自動駕駛領域正經歷一場深刻的變革，行業討論的焦點逐漸從單一技術路線轉向更深層次的競爭維度。Momenta首席執行官曹旭東在北京車展期間提出，自動駕駛企業的核心競爭力已不再局限于某個算法突破，而是取決于架構設計、體系搭建和組織能力建設。他強調，數據本身的價值密度極低，如何將海量原始數據轉化為可落地的產品能力，才是決定企業能否突圍的關鍵。
曹旭東用"鐵礦石煉鋼"的比喻揭示數據價值轉化過程：原始數據僅占價值鏈條的10%，剩余90%的價值來自數據清洗、場景挖掘、模型訓練等體系化能力。以極端場景識別為例，百萬輛量產車采集的數據中，高速路三只小狗結伴穿行的場景可能僅出現一次，如何從海量數據中精準提取這類長尾場景，考驗著企業的數據處理架構效率。Momenta通過預訓練與后訓練雙階段模型，將物理常識與駕駛行為對齊，使模型既具備環境感知能力，又能學習人類駕駛員的決策邏輯。
在技術路線競爭方面，曹旭東認為單點算法創新難以形成長期壁壘。他指出，當前行業普遍采用的端到端、世界模型等技術方向，最終效果差異往往源于體系化能力差距。這種差距體現在數據閉環的完整度、訓練驗證體系的嚴謹性，以及組織文化的迭代效率。以Momenta與奔馳的合作案例來看，從2017年戰略投資到2025年量產落地，歷經八年技術驗證與產品打磨，這種長周期合作對企業的體系韌性提出極高要求。
面對中國智能駕駛技術出海趨勢，曹旭東提出"反向合資"的創新模式。他認為，中國技術企業與海外車企的深度合作，既能為當地用戶提供前沿產品體驗，又能通過技術賦能創造就業機會和稅收價值。這種模式在Momenta的全球化布局中已見成效，其客戶矩陣覆蓋德系BBA、日系三強及美系兩大巨頭，形成獨特的國際合作生態。在應對"中國速度"與"國際標準"的沖突時，Momenta通過用戶價值共創機制，在合規框架內實現技術迭代與工程交付的平衡。
物理AI的發展路徑在曹旭東的論述中逐漸清晰。他判斷自動駕駛將成為首個實現規模化閉環的物理AI領域，其數據閉環與商業閉環的正向反饋機制，正在推動模型能力突破人類水平臨界點。這種突破在AlphaGo和人臉識別領域已得到驗證，而自動駕駛的復雜場景訓練將加速這一進程。相比之下，通用機器人領域由于硬件工具鏈的復雜性，規模化閉環仍需5-10年發展周期。
在商業落地層面，Momenta展現出獨特的平臺化戰略。其自動駕駛大模型同時覆蓋Robotaxi、Robovan和乘用車場景，通過垂直領域數據反哺實現模型迭代。這種模式顯著降低研發成本，使物流與出行場景的技術復用效率提升40%以上。曹旭東透露，公司L4業務已進入商業化加速期，2025年將實現乘用車與商用車雙線突破，形成完整的智能移動生態。
對于行業競爭格局，曹旭東預測自動駕駛領域將呈現強收斂特征。他類比芯片行業發展規律，指出自動駕駛的軟件邊際成本特性將強化先發優勢，形成比半導體行業更集中的市場格局。據其分析，中國市場最終可能僅存2-3家頭部企業，全球市場將收斂至3-4家主導玩家。這種判斷基于八年量產合作經驗——從項目接洽到量產落地平均需要5-7年周期，構成新進入者的天然壁壘。
在創業十年的反思中，曹旭東將成功要素歸結為團隊價值觀的契合。他強調，自動駕駛領域的長周期競爭特性，要求創業者必須享受問題解決過程，與志同道合者共同面對技術挑戰與商業波動。這種文化基因已滲透至Momenta的組織架構，形成數據驅動、快速迭代的獨特基因，支撐其在全球自動駕駛競賽中持續領跑。
