Momenta 进军自动驾驶卡车：AI飞轮如何对标特斯拉软件路线

货运司机正在变少，但公路上的货物并不会减少。中国物流与采购联合会的公开数据多次指出，公路货运长期承担着国内货运量的大头；现实是，干线运输对司机强依赖、夜间长途风险高、用工波动大，导致“运力不稳”成了物流企业的隐形成本。把自动驾驶从乘用车扩展到重卡，不是“多做一条产品线”，而是在把 AI 从“体验增值”推到“经营刚需”。

2026-02-09 的消息显示，Momenta 正在扩张至自动驾驶卡车领域，并计划组建一个由数十名工程师组成的内部研发团队。更值得关注的是：这件事并非突然转向，而是其“数据闭环飞轮”路线的自然外延——用量产 ADAS 规模化采集数据，用 L4/无人化业务验证商业闭环，再把能力反哺到下一波产品上。

这篇文章属于《自动驾驶 AI：Tesla 与中国车企的发展路径对比》系列。我们会用一个更“软件与生态”的视角看 Momenta 的动作：它和特斯拉一样重视持续学习与数据迭代，但落点不同——特斯拉更偏“单一平台的端到端软件栈”，而 Momenta 更像“在中国供应链与运营场景里做多业务协同的 AI 工程”。

Momenta 为什么此时押注自动驾驶卡车？答案是“闭环更硬”

自动驾驶卡车的关键价值不是炫技，而是更容易形成可量化的 ROI（投资回报）。相较乘用车，重卡的商业目标更直接：降事故、降油耗/电耗、提到货准点率、降低司机流失导致的调度成本。

从公开信息看，Momenta 过去两年两次投资聚焦新能源重卡高阶智驾的初创公司 Zeron。知情人士提到，投资原因之一是把系统集成进量产卡车，通过真实运营验证“完整业务闭环”是否跑得通。这个逻辑很务实：

• 乘用车 ADAS 更像“规模化试验场”，数据量大但场景碎、干扰多
• 干线重卡 场景相对收敛（高速/国道为主），更适合做安全指标、接管率、能耗等工程指标的长期追踪
• 车队运营 天生有 KPI、排班与成本核算，自动驾驶带来的收益更容易被财务确认

我更倾向于把它理解成一句话：乘用车把 AI 训练出来，重卡把 AI 赚回来。

重卡自动驾驶的难点：不是“更大一辆车”，而是更严苛的系统工程

很多人低估了重卡的工程复杂度。它的挑战集中在：

1. 制动与动力学差异：满载/空载、坡道、横风都会显著影响控制策略
2. 长时间运行的可靠性：物流车队更在意 MTBF（平均无故障时间）与可维护性
3. 运营协同：车端算法只是一半，另一半是调度系统、远程接管、运维体系

这也是 Momenta 选择建立“内部研发团队”的原因之一：如果目标是规模化落地，光靠项目制集成往往会在可靠性与责任边界上卡住。

“飞轮式 L4”放到卡车上，会比乘用车更好用

Momenta 在乘用车领域的核心资产，是其量产 ADAS 的规模化部署——报道提到其方案已落地超过 160 个量产车型。规模意味着数据；数据意味着更快的迭代；迭代意味着更高的可用性。这就是所谓的“飞轮”。

把飞轮迁移到卡车，逻辑会更清晰：

• 数据结构更标准：干线运输线路固定、道路类型更集中，便于做长周期对比
• 目标函数更明确：安全（事故/险情）、效率（平均时速/到货准点率）、能耗（百公里电耗/油耗）都是硬指标
• 闭环更可控：车队可以统一车型、统一传感器配置、统一标定与运维流程

适合做飞轮的业务，必须满足三个条件：数据能持续产生、指标能被量化、改进能快速回到下一次运行。

这也是为什么不少自动驾驶公司先做 Robotaxi 再做卡车，或反过来先做卡车再做 Robotaxi——两者都更接近“可运营系统”，而不仅是“车上一个功能”。

从“量产飞轮”到“L4 飞轮”：技术优先级的变化

报道提到，Momenta 在 2025 年已把技术重心从量产飞轮转向 L4 飞轮，并希望在 2025 年底实现 Robotaxi 的“车端无人”。不管这个时间表最终如何兑现，它至少传递了一个明确信号：公司会把更多资源投向能形成无人化运营闭环的方向。

自动驾驶卡车正好符合这一优先级：在限定 OD（运行设计域）内先实现更高自动化，再逐步扩域，而不是一开始就追求“全国都能开”。

对标特斯拉：同样是数据驱动，不同的是“生态与本地化的打法”

把 Momenta 和特斯拉放在同一张图里看，会更容易理解中国路线的特点。

相似点：都相信“持续学习”比一次性堆配置更重要

特斯拉的软件优先策略很明确：统一硬件平台 + 大规模数据回传 + 频繁 OTA，让模型不断变好。Momenta 的表述是“数据驱动闭环”，本质同样是：用真实世界数据推动算法迭代。

对用户来说，这会体现在两个层面：

• 功能体验的渐进式提升：比如更稳的跟车、更少的误刹、更自然的变道策略
• 安全边界的可解释与可验证：接管率、险情触发、AEB 触发质量等指标逐步收敛

不同点：特斯拉靠“单栈统一”，Momenta 更像“多业务协同的系统集成能力”

特斯拉强调端到端与平台化，追求一个软件栈覆盖尽可能多的场景。中国市场更常见的现实是：

• 车型平台多、供应链组合多
• 传感器与计算平台存在代际差异
• 城市道路规则、施工与交通参与者行为更复杂

因此，Momenta 这类公司更像是在做“可复用的 AI 能力 + 规模化工程交付”，并通过 Robotaxi、自动配送、重卡等多业务形态，把数据与能力共享起来。

报道也提到 Momenta 已与 Uber 合作，在中国和美国之外的市场提供 Robotaxi 服务。这种“先在可落地的区域跑通运营”的策略，与特斯拉“以车主规模驱动全球改进”的路径形成了互补对照：

• 特斯拉更像 全球统一产品
• Momenta 更像 分场景商业化 + 本地化交付

我个人更看好后者在近三年落地上的确定性，原因很简单：当监管、道路与商业模式差异巨大时，先把一个场景跑成，比同时做所有场景更有效。

自动驾驶卡车会如何改变“汽车软件与用户体验”？答案在 B 端

很多人谈“用户体验”，脑海里都是座舱、语音、娱乐。但在重卡场景，体验首先服务于经营：司机体验、车队管理体验、维修体验。

司机体验：从“紧绷”到“可控”的疲劳管理

干线运输常见痛点是长时间高专注带来的疲劳。高阶辅助驾驶如果做得对，体验会体现在：

• 车道保持更稳定，减少频繁微操
• 跟车策略更像“老司机”，少急加速急刹车
• 更清晰的接管提示，减少“突然吓一跳”

但我也要泼一点冷水：重卡的好体验不是“越像无人驾驶越好”，而是“什么时候该让人接管、接管后系统是否可预测”。

车队体验：软件能力要进入调度与运维系统

自动驾驶卡车真正的产品形态通常是“车 + 云 + 运营”。车队关心的不是模型参数，而是这些问题：

• 这条线路的接管率是多少？夜间与雨雾天表现如何？
• 能耗能降低多少？是否能形成可审计的节能报告？
• 故障如何预警？传感器脏污、标定漂移怎么处理？

因此，Momenta 组建内部重卡团队，很可能会把更多精力放在：数据管道、远程诊断、灰度发布、运营 KPI 仪表盘等软件体系上。这正是“AI 在汽车软件与用户体验中的不同应用方式”的典型例子：乘用车偏 C 端感知，重卡偏 B 端经营。

企业该如何评估自动驾驶供应商？给三个可操作的检查清单

如果你是主机厂、车队或物流平台，评估自动驾驶卡车方案时，我建议不要只问“用了多强的模型”，而要用更工程化的指标。

1）数据闭环能力：能不能持续变好？

• 是否有稳定的数据回传与标注体系
• 是否支持按线路/天气/时段切分指标
• OTA 是否有灰度、回滚与版本对比机制

2）ODD 与安全证明：边界是否清晰？

• 明确可运行路段（高速/国道/港区等）与限制条件
• 是否有可审计的安全案例库（险情、接管、AEB 触发）
• 是否能提供与车队共建的安全 SOP

3）运营集成：能不能进系统、进流程、进财务？

• 能否对接 TMS/OMS（运输/订单系统），形成准点率与成本报表
• 是否有远程协助与运维响应 SLA
• 传感器维护、标定、备件体系是否成熟

这三项如果答不好，再强的模型也可能停留在演示阶段。

写在最后：自动驾驶的下一轮竞争，是“多业务商业化”

Momenta 进入自动驾驶卡车，并建立内部团队，释放的信号很直接：它不满足于乘用车 ADAS 的规模优势，而要把 AI 能力推向更多可运营的无人化业务——重卡、Robotaxi、自动配送都是同一张版图的不同落点。

放到本系列“Tesla 与中国路线对比”的框架里看，我的判断是：**特斯拉在统一软件栈上的效率更高，而 Momenta 这类公司在本地化场景与多业务协同上更具弹性。**接下来 2-3 年，谁能更快跑通“安全指标 + 运营闭环 + 成本结构”，谁就能拿到更大的市场筹码。

如果你的团队正在规划智能驾驶或车队数字化，现在就值得问一句：当自动驾驶从“车上功能”变成“运营系统”，你们的数据、流程和组织是否准备好了？