作 者 | 炫夜白雪
图 片 | 来源网络
国内第三方智能驾驶企业 Momenta 以 "6880" 为代码在港股上市当天，刷屏的不只是 68 亿港元募资，也不是 700 亿市值，更不是超 400 倍的认购。
真正引发行业关注的，是它被越来越多投资者称为 "Physical AI 第一股 "。
事实上，" 物理 AI 第一股 " 的称呼，并非第一次出现在上市公司的新闻传播里。
在 Momenta 之前，五一视界在港交所主板挂牌上市，打出的旗号便是 " 全球 Physical AI 第一股 "。此后深圳多光谱 AI 企业海清智元上市，同样被以 " 物理 AI 第一股 " 报道。
三家业务不同的公司，却同步要涌入 " 物理 AI" 万亿级赛道，这个标签背后，是一个更大的产业转向：AI 正在从数字空间走向真实物理世界。
过去几年，AI 叙事几乎被大模型主导。资本追参数、追推理能力、追生成效果，仿佛模型越强，商业价值就越大。但从 2025 年开始，风向变了。
自动驾驶、具身机器人、数字孪生等领域重新获得关注。基础模型够用了，世界模型开始落地，真实场景数据持续积累，政策也在发力机器人 +、智能制造和低空经济。
Momenta上市的意义在于，它标志着Physical AI从概念讨论进入商业验证阶段。过去市场问 " 你的模型有多大 "，未来可能会更多追问：" 你到底积累了多少别人无法复制的真实世界数据？"
AI 的下一公里，是理解现实世界。
过去十多年，AI 主要在数字世界里活跃。搜索、推荐、大模型解决的是信息理解和生成。但如果 AI 要真正走进工厂、汽车和家庭，仅仅懂文字和图像已经不够。
它必须学会理解物理世界。自动驾驶汽车在复杂路口，需要瞬间判断旁边车辆会不会突然变道；机器人抓水杯时，要算好角度和力度，既抓稳又不捏碎。这些都需要对空间、运动和因果关系的把握。
世界模型正是为此而来。通过数字孪生和仿真平台，AI 可以在虚拟环境中大量预演，降低真实试错成本。而自动驾驶和机器人规模化部署，则带来了过去最稀缺的东西——持续的真实世界数据。
Physical AI的核心不是机器人，而是一个数据飞轮。
很多人一听 Physical AI 就想到人形机器人。但机器人只是最终形态。真正重要的是背后那个持续运转的闭环：现实产生数据，数据训练模型，模型驱动执行，执行结果再反馈优化。
模型可以靠一次大更新快速追赶，但真实数据没有捷径。道路上的每一次变道、机器人每一次抓取失误，都是长期积累的资产。
因此，现在越来越多自动驾驶企业不再只秀模型参数，而是反复强调真实里程和极端场景覆盖。这不是营销话术，而是竞争逻辑的根本转变——从算法竞争转向数据获取、运营和利用能力的竞争。
数据飞轮，才是Physical AI真正的护城河。
部署越多，数据越丰富；数据越丰富，模型越强；模型越强，又能带来更多部署。这个正反馈一旦形成，后来者面对的就不再是一个模型，而是整套积累多年的数据和运营体系。
除了数据飞轮型玩家，Physical AI 还会催生基础设施平台——世界模型、数字孪生、仿真工具等，能降低全行业门槛，类似当年的云计算基础设施。而硬件企业则面临一道分水岭：长期优势到底是靠制造，还是靠软件和数据闭环？
中国企业在这轮浪潮中拥有明显优势。完整的制造链条、密集的应用场景，让我们能更快积累真实世界数据。这些优势可能不会直接体现在模型排行榜上，但很可能转化为实实在在的产业竞争力。
机会巨大，但别忽略风险。
世界模型的泛化能力仍待突破，数据采集成本高、周期长，安全监管和责任认定等问题也还在路上。Physical AI 概念越来越热，有些传统企业已经开始换包装蹭热度。
真正需要问的始终是那几个问题：这家公司有真实场景吗？能持续获取高质量数据吗？能不能把数据变成长期壁垒？如果答案是否定的，概念再响亮也难有持久价值。
Momenta 上市，更像一个新阶段的起点。
过去十年，大模型重塑了知识生产；未来十年，Physical AI 很可能要重塑现实世界的生产方式。当数字智能开始持续作用于物理世界，AI 竞争的核心也在悄然变化——不再只是谁的算法更先进，而是谁能更深、更持久地理解并改变真实世界。
在 Physical AI 时代，最稀缺的资产，或许不是更大的模型，而是那些无法被快速复制的现实世界经验。
而数据飞轮，正是连接两者最重要的桥梁。
