活动概览
2026高工智能汽车全域AI技术峰会，聚焦智能汽车AI技术发展。
- 探讨智驾AI技术迭代脉络
- 分析物理AI与通用AI的差异
- 介绍Momenta从量产智驾走向物理AI平台的发展历程
活动信息依据公开来源整理，以主办方最新公告为准。如时间、地点、票价有变动，平台会更新并保留变更记录。报名前请通过原始来源核对。
活动详情
WAIC2026刚刚于7月20号正式结束！7月28日又迎来一场AI技术盛会！
——2026高工智能汽车全域AI技术峰会
将于明天在上海虹桥盛大举行，关注智能汽车领域AI技术发展的投资人，一同参会交流！
智驾AI技术脉络、物理AI（Momenta案例）
一、基础概念区分
1. 智能驾驶（智驾）
智驾是物理 AI 当前最成熟、最大规模落地场景。
传统 L2+/ 城市 NOA：感知 + 规则 + 模仿学习，AI 只能看见物体，识别车、人、车道；依靠海量案例拟合轨迹，面对极端长尾场景泛化弱。
演进路线：模块化方案 → 端到端大模型 → 世界模型驱动的物理 AI 智驾。
2. 通用 AI vs 物理 AI（核心差异）
通用大模型（LLM、多模态）
处理文字、图像等数字信息；不需要理解重力、惯性、碰撞、运动因果；输入输出都是信息，不直接操控实体硬件。
物理 AI（Physical AI）
AI 嵌入实体载体（车辆、机器人），依托传感器感知真实三维世界；理解物理规律、空间关系、物体交互因果；输出控制指令直接改变现实世界状态。
两大支柱：世界模型 + 强化学习。
LLM：预测下一个 token（数字世界）
物理 AI 世界模型：World State Prediction（预测物理世界未来状态）
简单概括：
传统智驾：看见路况，复刻人类驾驶行为（模仿学习）
物理 AI 智驾：看懂世界运行规律，预判未来，自主推演最优决策
二、智驾AI技术迭代脉络
自动驾驶 AI 历经四代范式迭代，物理 AI 是当前行业终局方向：
1.0 模块化规则驱动（2016 年前）
感知→预测→规划→控制拆分为独立模块；依靠人工编写规则、固定阈值；局限：长尾场景无法覆盖，城市复杂路况难以落地，仅支撑基础 ACC、AEB。
2.0 BEV 感知 + 模仿学习（2017–2022）
Transformer、BEV 环视普及，统一三维空间表征；采用行为克隆（模仿学习），学习人类驾驶员轨迹；高速 NOA 率先落地；痛点：只会 “复刻见过的场景”，遇到陌生障碍物、非常规博弈极易失效，泛化能力存在上限。
3.0 端到端大模型 + 强化学习（2022–2025）
传感器原始输入直接输出驾驶轨迹 / 控制量；引入强化学习，可在仿真环境自主试错；实现无图城市 NOA规模化上车；局限：模型依然优先拟合人类行为，缺少对物理世界因果理解，无法主动推演 “如果我变道，周边车辆如何响应”。
4.0 世界模型驱动 → 物理 AI 时代（2025 至今）
核心定义：Physical AI
AI 不再只是识别物体、模仿驾驶；而是学习重力、运动学、空间约束、物体交互因果，在模型内部构建虚拟世界沙盘，预测未来多步世界状态；
智驾只是物理 AI 第一个大规模商用试验场，长期底座可迁移至无人车、工业机器人、人形具身智能。
总结：智驾→物理 AI
传统感知融合方案
→ 端到端模仿学习大模型
→ 世界模型 + 强化学习 = 物理 AI 智驾
长远：自动驾驶作为物理 AI试验场，沉淀世界模型技术，后续外拓至人形机器人、工业移动机器人。
三、Momenta：从量产智驾走向物理 AI 平台
Momenta 自创立坚持「量产飞轮 + 双路线并行」战略：乘用车量产（现金 + 数据）+ 规模化无人驾驶（前沿技术验证）
阶段 1：模块化感知算法，搭建 CLA 闭环底座（2016–2019）
核心资产：CLA 闭环自动化工具链（Closed Loop Automation）
能力：车辆路测数据自动回流、自动筛选黄金样本、自动标注、模型训练、仿真验证；
战略目标：构建数据飞轮基础，区别于纯 L4 研发企业，优先打通量产落地通道。
阶段 2：BEV 感知 + 端到端模仿学习，规模化落地 L2+/ 城市 NOA（2020–2023）
面向主机厂提供软硬一体智驾方案，快速积累定点车型；
建立第三方城市 NOA 头部地位，持续积累量产车辆与真实道路里程；
矛盾显现：行业内卷加剧，单纯方案供应商增长存在天花板，需要底层架构升级。
阶段 3：R6 强化学习端到端模型（物理 AI 前置形态，2023–2026）
国内率先实现强化学习端到端量产上车；
相比纯模仿学习：允许 AI 在仿真环境自主探索驾驶策略，不局限人类样本；
定位：R7 世界模型的前置技术验证版本，支撑无图 NOA 大规模交付。
阶段 4：R7 世界模型 —— 物理 AI 量产落地里程碑（2026 年 4 月正式发布上车）
Momenta 与行业其他厂商最大差异：
多数企业将世界模型仅用作仿真测试工具；Momenta 把世界模型嵌入模型基座预训练流程，成为主模型原生组成部分。
R7 三层技术架构（物理 AI 完整框架）
1.世界模型预训练层
依托 120 亿 + 公里量产实车数据，预训练物理常识、物体运动规律、人车交互因果；模型建立原生三维世界认知。
2.世界模型仿真推演层
AI 内部生成未来数秒场景推演；自主预判横穿行人、溜动物、车辆加塞等动态目标行为，解决长尾 Corner Case。
3.世界模型内强化学习层
在高保真虚拟沙盘持续试错，优化长期安全决策，实现超越人类驾驶员的博弈、窄路会车、非常规障碍物处理能力。
技术路线总结：CLA 数据飞轮 → R6 强化学习端到端 → R7 世界模型（物理 AI 基座）
END
免责声明：本文中部分图片及资料来源于网络公开渠道，版权归原作者所有，若有涉及侵权请予以告知，将及时删除。文章仅供参考交流，不构成投资建议。