Momenta R7 量产首发：物理 AI 终于不只是 PPT 上的概念了
昨天（4 月 25 日），北京国际车展，Momenta 正式宣布 R7 强化学习世界模型实现量产首发。
一句话概括这件事的分量：这是全球范围内，第一次有公司把「世界模型」这个被学术界和产业界反复讨论了两年多的概念，真正塞进了量产车里。不是 demo，不是限定场景的技术验证，而是已经交付超过 70 款车型、累计定点超 200 款的规模化落地。
这个节点值得认真聊聊。
世界模型到底在解决什么问题
先说背景。过去几年智能驾驶的主流范式，本质上是一个感知-规划-控制的流水线：摄像头和雷达负责「看见」，感知模块把原始数据变成结构化信息（车道线在哪、前车距离多少），然后规划模块基于规则或学习到的策略做决策。
这套方案能跑，但天花板很明显。
举个例子：前方一辆货车急刹，旁边车道有辆车正在加速超车。传统方案能识别出这两个目标的位置和速度，但它很难「推演」接下来 2-3 秒世界会变成什么样——那辆超车的车会不会突然变道？货车后面会不会有行人窜出来？这些需要对物理世界的因果关系有深层理解，而不仅仅是对当前帧做目标检测。
这就是世界模型要解决的事。
如果说大语言模型（LLM）的核心能力是 Next Token Prediction——通过预测下一个词来压缩人类语言的常识和逻辑，那世界模型做的就是 World Model Prediction——预测物理世界下一个时刻的状态。前者让 AI 学会了「说人话」，后者要让 AI 学会「理解物理世界怎么运转」。
这个类比是 Momenta CEO 曹旭东在发布会上提出的，坦率说，这可能是目前对世界模型最直觉化的解释之一。
R7 的三层架构：从预训练到强化学习
Momenta 合伙人、研发 SVP 夏炎在发布会上拆解了 R7 的技术架构。整个世界模型分三层，层层递进：
第一层：世界模型预训练
用海量真实驾驶数据做预训练，把物理规律、驾驶常识、因果关系压缩进模型参数里。
这一步和 LLM 的预训练逻辑高度一致——GPT 系列通过吃掉互联网上的文本数据来学习语言规律，Momenta 的世界模型则通过吃掉海量驾驶场景数据来学习物理规律。区别在于，文本是一维序列，而驾驶场景是三维空间加上时间维度的四维数据，复杂度高了不止一个量级。
这一层解决的是「基础认知」问题：车辆在湿滑路面刹车距离会变长、行人走到路边可能会过马路、大货车有视觉盲区……这些人类驾驶员靠经验积累的常识，模型要从数据中自己学出来。
第二层：世界模型仿真
把训练好的世界模型用于闭环仿真——让系统能够推演「如果我做了不同的决策，世界会怎么变化」。
这一层的价值在于解决长尾场景问题。智能驾驶最难的不是 99% 的常规场景，而是那 1% 的极端情况：逆行的电动车、突然掉落的货物、施工区域的临时改道。这些场景在真实道路上出现的概率很低，但一旦处理不好就是事故。
传统做法是靠路测里程去「碰」这些场景，效率极低。有了世界模型仿真，系统可以在虚拟环境中高效生成和推演这些长尾场景，评估自身在各种极端情况下的表现。这有点像 AlphaGo 在虚拟棋盘上自我对弈——不需要等真实对手，自己就能快速迭代。
第三层：在世界模型中做强化学习
这是 R7 最核心的创新点，也是名字里「强化学习」三个字的由来。
前两层搭好了一个高度真实的虚拟训练场，第三层就是让 AI 在这个训练场里反复探索、试错、优化。强化学习的逻辑大家都熟悉——给一个奖励函数，让 agent 自己摸索出最优策略。但强化学习对环境的真实度要求极高，环境不够真实，学出来的策略到了真实世界就会「水土不服」。
这就是为什么前两层是基础：预训练保证了世界模型对物理规律的理解足够深，仿真层保证了虚拟环境足够逼真。在这个基础上做强化学习，AI 才能学到真正可迁移到现实世界的驾驶策略。
用一个不太严谨但足够直觉的类比：第一层是让 AI 读完了所有驾校教材，第二层是给它造了一个无限逼真的模拟驾驶器，第三层是让它在模拟器里练了几百万小时。
量产数据说话
技术架构讲得再漂亮，最终要看落地。
Momenta 给出的数据是：已成功交付超过 70 款量产车型，累计定点车型数超过 200 款。本次北京车展上，超过 20 个品牌、共 60 余款车型搭载了 Momenta 的智能辅助驾驶方案，覆盖自主品牌和中外合资品牌。
这组数字的含金量在于「量产」二字。智能驾驶行业不缺技术 demo，缺的是能过车规、能上产线、能在几十个品牌几百款车型上稳定运行的工程化能力。70 款已交付、200 款定点，说明 Momenta 的方案已经通过了主机厂最严苛的验证流程。
做个对比：目前全球范围内，能拿出类似量产规模的智驾供应商屈指可数。特斯拉的 FSD 只服务自家车型；华为的 ADS 主要绑定问界和部分合作品牌；Mobileye 的量产规模大但技术路线偏传统。Momenta 走的是「广撒网」的 Tier 1 路线，同时在技术上押注了世界模型这个更前沿的方向，这个组合在行业里确实比较少见。
为什么是现在
世界模型的概念不新。Yann LeCun 早在 2022 年就在反复鼓吹世界模型是通往 AGI 的关键路径，学术界相关论文更是汗牛充栋。但为什么直到 2026 年春天，才有人真正把它做到量产？
几个条件在最近一两年才同时成熟：
算力。世界模型的训练和推理对算力的需求远超传统感知模型。车端芯片的算力在过去两年有了显著提升，英伟达 Orin/Thor、地平线征程 6 等平台让车端运行复杂模型成为可能。
数据。世界模型需要海量、多样、高质量的驾驶数据。Momenta 通过量产车型的数据回传，已经积累了足够规模的数据飞轮——车卖得越多，数据越多，模型越好，反过来又能拿到更多车型定点。
Scaling Law 在物理 AI 领域的验证。过去一年，越来越多的实验表明，类似 LLM 领域的 Scaling Law 在世界模型上同样成立——更多数据、更大模型、更多算力，确实能带来可预测的性能提升。这给了产业界足够的信心去做大规模投入。
强化学习的工程化突破。从 DeepSeek-R1 到 OpenAI 的 o 系列模型，强化学习在 2025 年经历了一轮工程化的大爆发。这些经验和方法论可以迁移到物理 AI 领域，降低了落地门槛。
「从看见到理解」意味着什么
Momenta 官方用了一个说法：智能驾驶从「看见世界」到「理解世界」的跨越。
这不只是营销话术。传统感知方案本质上是在做模式匹配——这个像素块是车、那个像素块是行人。世界模型做的是因果推理——这辆车正在加速，前方有红灯，所以它大概率会在 50 米内开始减速；如果它没减速，那可能是刹车失灵或者驾驶员走神，我需要提前做好避让准备。
这种能力的差距，在简单场景下可能体现不出来，但在复杂博弈场景下会非常明显。比如在没有红绿灯的路口，多辆车需要互相博弈通行顺序；比如在狭窄的城中村道路，需要和行人、电动车、三轮车在有限空间里「谈判」。这些场景需要的不是更精确的目标检测，而是对其他交通参与者意图的预判和对物理世界规律的深层理解。
这也是为什么 Momenta 把这次发布定义为「物理 AI 序章」——R7 是第一步，但绝不是终点。如果世界模型的路线被验证可行，它的应用范围远不止自动驾驶：机器人、工业自动化、甚至游戏和仿真，任何需要 AI 理解和预测物理世界的场景都可能受益。
冷静看几个问题
当然，也不能只听好的。几个值得关注的问题：
车端推理的算力约束。世界模型的推理计算量远大于传统方案，在车端有限的算力预算下，模型能做到多大、推理能做到多快，直接决定了实际体验。Momenta 没有公布 R7 在车端的具体推理延迟和算力占用数据，这一点后续需要关注。
仿真到现实的 gap。在世界模型中做强化学习，核心假设是仿真环境足够逼真。但 sim-to-real gap 是机器人和自动驾驶领域的老问题了，世界模型能把这个 gap 缩小到什么程度，还需要大规模路测数据来验证。
安全兜底机制。世界模型是端到端的思路，决策过程的可解释性天然弱于传统的模块化方案。在安全关键的驾驶场景中，如何设计兜底机制、如何满足法规要求，是所有走端到端路线的公司都需要回答的问题。
行业格局的变化
把视角拉远一点看，Momenta R7 的发布是 2026 年智能驾驶行业一个重要的信号：世界模型路线正在从学术共识变成产业共识。
特斯拉的 FSD V13 已经在用类似的端到端思路；华为在去年底也透露了世界模型相关的研发进展；小鹏、蔚来等新势力都在加大对世界模型的投入。但 Momenta 是第一个明确打出「世界模型量产」旗号的，而且有 70+ 款交付车型的数据背书。
这对整个行业的影响可能是：世界模型从「要不要做」变成了「怎么做」和「多快能做出来」的问题。那些还在犹豫的主机厂和供应商，可能会加速跟进。
对开发者来说，物理 AI 正在成为一个越来越值得关注的方向。世界模型的训练需要大规模的数据处理、分布式训练、仿真环境搭建等基础设施，这些都是技术密集型的工程挑战。如果你在做相关方向的研究或开发，Momenta R7 的落地至少证明了一件事：这条路走得通，而且已经有人走到了量产阶段。
物理 AI 的故事才刚开始。R7 是序章，但序章已经足够让人认真对待这个方向了。
参考来源
- Momenta R7 强化学习世界模型北京车展量产首发 - IT之家：IT之家对 Momenta R7 发布会的详细报道，包含技术架构拆解和量产数据。