最近，有路人在苏州街头拍到一辆无人配送车，车身标识指向Momenta。视频随后在几个行业群里流传，引发外界猜测：这家从乘用车智驾起家、刚刚登陆港股的公司，是否正在进入无人配送领域。
坦白讲，看到这辆车，我并不感到意外。
今年7 月，Momenta 在港交所挂牌时，把自己定义为「物理AI 第一股」，这个定位背后，意味着它想做的是一套能够支撑不同移动载体的智能系统，不限于某一种车型的自动驾驶。公司此前也已明确提出物理AI 基座平台路线，支持乘用车、Robovan、Robotruck 和 Robotaxi 的规模化落地，并进一步探索机器人方向。
所以，一辆配送车出现在街头只是时间问题，真正值得关注的是速度。今年 4 月，Momenta 发布R7 世界模型并宣布量产首发，几个月后，疑似搭载其技术的无人配送车已经出现在公开道路上。从模型发布到车型验证，中间间隔的时间并不长。
于是，更为重要的三个问题浮出水面：
第一，为什么 Momenta 能这么快进入一个新的车型场景？
第二，为什么在 L4 的四类载体中，Momenta 的下一站选择了 Robovan？
以及，第三，这件事会如何改变市场对Momenta 的估值想象？
乘用车与物流车，隔着天堑
实际上，智驾领域的人知道从乘用车到物流车的迁移有多难。
乘用车是一类高度标准化的移动载体，主流车型轴距通常集中在 2.6 至 3.0 米，整备质量大多位于 1.4 至 2.2 吨之间，载荷变化有限，因此制动距离、转向响应和重心变化都处在较稳定的范围内。同时，乘用车的感知系统布局也较为接近，前视摄像头通常安装在前挡风玻璃附近，不同车型之间的视角差异不大。
这使得从轿车迁移到 SUV，再到 Robotaxi，核心变化更多来自道路场景本身。
但物流车却是完全不同的逻辑。厢式货车轴距可能达到 3.5 米以上，车身高度超过 2 米，仅宽高上就是完全不同的命题；此外，更大的变化来自载荷：空载和满载状态下，整车质量可能出现接近一倍的差异。这意味着，同一辆车早晨空车出发、下午满载配送，其制动距离、转向特性和重心位置都在变化，很难直接应用。此外，感知端同样需要重新适配，摄像头安装高度改变会影响视角和盲区，车厢结构本身也会带来新的遮挡。
因此，曹旭东在上市前后的公开发言中曾提到，更早阶段的通用性主要体现在量产车型和 Robotaxi 之间，因为两者都属于乘用车体系。但到了物流车，就变成了一次真正意义上的跨形态迁移。
R7 世界模型，解决跨车型问题
之前为什么那么难？原因在于过去十年自动驾驶领域大量采用的「模仿学习」方式。
这是指让模型观察人类司机如何驾驶，再学习类似行为。从模型学习上来说，这一方法较为有效，但其同时也伴随着另一个天然限制，即，模型容易绑定具体车辆和具体场景，所学到的是「这辆车、在这个路口、这个速度下，司机进行了怎样的制动」。但一旦换车，模型就不知所措。
Momenta 所推出的 R7 世界模型就试图解决这一问题，世界模型所学的更多是车辆运动背后的物理关系：在不同质量、速度、路面条件下，车辆未来会如何变化？比如质量增加，制动距离变长；速度提升，惯性影响增强等。
这些规律并非某一种车型独有，因此在跨车型转移时，模型需要调整的仅为针对新车型的行为适配，而不必整套系统推翻重来。
这构成了 R7 世界模型的核心意义。
R7 采用三层架构：
预训练层通过海量真实驾驶数据的视频预测，将物理常识和因果关系压缩进基座模型；
仿真层利用生成模型推演周围环境，对罕见长尾场景进行闭环验证；
强化学习层通过持续探索和优化，让模型输出更接近人类驾驶的决策。
而支撑这套系统的是超过 120 亿公里实车里程，以及从中提炼出的1 亿段黄金数据。
与业内主要将世界模型作为仿真工具不同，Momenta 希望让世界模型参与基座模型训练，使模型学习车辆运动背后的通用规律。对于自动驾驶而言，这意味着模型面对不同车型时，迁移的不只是驾驶经验，还有对物理世界的理解。
此外，针对 Robovan 这类新车型真实数据不足的问题，传统方式需要依靠大量实车测试积累经验，而 Momenta 则通过 R7 世界模型的仿真层提前推演长尾场景。Momenta 曾披露，其仿真系统通过学习真实数据而生成虚拟环境，再利用实车与仿真结果做一致性校准，缩小模拟与现实之间的差距，使其效率较传统实车路测提升上万倍。这意味着新车型进入验证阶段时，不必完全等待漫长的道路积累。
因此，如果苏州街头这辆车确实属于Momenta，那么它就意味着 R7 世界模型所强调的跨车型迁移能力，已从L2++量产和L4无人驾驶出租车，开始走向更多元化的实际场景。
为什么下一站是 Robovan？
而另一个问题是，为什么 Momenta 的下一站是 Robovan？
曹旭东曾公开表示，未来五年的业务优先级是 Robovan 第一，Robotruck 第二，Robotaxi 第三，原因是需求更强、竞争更少。
而一家以乘用车智驾起家、以 Robotaxi 建立市场认知的公司，为什么却把无人配送车放在最前面？
有两个原因：
其一，它补足了更多维度的数据飞轮。
过去，Momenta 的飞轮主要围绕乘用车展开，量产车型采集数据，再反哺 Robotaxi 和其他 Robo 业务。但乘用车天然覆盖的是一类场景：高速道路、城市通行、跟车、变道、复杂交通流。
而配送车面对的却是另一套问题：低速行驶、频繁启停、路侧临时停车、狭窄空间通行，以及人与车辆的近距离交互。这些场景在乘用车数据中占比有限，恰恰又是长尾中最难凭空模拟的一类。
对于一个希望建立通用能力的物理AI 模型来说，数据的价值不仅在于规模，也在于覆盖了多少种真实世界变量。乘用车让模型理解道路通行，而 Robovan 带来的低速物流场景，则进一步补充了车辆与人、空间以及复杂环境交互的数据。
因此，Robovan 对Momenta 的意义并不只是增加一条业务线，而是让物理 AI 基座覆盖更多真实世界场景，并通过新的数据继续强化模型能力。
其二，Momenta 的十年量产积累在这个场景里兑现率最高。
Momenta 走的是数据驱动路线。CIC 灼识咨询在《自动驾驶行业蓝皮书》中指出，这类路线依靠大规模量产车辆持续采集真实道路数据，通过端到端模型训练，让能力沉淀在基础模型中，而非依赖高精地图对单个城市逐一适配，特斯拉走的也是类似路径。
这正是乘用车积累能够迁移到 Robovan 的关键。依赖高精地图和运营车队的方案，每进入一个新城市或新场景，地图采集、道路验证和运营测试都要重来一遍；而数据驱动路线让新增城市和新增车型成为已有能力的延伸。差距最终体现在规模上：据 CIC，混合路线累计车队规模平均小于 2500 辆，数据驱动路线约 110 万辆；年均行驶里程方面，前者小于 0.3 亿公里，后者约 22 亿公里。
此外，不依赖高精地图，影响的还有车辆面对未知环境时的表现。曹旭东曾用两代模型举例：同样面对前方施工，上一代 R6 已经能保证安全，但动作偏保守，更像新手司机，R7 则能更早识别风险并完成避让，过程更平顺，乘客甚至察觉不到前方发生了变化。
对乘用车而言这是驾驶体验，对配送车而言它会直接转化为运营效率。无人配送车没有乘客，路口一次犹豫、窄道一次停顿、一次不必要的减速，都会拉长单趟时间，最终落在单车日均订单量上。
高榕创投合伙人辛旺此前提到，Momenta 被低估的能力正是工程化批量复制能力，即快速为不同车企、不同车型部署自动驾驶方案。目前，搭载Momenta 系统的量产车辆规模已突破 100 万台，已成功交付超过 100 款量产车型、累计定点车型超过 210 款，合作伙伴覆盖全球主流车企，这使得 Momenta 进入整车供应体系，并形成长期积累的合作关系。并且，Momenta 交付首个 10 万台车用了 2 年，现在不到 40 天完成 10 万台交付，对于正在从改装测试走向前装量产的无人配送行业而言，这类经验是一道重要门槛。
模型能够迁移，数据可以积累，体验能够兑现，工程体系和车企关系也已经建立。这些因素叠加，让 Robovan 成为Momenta 从乘用车智驾走向物理 AI 的一个自然落点。
市场会如何重新理解Momenta？
根据行业研究报告，中国城配物流市场规模约为 1.8 万亿至 2 万亿元，短途、高频、需求分散。随着人口红利下降、用工成本提升，自动化需求持续增长，据CIC 测算，无人货运解决方案可以降低约 70% 的运营成本。但供给端仍然很薄：2025 年全球及中国无人货运市场规模均约为 2 亿美元，到 2030 年预计分别增长至约 850 亿美元和 535 亿美元；中国 Robovan 运营数量预计从 3.12 万辆增长至 418.17 万辆，五年复合增长率 166.3%，目前渗透率仍只有约 0.1%。
这给了 Momenta 进入市场的极大空间。此外，CIC 预测，2030 年全球 Robovan 市场规模约 850 亿美元，高于 Robotaxi 的约 818 亿美元；全球保有量约 655.2 万辆，是 Robotaxi 的四倍左右。长期以来，Robotaxi 承载了公众对自动驾驶商业化的全部想象，但从真实需求和商业规模来看，货运场景可能才是更大的入口。这或许也是曹旭东将 Robovan 列为下一站的原因。
而从市场方面来看，短期，看 Momenta 的商业化节奏。
曹旭东此前公开表示，Robo 三条业务线今年预计几百台规模，明年数万台，后年可能超过 10 万台。值得注意的是，这一数据对应的是 Robovan、Robotruck 和 Robotaxi 三条业务合计，接下来，Robovan 是否会被单独披露，落地城市与运营规模的实际节奏将是追踪要点。
中期，看商业模式。
据CIC 划分，Robovan 主要存在车辆销售、车辆租赁和运营三种模式。卖车回款更快，但长期价值受限于销量；租赁和运营的收入持续性更强，代价是承担前期的车辆投入和运营成本。选哪一条，本质上是在选一种财务模型，也决定了市场该用什么倍数给这块业务估值。
而无论采用哪种模式，成本控制都是 Robovan 规模化的前提。
目前，乘用车自动驾驶已经形成成熟供应体系，但商用车领域的线控底盘、车规级零部件和整车合作伙伴仍需要进一步完善。对于Momenta 而言，算法能力解决了车辆「如何行驶」的问题，而下一阶段的关键，是如何与产业链一起打造能够规模化运营的车辆平台。
长期，看身份变化。
据CIC 测算，在具备城市 NOA 功能的乘用车销量中，第三方方案商占比预计将从 2023 年的 5.0% 提升至 2030 年的 74.2%。整车厂正逐渐从自研走向与专业供应商合作，而Momenta 已经在这条供应链中占据了一席之地。
市场此前给予「物理AI 第一股」这一定位的核心预期，是相信它的基座能力可以跨越不同载体。Robovan 是这一逻辑的第一次验证。如果未来Robotruck 和机器人方向继续推进，Momenta 的价值想象也可能从一家自动驾驶方案供应商，进一步向物理AI 平台演进。
所以后续真正值得关注的，与其说是某一款车型的销量，不如说是这套基座面对新的车辆形态时，适配周期能否持续缩短。迁移速度，才是验证基座通用性最直接的指标。
苏州街头那辆配送车，从产品角度看是一次业务延伸；从产业角度看，它更像是Momenta 从自动驾驶走向物理 AI 的一次公开验证。
而这套基座下一步还能覆盖多少种「身体」，才是这辆车真正留下的问题。
精彩评论