Momenta成立於 2016 年，自 2019 年起在自動駕駛領域不斷突破，已成功實現從 0 到 1 再到 10 的量產跨越，與多家主機廠建立深度合作。公司使命是 “better AI better life”，目標是實現可規模化的 L4 自動駕駛。

2025年3月20日，在第三屆AI定義汽車論壇上，Momenta全球解決方案首席架構師饒慶表示，實現 L4 的關鍵在於安全性比人類司機高十倍，這需要 1000 億公里數據來解決長尾問題。基於數據驅動和用量產車採集數據的洞察，公司制定 “飛輪兩條腿” 戰略，通過量產自動駕駛與完全無人駕駛相互反哺，借助數據驅動、海量數據和閉環自動化推動技術發展。在演演演演算法上，公司緊跟趨勢，從基於規則演進到數據驅動，推出一段式端到端大模型，並採用獨特訓練方式降低成本、提高效率。

饒 慶 | Momenta全球解決方案首席架構師

以下為演講內容整理：

公司發展歷程與使命願景

在自動駕駛技術蓬勃發展的時代浪潮中，Momenta於2016年成立，其在自動駕駛領域的探索與實踐成果斐然。2019年，公司正式推出量產自動駕駛產品和城區完全無人駕駛方案，自此開啟了在自動駕駛領域從無到有的征程。從2019年至2022年，歷經三年時間，成功實現了從概念到實際落地的關鍵跨越，完成了“0到1”的突破，這一階段為公司後續發展奠定了堅實基礎。

圖源：Momenta

2022年，公司迎來重要里程碑，與合作夥伴完成首個車型的量產。隨後，在2022年至2024年期間，公司進入快速發展階段，實現了從“1到10”的拓展，從第一款量產車起步，截至2024年，已成功量產超過25款車型。這一成績的取得，不僅彰顯了Momenta強大的技術實力和生產能力，更體現了其在市場上的認可度和競爭力。

在與主機廠的合作過程中，我們憑藉卓越的技術和可靠的產品，贏得了眾多主機廠的信賴，許多主機廠不僅成為其合作夥伴，還進一步成為公司的投資人，其中包括上汽、賓士、豐田以及比亞迪等行業巨頭。這種深度的合作與投資關係，不僅為公司提供了充足的資金支援，更促進了各方在技術研發、資源分享等方面的緊密協作，共同推動自動駕駛技術的發展。

公司秉持“better AI better life”的使命，旨在通過更好的人工智慧技術，為人們帶來更優質的生活體驗。其核心目標是實現可規模化的L4級自動駕駛。這裡的可規模化L4級自動駕駛，並非局限於在特定區域內運行的少量自動駕駛車輛，而是期望所有車輛都能在全國乃至全球範圍內自由行駛，真正實現自動駕駛技術的廣泛應用和普及。

實現可規模化L4自動駕駛的技術路徑

實現L4級自動駕駛的核心要點在於安全性的大幅提升，自動駕駛的安全性至少要比人類司機高十倍。根據美國交通局的統計數據，人類司機發生一次致命交通事故的平均里程為一億公里。基於此，公司經過嚴謹測算，得出要實現比人類司機高十倍安全性的自動駕駛，需要1000億公里的數據作為支撐。

這1000億公里的數據推算邏輯清晰。由於每1億公里人類司機發生一次致命交通事故，基於一定的概率假設，每100公里中可能會出現一次類似情況，在此基礎上，為達到比人類高十倍的安全性標準，經過簡單計算，便得出需要1000億公里數據的結論。這些數據主要用於解決自動駕駛過程中的長尾問題，即真實世界中出現頻率較低但卻對自動駕駛系統構成挑戰的場景。

例如，在去年清明節期間進行一段式端大模型測試時，就遇到了路邊燒紙錢產生火堆的場景。這種在特定文化習俗背景下出現的場景，在自動駕駛測試過程中較為罕見，但卻真實存在於複雜的現實環境中，屬於典型的長尾問題。要實現可靠的自動駕駛，就必須有效識別並解決這些長尾問題。

為解決這1000億公里數據中的長尾問題，我們提出兩個關鍵洞察。其一，採用數據驅動的演算法取代傳統的規則驅動方式。在傳統規則驅動模式下，每遇到一個新的長尾問題，就需要定義一條新規則來應對。然而，在1000億公里的數據中，長尾問題數量繁多，若每個問題都單獨定義規則，不僅工作量巨大，而且規則驅動方式存在明顯的上限，難以有效應對複雜多變的現實場景。因此，數據驅動的演算法成為必然選擇，它能夠利用大量數據實現自動化學習，從而解決長尾問題。

圖源：Momenta

其二，利用量產車採集1000億公里的數據。僅依靠數量有限的L4級robotaxi車隊難以實現如此龐大的數據採集量。經測算，要獲取1000億公里的數據量，需要1000萬輛車行駛一年的時間。這充分表明，只有藉助量產車的廣泛應用和大規模行駛，才能滿足數據採集的需求，進而為實現可規模化的自動駕駛提供數據基礎。

基於上述兩個洞察，我們制定了“飛輪兩條腿”的產品戰略。“兩條腿”分別指量產自動駕駛和完全無人駕駛。通過量產自動駕駛產生的數據流，為完全無人駕駛技術的研發提供支援；而完全無人駕駛技術的成果又可應用於量產自動駕駛車輛，使L2+級別的車輛逐步接近L4級的性能，實現兩者的協同發展和相互促進。

在“飛輪兩條腿”戰略的核心部分，是包含資料驅動、海量數據以及閉環自動化的“飛輪三因數”。其中，數據驅動演算法在公司的技術發展中佔據重要地位。以自然語言處理領域為例，早期人們使用多個不同的小模型分別完成句法分析、語義分析、情感分析等任務，隨著技術發展，逐漸融合為端到端的大模型，如以GPT為首的語言大模型展現出強大的推理能力，能夠形成較長的思維鏈。自動駕駛領域同樣如此，早期使用不同小模型分別實現紅綠燈檢測、車輛行人檢測等功能，如今將這些小模型融合為端到端大模型后，性能得到成倍提升，能夠形成類似人類老司機的駕駛直覺和行為方式。

公司內部演算法也經歷了顯著的演進過程。從演算法2.0到5.0，驗證了從基於規則的演算法向數據驅動演算法的轉變趨勢。2022年公司第一款車量產時，規劃採用的是基於規則的規劃方式。到2023年下半年，在AD算法4.0階段，已完全實現基於深度學習的規劃。2024年上半年，AD算法5.0開始內部測試，下半年正式推送給終端客戶，形成了一段式的端到端大模型。

與之前的演算法版本相比，一段式端到端大模型具有獨特優勢。在AD算法4.0時代，對於一些未明確定義物體的場景，如突然出現的石頭、路面坑窪或清明節火堆等情況，感知模組無法準確輸出物體資訊，導致規劃模組無法獲取相關信息，進而難以規劃合理的行駛軌跡避開障礙物。而在演算法5.0時代，通過在訓練過程中加入真實世界的長尾問題數據以及人類老司機的駕駛數據，模型能夠形成對全域的認知。即使沒有明確定義通用障礙物模型，也能基於已有數據學習到類似繞開通用障礙物的行為，實現類似人類老司機的駕駛操作。

不過，訓練一段式端到端大模型面臨著巨大挑戰，訓練一個這樣的模型可能需要花費一周時間，且需要投入幾十萬甚至100萬美金的雲端算力，成本高昂。為解決這一問題，我們創新地提出了獨特的長期記憶和短期記憶訓練方式。這種方式能夠在保證模型訓練效果的同時，實現低成本、短週期的反覆運算，確保一次性訓練成功。

目前，我們與眾多合作夥伴保持緊密合作，陸續有量產車推出市場，如廣汽豐田的鉑智3X以及東風日產的N7等車型。這些量產車的推出，標誌著公司在自動駕駛技術商業化應用方面取得了重要進展，也為消費者提供了體驗先進自動駕駛技術的機會。

行業洞察與智駕摩爾定律

我們基於自身在自動駕駛技術研發過程中的實踐經驗和對行業發展的深入觀察，提出了“智駕摩爾定律”。該定律包含兩層重要含義，其中第一層涉及軟體體驗方面。根據我們的判斷，自動駕駛軟體每兩年體驗將提升十倍。

智駕摩爾定律的第二層含義聚焦於硬體成本。從行業發展現狀來看，硬體成本呈現出每兩年減半的趨勢。2022年、2023年，行業內實現城市自動駕駛功能的方案通常採用雙Orin-X以及多個雷射雷達，整套硬體成本約為2萬元人民幣。到2024年，行業內出現了單Orin-X或其他域控方案，甚至有無雷射雷達的方案，使得實現城市自動駕駛的硬體成本降至1萬元左右。

展望2025年、2026年，公司預計通過減配感測器以及採用性價比更高的晶片等方式，硬體成本將進一步減半，整個實現城市自動駕駛的成本有望降至4000 - 5000元。這一成本的下降趨勢，將極大地推動自動駕駛技術的普及，使更多消費者能夠享受到先進的自動駕駛服務。

需要指出的是，硬體成本的下降並非無止境，其下限預計在4000 - 5000元左右，這也是實現NOA的最低成本。在追求硬體成本降低的同時，如何確保自動駕駛系統的性能和安全性不受影響，是行業內需要持續關注和解決的重要問題。

“智駕摩爾定律”為自動駕駛行業的發展提供了一種具有前瞻性的視角。軟體體驗的快速提升和硬體成本的不斷下降，將共同推動自動駕駛技術從當前的發展階段逐步邁向更加成熟和普及的階段。對於我們而言，這既是機遇也是挑戰。我們需要繼續加大在技術研發方面的投入，不斷優化演算法，提高軟體性能，同時積極探索更具性價比的硬體方案，以適應行業發展的趨勢。

此外，隨著自動駕駛技術的普及，相關的法律法規和標準也需要不斷完善。政府和行業組織應加強對自動駕駛技術的監管，確保其安全可靠運行，同時制定合理的政策，鼓勵企業進行技術創新和產業發展。

Monmenta以“better AI better life”為使命，在自動駕駛領域不斷探索創新，通過技術突破、產品戰略的實施以及對行業發展趨勢的準確把握，致力於為用戶帶來卓越的價值。同時，我們也希望與眾多合作夥伴攜手共進，共同打造更加美好的自動駕駛未來，推動行業的持續發展。

（以上內容來自Momenta全球解決方案首席架構師饒慶於2025年3月20日在第三屆AI定義汽車論壇發表的《自動駕駛的可規模化之路》主題演講。）