信息，核心不在“谁赢了卓驭”，而在于：中国车企的 AI 战略更像“搭积木”，用最短路径把能力堆到量产可用。
选择“Momenta而非卓驭”，透露的战略考量
这类供应商选择，通常不是单点技术指标的比较，而是组合题。
可能的考量维度包括：
- 现有项目合作基础：过去量产项目的交付记录与故障响应能力
- 路线兼容性：车企既定的传感器方案、域控平台、功能定义
- 量产节点压力：高端车发布节奏往往更硬，容错更低
- 商业条款：授权范围、后续升级费用、数据归属与使用边界
这些因素外界很难拿到完整信息，但可以确定的是：对高端品牌来说，“可控交付”往往比“最强 demo”更关键。
Tesla的对照组：把自动驾驶当成“软件产品”来经营
一句话概括 Tesla：它不是在采购自动驾驶能力，而是在自己经营一个“数据—模型—部署—回传”的闭环产品。
Tesla 的策略高度统一：
- 强调端到端（end-to-end）学习与数据规模优势
- 通过大规模车队回传形成训练闭环
- 软件迭代节奏由自己掌控，产品定义也由自己掌控
这就解释了“同样在做自动驾驶”，为什么两边组织打法差这么多。
软件优先带来的好处与代价
好处：
- 迭代速度快：模型升级与功能优化可通过 OTA 快速覆盖
- 体验一致性强：软硬件协同更容易做到统一的产品逻辑
- 长期成本可能更低：规模足够大时，自研的边际成本下降
代价：
- 前期投入极高：算力、数据管线、仿真平台、测试体系都要自己建
- 风险集中：出现问题时，外部几乎没有“可甩锅”的供应链缓冲
- 需要持续组织耐心：短期财务和短期销量波动会放大压力
我对这件事的判断是：Tesla 的路线适合“全球规模 + 长期主义 + 强软件文化”的公司；中国车企更常见的路线，适合“多品牌多车型 + 快速迭代 + 强供应链协同”的市场现实。
合作路线 vs 自研路线：到底差在哪里？用四个指标看清楚
最有效的比较方式，是把自动驾驶当作一个“可持续运营的 AI 系统”，而不是一段功能。
下面四个指标，能快速判断两条路线的本质差异。
1）数据资产：谁拥有闭环，谁就拥有长期优势
- Tesla 更接近“数据资产内生”，闭环强，模型迭代与产品策略一体化。
- 合作路线 往往是“数据与能力分布式”，供应商能迭代，但车企对底层模型与数据的掌控程度取决于合同与组织能力。
一句话：自动驾驶不是一次性交付，而是数据资产的长期复利。
2）安全与责任：谁定义边界，谁承担后果
在中国市场，辅助驾驶的宣传与实际能力边界经常成为舆论焦点。合作模式下：
- 车企需要做系统集成与产品定义
- 供应商提供算法与部分软件栈
但对消费者来说，出事只认“品牌”。因此高端品牌更在意：
- 功能边界是否清晰（尤其是城区、匝道、施工等场景）
- 失效策略是否一致（接管提示、降级策略）
- 事故后的技术追溯与 OTA 修复速度
3）扩展性：从一款车到全系，难点在“组织而非技术”
合作路线的优势是快速上车，但难点在规模化：
- 不同车型传感器与域控差异导致复用下降
- 多供应商叠加导致集成复杂度上升
- OTA 与版本管理更容易“失控”
Tesla 的优势恰恰在“统一平台”，但代价是对供应链与车型多样性的牺牲。
4）商业化：谁能把AI变成持续收入
2026 年的行业共识越来越清楚：智能驾驶不会只靠“硬件溢价”，而会走向：
- 软件订阅
- 功能包解锁
- 高阶能力分层定价
Tesla 擅长把能力做成可计费的软件产品；中国车企正在尝试，但合作路线下要做到“可持续收费”，需要：
- 定价权与功能定义权尽量在车企侧
- 升级节奏稳定、体验一致
- 售后与法务对宣传边界极其克制
给中国车企与供应链从业者的三条实操建议
想在 2026 年把自动驾驶 AI 做成“可持续能力”，最关键的是把合作模式做成可控系统。
- 合同里写清楚数据与迭代权：哪些数据回传、谁可用、用于训练还是仅用于故障分析，必须明确。
- 把“集成能力”当作核心竞争力建设：即便用供应商，也要自建测试验证、仿真、灰度发布、版本治理体系。
- 对外表达要保守，对内指标要苛刻：少做夸张叙事，多用可量化指标管理（接管率、功能可用率、事故归因闭环周期等）。
我见过太多项目不是“算法不行”，而是版本管理、回归测试、灰度策略出了问题。自动驾驶的短板，经常在组织系统里。
结尾：仰望的选择，是中国车企AI战略的现实答案
仰望 U8、U9 选择 Momenta，而不是卓驭，这条消息的价值不在八卦，而在提示我们：中国车企正在用“合作 + 量产”把智能驾驶能力快速推到高端产品上；Tesla 则用“自研 + 闭环”把自动驾驶当作长期软件产品经营。
这两条路没有绝对对错，但有明确代价：合作路线买到确定性，也买来集成复杂度；自研路线买到长期主动权，也买来巨额投入与风险集中。
接下来更值得观察的问题是：当高阶辅助驾驶逐步进入“体验分层 + 订阅收费”的阶段，中国车企会不会在关键模块上更进一步收回自研，形成自己的数据与模型闭环？还是把供应商生态做得更强，走出一条不同于 Tesla 的规模化路径？