Momenta 进军自动驾驶卡车：AI飞轮如何驱动多业务落地

2026-02-09，行业媒体披露 Momenta 正在组建一个由“数十名工程师”组成的自动驾驶卡车自研团队。这不是一次简单的业务扩张，而是一个信号：中国自动驾驶公司正在把 AI 能力从乘用车 ADAS 外溢到更重、更长链路的商用场景，用“数据—算法—量产—运营”的闭环去换规模化收入。

我一直觉得，很多人看自动驾驶只盯着“能不能无人”，却忽略了更现实的问题：能不能把软件变成长期可复用的“生产系统”。卡车、Robotaxi、无人配送，本质上都在考验同一件事——你有没有能力把 AI 持续迭代、把安全做成流程、把产品做成平台。

本文放在「自动驾驶 AI：Tesla 与中国车企的发展路径对比」系列里来看，Momenta 的动作尤其典型：一边用乘用车 ADAS 的量产数据喂模型，一边把更高阶 L4 能力搬到更赚钱、运营更可控的场景，形成多业务商业化。

自动驾驶卡车为什么在 2026 年变得更“值钱”

**答案先给：卡车自动驾驶的“单位里程价值”通常高于乘用车，且更容易用运营数据建立闭环。**乘用车的用户体验与法规复杂度极高，短期内更多是“功能体验 + 品牌差异化”；而干线物流、港口/园区、矿区等场景，目标更直接：降成本、提效率、控风险。

从商业账本看，重卡运营里最大的成本项往往集中在：

• 人力（司机、排班、培训）
• 油/电耗与能耗管理
• 事故与保险成本
• 车辆利用率（空驶率、等待时间）

自动驾驶卡车如果能在特定线路上把“可用率”做扎实，即便暂时不追求完全无人，也能通过 L2+/L3 级别的高强度辅助驾驶 把运营指标做得更好。这也是为什么 Momenta 过去两年两次投资面向新能源重卡高阶智驾的 Zeron：先验证“能不能跑通业务闭环”，再决定长期策略。

乘用车 ADAS 的经验，对卡车意味着什么

答案先给：乘用车 ADAS 的优势在“量”，卡车的挑战在“边界条件”。

据公开报道，Momenta 的乘用车 ADAS 已经上车超过 160 个量产车型。这类规模带来的核心价值不是某个功能，而是：

• 数据采集链路成熟（传感器质量、标注策略、回传策略）
• OTA 与版本管理体系成熟（灰度、回滚、监控）
• 规模化“问题发现—复现—修复”的工程体系

但卡车场景的难点也很硬：车辆更长、惯量更大、制动距离更长；常见行驶环境包含夜间高速、长下坡、极端天气；并且一旦事故，社会影响更大。所以卡车自动驾驶不是把乘用车方案“放大”，而是要补齐系统工程：功能安全、冗余策略、运营规程、远程协助、维修保养体系。

“飞轮式 L4 策略”落到卡车：关键不是模型，是闭环

答案先给：飞轮真正的护城河，是“可持续的数据闭环”而不是某个一次性模型效果。

RSS 原文提到 Momenta 的“飞轮式 L4 策略”：量产 ADAS 产生的数据反馈算法迭代，形成数据驱动闭环，并支撑“双线”推进——量产方案与完全无人系统。

把这套逻辑放到卡车上，我更愿意把它拆成 4 个可执行的环节：

1. 数据策略：哪些路段/天气/载重工况必须覆盖？如何设计“稀有事件”采集？
2. 训练与验证：如何把乘用车的感知/规划能力迁移到重卡动力学约束？
3. 上线与监控：如何用车队运营指标定义“可用”而不是“好看”？
4. 运营反馈：远程接管、异常工单、事故复盘如何反哺产品？

一句话很容易被引用：自动驾驶的规模化，从来不是“模型上线”，而是“闭环上线”。

从“量产飞轮”到“L4 飞轮”：优先级的变化

RSS 还提到曹旭东在 2025 年的表态：技术重心从量产飞轮转向 L4 飞轮，目标是在 2025 年底实现 Robotaxi “车端无人”。无论这个时间点如何评估，它传递的信号是：

• 公司把更多资源投入到无人化的系统工程（安全、冗余、运营）
• 量产 ADAS 不再只是“功能卖点”，而是 L4 的数据与工程底座

卡车业务的加入，会进一步强化这种资源配置逻辑：当你能把 L4 的运营体系跑通，业务形态会从“卖软件”升级为“卖里程、卖效率、卖服务”。

放到“Tesla vs 中国路线”框架里：差异在生态组织方式

答案先给：Tesla 更像“单一平台自上而下统一迭代”，中国智能驾驶公司更像“多客户、多车型、多传感器的供应链协同”。

在本系列里，我们经常讨论端到端与多传感器融合，但真正拉开差距的，往往是软件如何进入组织与生态：

• Tesla 路线：高度垂直整合（硬件、算力、数据、软件、交付、部分运营能力），用统一车队数据与统一架构快速迭代。
• 中国路线（以 Momenta 等为代表）：面对多家主机厂、多平台、多传感器组合，必须把能力产品化：可适配、可量产、可交付、可运维。

Momenta 之所以值得关注，是因为它在尝试把“供应商能力”向“多业务平台能力”延伸：乘用车 ADAS 继续做规模，Robotaxi（已与 Uber 合作在中美以外市场推进）与无人配送、自动驾驶卡车则探索更高价值的运营闭环。

换句话说：当中国公司开始同时做 ADAS 交付与 L4 运营，它们在组织形态上会越来越像“软件公司 + 车队运营公司”的混合体。

这对用户体验（UX）意味着什么

“用户体验”不只属于座舱。对商用车来说，UX 也包含司机、车队老板、调度员、维修人员的体验。AI 在卡车软件与 UX 的常见落点包括：

• 司机侧：疲劳预警、风险提示更少“吓人误报”，更贴合重卡制动与跟车习惯
• 车队侧：基于 AI 的能耗优化、路线建议、驾驶行为评分与培训闭环
• 运维侧：预测性维护（轮胎、制动、动力电池/电机状态），减少非计划停运

我见过不少项目卡在一个点：功能能跑，但运营人员不信。解决方法不是再堆功能，而是把“可解释的指标面板 + 事故/异常复盘流程”做出来。让每一次接管、每一次急刹都能被解释、被改进，才是商用自动驾驶的 UX。

车企与供应链如何借鉴：三条可落地的策略

答案先给：要把 AI 变成可持续收入，必须从“功能指标”切换到“经营指标”。

如果你是主机厂、一级供应商或车队运营方，我建议把 Momenta 这类动作当作一个提醒：自动驾驶的竞争已经从“谁更能演示”进入“谁更能运营”。具体怎么做？

1）用“闭环 KPI”替代“演示 KPI”

把目标写成可运营的指标，而不是只写 AEB/NOA 的通过率：

• 每千公里接管次数（按路段/天气/载重分层）
• 关键事件率（急刹、急转、压线、跟车过近）
• 车辆利用率提升（单车日均有效里程、等待时间）
• 事故成本变化（含小剐蹭、保险出险）

2）提前设计“数据合规与成本模型”

卡车的数据量更大、周期更长。要在 2026 年做规模化，数据策略必须明确：

• 哪些数据必须回传？哪些只做边缘摘要？
• 稀有事件如何触发上传？
• 标注与合成数据怎么组合，才能把成本压下来？

3）把 AI 安全做成“流程产品”

安全不是一句口号，而是一套持续运行的机制：

• 版本灰度与回滚策略
• 场景库与回归测试
• 远程协助 SOP（谁能接管、多久响应、如何复盘）
• 责任边界与保险协同

做不到这些，L4 不是慢一点的问题，而是会在某次事故后直接停摆。

常见问题：自动驾驶卡车会先于 Robotaxi 规模化吗？

答案先给：在限定线路与封闭/半封闭场景里，卡车更可能更早形成稳定收入；但“社会面完全开放道路”的无人卡车，节奏未必比 Robotaxi 快。

原因很直观：

• 卡车可以先从港口、矿区、园区、固定干线做起，ODD（运行设计域）更可控
• 但高速干线的极端天气、长坡、突发事件与社会影响，使得监管与安全门槛更高

因此更现实的路径是：先“高阶辅助 + 运营提效”，再逐步提高无人化比例。这也解释了为什么 Momenta 同时布局 Robotaxi、配送与卡车——不同场景为同一套 AI 系统提供了不同维度的数据与验证。

写在最后：多业务不是分心，是在找“可复用的 AI 资产”

Momenta 组建自动驾驶卡车团队这件事，表面看是新战场，实际是在做一件更务实的事：把乘用车 ADAS 的量产能力，变成可复制到更多“可运营场景”的 AI 资产。

放回「Tesla 与中国车企路线对比」的大框架里，我的判断很明确：未来三年最有价值的不是某家公司的单次技术领先，而是谁能用数据闭环把安全与体验做成流程，并在多个业务里复用。

如果你正在评估智能驾驶供应商、规划重卡高阶智驾，或者想把 AI 引入车队运营，不妨先回答一个问题：你要的是“能跑一次的系统”，还是“能持续赚钱的闭环”？2026 年，这个分水岭会越来越清晰。