飞轮战略与百年愿景：从数据驱动到AI永续

曹旭东十年如一日穿着印有Momenta核心战略图示的公司文化衫——飞轮战略与两条腿（量产自动驾驶 + 完全无人驾驶），这不仅是公司战略的具象表达，更体现了他与团队对长期主义的坚守。他提到，Momenta的十年愿景中，“十年挽救百万生命”是最基础、最重要的目标；而百年愿景则定为“Better AI, Better Life”，意在设立一个“有生之年做不到头的AI目标”。这一愿景的设定，源于他早期在微软和商汤的产品实践经历：真正work的产品，哪怕在窄域场景中达到人类水平，背后都依赖海量数据驱动。孙剑作为早期导师，对其影响深远——他强调实验中反常现象的价值，并提醒：真正超一流的人，是聪明人下苦功夫。

真正超一流的人，就是聪明人下苦功夫了。

这个是一百年的。对，那个是我们使命，在这就 Better AI, Better Life，更好的人工智能，更好生活。

第一梯队格局已定：数据、规模与先发优势的闭环

当前中国第三方高阶辅助驾驶（城区NOA）市场，第一梯队市占率已超90%，主要由Momenta与华为构成，二者具备显著定价权，价格明显高于第二梯队。第二梯队企业因缺乏议价能力，收入有限，难以支撑高强度研发投入，陷入“低收入—低研发—低竞争力”的恶性循环。而头部公司则依靠每年十倍的技术迭代速度（即AI支架的“摩尔定理”），通过快速增长的收入与毛利反哺研发，持续扩大优势。

车企在定点供应商时，会重点评估其生存能力（能否支撑5年量产周期）与技术演进趋势（是否持续拉大与头部差距）。随着自动驾驶从“nice to have”向“must to have”演进——预计2028年L2+成熟产品将达人类水平——其在购车决策中的权重已从“几乎不重要”跃升至第四位（仅次于价格、外形、空间）。曹旭东观察到，车企内部对智驾的重视已从“负责人级”上升至“一号位工程”，甚至董事长亲自参与体验定义。

基本上第一梯队的话，你看现在这个市占率加在一起已经到百分之九十了……其实就是你们和华为加在一起有百分之九十……而且我们两家的话是有比较强的定价权。

如果一定要说整个叫结束的话，就是可能改变这个格局的这个机会窗口，已经在今年年底的时候，或有可能在现在，也有可能在今年年底。关闭了，就已经关闭了。

体验即壁垒：从“好”到“更好”的不可逆分层

曹旭东认为，智驾行业本质是“好与更好”的赛道，而非“萝卜青菜各有所爱”的差异化市场——类似电池行业，头部玩家（如宁德时代）占据绝大多数份额。80%~90%的体验是“好与更好”的共性竞争，仅10%~20%可做风格化配置（如奶爸车/运动车偏好）。以Momenta R7 vs R6为例，施工场景处理从“新手司机式保守避让”进化为“提前、丝滑、带博弈的惊艳表现”，用户升级后感知极强。这种体验跃迁，正是数据飞轮加速后的必然结果。

尽管当前智驾尚未超越价格、外形等传统购车要素，但其已具备成为核心产品力的潜力。曹旭东指出，车企自研模式存在天然桎梏：规模效应不足，难以支撑长期高投入。而特斯拉虽有意开放方案，但其“只卖车不卖方案”的定位，使其难以成为第三方供应商。因此，先发者+规模者的双壁垒，将长期锁定头部格局。

就这个的话，其实我从一线从客户的身上的感受是极其强烈的……它就进入了一个非常好用的阶段了，它就从一个叫 nice to have 变成了一个 must to have 的一个产品。

行业格局：集中化是铁律

曹旭东指出，自动驾驶行业本质上是先发优势与规模效应极强的领域，最终玩家数量不会太多——中国可能仅剩两三家，全球三四家。这与服装、汽车设计等“萝卜青菜各有所爱”的分散型行业截然不同。他特别提到，四五年前曾有市场预言认为智能电动车会像智能手机一样大幅整合品牌数量，但现实发展证明这一判断有误：车企品牌数量并未显著减少，反而呈现出差异化竞争、多品牌并存的格局。

值得注意的是，行业毛利趋势也与早期预期相反。Momenta 的毛利率从 2023 年不足 20%，跃升至 2025 年超过 70%，印证了其产品具备高附加价值与强客户粘性。曹旭东强调，FSD 入华不会改变行业集中化的大方向，但会加速出清——正如特斯拉当年入华推动了早期电动车品牌的洗牌：“它可能会加速这个进程……加速了这个不不好的那些品牌出清嘛，嗯，然后好的品牌越做越好。”

技术竞争与车企自研：合作优于垄断

面对车企自研智驾系统的趋势，曹旭东将其类比为内外部供应商同台竞技，并认为这将进一步推动行业整合与集中。他指出，当前汽车消费增速放缓、价格战激烈，对上游供应商构成压力，但 Momenta 的商业模式具有天然抗压性：其智驾方案并非成本项，而是盈利项——以“加钱选装”形式交付，选装率极高，且能帮助车企提升单车售价与毛利，真正实现 customer success。

他进一步强调，车企的核心能力不在于“自己造零件”，而在于精准定义用户、打造品牌、持续 over deliver。品牌本质是信任，而信任源于一代代产品对用户未言明需求的精准满足。他举例称：“品牌就跟一个人的名字一样……你一听到这个名字就觉得很温暖。” Momenta 的品牌愿景是“十年挽救百万生命”，目标是建立“安全安心”的认知。

“好的车企的话，这个东西自己做和这个嗯这个东西这个用最好的供应商的，其实没有本质区别。就像这个自己造一个电池和电池用宁德的，没有什么本质区别。”

盈利路径与机器人延展：从自动驾驶到物理世界智能体

尽管 Momenta 近三年亏损持续收窄（2023 年近 11 亿 → 2025 年刚过 3 亿），但公司明确规划了盈利时间表：2026 年打平，2027 年实现整体盈利。该节奏并非保守，而是基于持续翻倍的研发投入（2025 年约 2 亿美金 → 2028 年或达 6 亿美金），其中主要增长来自 GPU 训练资源与数据中心建设，而非人员扩张。曹旭东强调，产品体验每年可实现十倍级跃升，支撑其技术领先性与商业可持续性。

在战略延伸上，公司正从自动驾驶向家庭机器人领域谨慎拓展。其判断依据有二：一是中国家庭机器人有望在 2030 年进入规模化拐点；二是Word Model 的研发范式高度可迁移——从自动驾驶的“物理常识预训练 → 领域知识微调 → 行为对齐”路径，无缝延伸至机器人场景。曹旭东指出，机器人研发或需百亿乃至数百亿美金投入，但 Momenta 的高毛利（2025 年达 17 亿+）与持续增长的现金流，足以支撑这一长期投入，且更倾向于“用自动驾驶毛利反哺机器人研发，而非持续烧钱或依赖二级市场融资”。

“你如果这个上了市，如果亏损不断的放大的话，那可能会损害这个投资人利益。如果你找到了一个特别新的大方向，嗯，也许也有投资人买单。”

研发范式与技术路径的演进

Momenta 在大模型训练流程上形成了清晰的三阶段研发范式：pre-train聚焦基础物理常识建模，middle-train转向领域知识注入与具体场景适配，post-train则强调模型对齐（alignment）与行为一致性校准。这一套范式与硅谷主流机器人公司的技术路线高度趋同——例如通用型机器人公司Generalist采用大规模无本体数据预训练 + 小规模本体数据后训练的组合策略，成功将任务成功率从50%提升至90%，在业内引发强烈震动。

"他用大规模的数据，而且是无本体的数据做 training，完了之后用本体数据做 post training。"

"就把这个成功率的话，可能从百分之五十提升到百分之九十了。"

这一范式的成熟，不仅推动了机器人领域从‘聊AI’转向‘聊model怎么做’，更直接带动了机器人数据产业的爆发式发展：无本体数据采集大幅降低数据成本、提升采集效率；而千万小时级训练需求也倒逼数据基础设施快速升级——十万小时为入门级，千万小时才算海量，这对数据工程能力提出极高要求。

家庭机器人落地的三大支点

曹旭东将2030年视为家庭机器人规模化拐点，其判断基于三大核心支点：端侧算力成熟、本体供应链完善、以及自动驾驶技术溢出。

首先，在算力层面，2028年端侧即可支撑‘物理大脑+轻量语言大脑’双模型部署，且已在自动驾驶领域得到验证。尽管家庭网络条件优越，但物理大脑必须部署于端侧——云端延迟与不稳定性无法满足实时控制需求；语言大脑虽可云端运行，但为保障隐私与体验，端侧仍需轻量副本，类似Pad端Agent的本地化处理逻辑。

其次，本体成本是规模化关键。团队认为，理想成本应压至1万美元（区间1–2万），这依赖整机可靠性、精度与供应链成熟度的同步提升。而Momenta选择2027年入场，是为等待自动驾驶飞轮（L4级）充分转动：研发与组织能力的溢出效应，使机器人项目得以‘顺水推舟’，避免‘三个缸两个盖子’的资源内耗困境。

软硬协同与商业化的战略选择

相较于语义从身体出发的路径，Momenta采取‘场景驱动—大脑先行—本体协同设计’的逆向路径：先定义家庭服务场景，再构建物理与语言双脑系统，最后联合供应链完成本体设计。虽不亲自‘造车’，但将深度参与软硬一体化研发，扮演关键设计角色。

在商业化策略上，团队坚持‘是否创造新增价值’为决策核心：Robotaxi业务选择以ASG（自动驾驶服务提供商）模式合作运营，规避重资产投入；而Scalable Robot业务线中，Robot One（同城配送）优先级最高，因其需求迫切、竞争较缓；Robot Truck（郊区大宗物流）次之，虽场景复杂（如坑洼土路、动物穿行），但车流量低、长尾问题少；Robotaxi则因平台化运营毛利承压（小马、文远2025年毛利仅15%–30%），暂列第三。

"我做这件事情到底能不能给行业创造新增价值？如果我能创造新增价值，我就做；如果没办法创造新增价值的话，我就不做了。"

这一战略也解释了为何Momenta能复用80%以上的自动驾驶人才、数据工程与One Model经验——高密度人才与技术资产的可迁移性，构成其对抗新兴资本玩家（如获巨额融资的2024年新锐）的核心优势。

多线并行：Scalable Robot与量产业务的协同逻辑

Momenta 并非仅聚焦于 Robotaxi，而是构建了一套名为 Scalable Robot 的统一技术路径，覆盖 Van、Truck、Taxi 三大场景，并计划于 2027 年拓展至具身智能（Robotics）。曹旭东强调，量产业务仍是当前第一优先级，但公司更倾向于以“创业公司式”的方式推进新方向：设立最小闭环、分阶段验证里程碑，而非自上而下分配资源。这种策略的核心支撑，是正在二期验证的 Foundation Model（基座大模型）——它能同时服务量产、Robotaxi、Robotruck 和 Robotone 等多场景。曹旭东指出，这一模型若性能提升十倍，将同步带动所有下游应用提升十倍，其价值不亚于大语言模型（LLM）支持多任务（如数学、编程、写PPT）的通用性。

“用一个 foundation model，可以支持所有的 autonomous driving 的 application，包括了量产，包括了 robot one、robot truck、robot taxi，然后呢？都能 work。”

“这三件事儿，它有一个共同的你们要投入的基座，就是你说的这个 foundation model。”

物理AI：从To B到To C的自然演进

Momenta 的终极定位并非自动驾驶公司，而是 AI 公司，更准确地说，是 物理 AI 公司——即以 AI 技术驱动物理世界的产品与服务。曹旭东将公司发展类比为“打游戏关卡”：量产是第一曲线，Robot 是第二曲线，家庭机器人是第三曲线。他特别提到，家庭机器人并非临时构想，早在疫情初期（2020–2021 年）就已列入战略视野，核心动因是 应对老龄化与少子化带来的社会刚需。一次回老家的经历让他印象深刻：大姑在听说机器人能“送孩子上幼儿园、买菜、打扫房间”后，不仅主动追问进展，甚至当场表示“十万块不算贵，第一时间给我买一个”。这种来自真实家庭的期待，强化了 Momenta 向 C 端进发的决心。

与英伟达等基础设施型公司不同，Momenta 的选择逻辑始终围绕 价值创造本身：自动驾驶以供应商（如 ASP）方式切入，避免造车；Robotaxi 聚焦自研方案（ASG），不与出行平台竞争；而家庭机器人因缺乏行业标准与产品范式，必须 端到端定义产品，因此需亲自下场。曹旭东强调：“我们考虑问题的出发点还是说，这件事情的价值是什么？”

初心与长期主义：从感知智能走向认知智能

曹旭东的 AI 之路始于 2006 年——彼时他尚在航空航天学院力学系读大二，因对统计物理的兴趣，自然延伸至统计学与统计学习，并被“从数据中提炼知识与智慧”的过程所吸引。2010 年加入微软亚洲研究院视觉组后，他系统积累了计算机视觉经验；2016 年 30 岁时创立 Momenta，团队平均年龄不足 30 岁，却在数百家自动驾驶创业公司中脱颖而出。他坦言，创业初心并非“成为第一”或“做多大公司”，而是源于两个朴素信念：一是 “Better AI, Better Life”；二是 “用十年挽救百万生命、解放百分百通勤时间、倍增物流与出行效率” 的社会价值。

十年来，团队始终在解决真问题、创造真价值：从用户吐槽到主动推荐，从技术验证到产品落地，每一步都伴随着认知深化与创新突破。曹旭东认为，AI 的终极意义不仅是技术突破，更是对人类智能的反哺与理解——“通过人工智能，很多时候真的对于人的智能有很多的共鸣，有很多的启发。”

All-in 的驱动力：热爱与问题本质

曹旭东坦言，自己并非天生勤勉，日常状态偏懒散，常睡到很晚；但一旦遇到真正热爱的课题，便会进入 all-in 的专注状态——早起晚睡、通宵达旦，甚至睡在实验室里。这种状态曾让他因长期盯着老旧大显示器而患上干眼症，却也支撑他完成了极具挑战性的毕设课题：一个融合统计学与物理的交叉项目，最终与师姐合作发表论文。他强调，无论身份如何变化（学生、员工、高管、创始人），只要一件事足够有价值、足够吸引人，他就会全身心投入。

“我不管这件事情是我的状态是什么，我是一个普通的学生也好，还是我是一个员工也好，还是我是一个高管也好，还是我是这家公司的创始人也好。只要这件事情它确实有价值，这件事情有特别特别的吸引人，哎，我很有兴趣，嗯，那投入的状态就是一个all in的状态。”

这种投入并非盲目，而是建立在对问题本质的持续追问上。他从一线客户接触、需求转化到产品落地全程参与，完成了从纯技术研发者向复合型业务角色的转变。他坦承，天性更偏好“在放松状态中讨论深刻技术问题”，但底层信念始终是：把想做的事做成——为此，他愿意主动补足短板、学习商务、提升沟通能力。他指出，非天性的能力可以习得并达到一流，但天性驱动的热爱，才可能让人在某个方向上做到超一流。

Zoomality：战略思维的双维跃迁能力

随着解决的问题日益复杂，曹旭东的思考重心逐步从技术细节上升到战略层面——包括技术战略、组织战略与方向战略。但他强调，真正的战略判断绝非空中楼阁，必须在 top-down 与 bottom-up 之间反复循环：先提出宏大构想，再主动寻找关键细节进行验证；匹配则强化信心，不匹配则及时修正。他将这种能力称为 Zoomality——即快速 zoom in（深入细节）与 zoom out（抽象升维）的能力。

“我记得我有一次跟某一个投资人聊，他说这个也是他最近学到一个新的词叫 zoomality，就是能 zoom in zoom out 的能力，而且快速的 zoom in zoom out 的能力，这件事情很重要。”

他进一步解释，“层”代表抽象程度的梯度：上层高度抽象（如战略方向），下层高度具象（如具体数据点）。能自由穿梭于抽象与具象之间的人，才具备处理复杂系统问题的真正能力。这种能力的训练，源于他对“重大决策不能只在某一层思考”的深刻体认——既要从一手经验中提炼抽象规律，又要用具体数据反向检验抽象判断，形成闭环迭代。

数据驱动的远见：从《On Intelligence》到自动驾驶

2016年，当多数人还在用 Deep Learning 做感知时，曹旭东已坚定押注“数据驱动的认知智能”——这是他创业创立 Momenta 的核心动因。他认为，自动驾驶是少数能同时融合感知智能与认知智能的赛道，且具备巨大社会价值。尽管当时机器人也是选项（如 2016 年成立的语义科技），但他判断通用机器人所需的认知复杂度“即使放到现在也极其困难”，而自动驾驶是更可行的切入点。

他回忆，当时硅谷交流中，多数人仍陷于模块级问题解决，缺乏 top-down 的系统设计思维：“仅仅是看到问题、解决问题，那有可能永远到不了月亮。”而他自己则基于两重经验形成判断：一是早年研读《On Intelligence》（即《人工智能未来》）对神经网络与生物智能关联的深入理解；二是在微软与商汤做产品时亲眼见证——真正达到人类水平的产品，背后必是海量数据支撑（当时“海量”即十亿级）。

“所以这两块东西就拼在一起嘛。所以这个公司从开始成立到现在，就就一直有这个信念，而且这个信念的话不是空想出来的，是从实践中来，然后又在实践中反复被验证的这个信念。”

他更用物理人特有的量纲思维验证：若实现全球千万级无人驾驶，按人类安全标准（一亿公里一次重大事故），所需数据量级约为千亿公里——远超自有车队采集能力，从而确认数据闭环必须依赖规模化仿真与众包采集。这一判断，在2016年远非共识（当时甚至有投资人称“用 Deep Learning 做 planning 的公司是骗子”），却成为 Momenta 从创立至今的核心信念：因为看见，所以相信；或更准确地说——相信与看见同时发生。

用统计思维推演无人驾驶数据需求

曹旭东在2016年对自动驾驶规模化落地的数据需求进行了量纲分析与统计推演。他提出：人类驾驶的安全性约为每亿公里一次重大事故；若无人驾驶要被广泛接受，其安全性需达到人类的十倍以上（即每11亿公里一次事故）。但验证这一指标不能仅靠线性测试——正如不能靠抛一次硬币验证其正反面概率为50%，必须通过足够多次实验以获得统计显著性。他指出，置信度与样本量的平方根成反比，因此需约100次有效实验（即100亿公里）才能获得可信结论；而真正要验证11亿公里无事故，则需千亿公里级数据量。

“统计上要有意义的话，大概是得扔大概一百次。一百次的话，它的置信度可能是根号n分之一……它的置信区间就比较可信了。”

“一千亿公里的数据，我觉得靠自有车队是不可能采集到这么多数据的。”

这一判断直接引出了Momenta的核心战略：数据飞轮必须依赖量产车辆反哺，而非自建测试车队。由此形成“飞轮两条腿”模型——一边推进量产（如高级辅助驾驶），一边积累数据、训练模型，最终支撑全无人驾驶（Robotaxi/Truck/Van）的规模化落地。该框架虽在2016年已成形，但直到后期才被提炼为口号并印上T恤，以强化组织共识。

长期判断与短期反馈的平衡艺术

曹旭东坦言，对外解释战略毫无意义——投资人只相信结果与交付；但对内，关键在于筛选并凝聚信念一致的人。他强调：即使长期方向正确，若研发体系设计失当，也可能长期无法获得正反馈。而Momenta坚持的原则是：技术验证周期绝不应超过三个月；若需一年甚至三年才能看到进展，说明研发路径本身存在结构性问题。

他回顾道，2016年的推演在2024年前后已初见成效：从2023年实现Deep Learning Planning，到2024年完成端到端模型，再到2025年引入强化学习、2026年探索World Model，每年均有可预期的技术跃迁。这些突破共同支撑了“两年十倍性能提升”的行业判断，甚至如今已趋近每年十倍的加速节奏。曹旭东指出，其底层逻辑是：模型能吃下更多数据，且性能提升具备可预测性。

“如果你从内部的研发的进展、技术的进展来说的话，这个正反馈不需要三年五年才能拿到正反馈……如果三年五年拿到正反馈，说明你的整个研发体系的设计是有问题的。”

“技术每年提升十倍……你已经能看到这个时间表和节奏了。”

从研究院到创业公司的组织淬炼

2018–2019年是Momenta组织转型的关键节点：此前公司更像一个松散的“研究院”，曹旭东自评其Zoomality（专注层级）仅为2——仅向上向下各看一层；此后则转向以客户为中心、能打硬仗的创业公司文化。转折源于严重过度承诺问题：对外对投资人夸大产品与商业化进展，导致信任损耗。曹旭东坦言，当时虽意识到问题，但因信息过载、判断不准，解决过程耗时半年；若今日重来，一个月即可厘清。

他总结出一套判断问题本质的方法论：区分“事儿的问题”“人的问题”与二者耦合的复杂系统问题。初期常因抓不住要害而陷入低效应对；随着经验积累，对“哪些是架构问题、哪些是执行问题、哪些是文化问题”的识别力显著提升。同时，复用主线、发展主线成为技术演进的核心原则——避免为快速迭代而开“支线”，防止代码与流程分叉，保障系统长期可维护性。

“当时的话，可能整个公司动荡了半年的时间。但比如说现在你让我去解决的话，可能一个月的时间啊。”

“现在的话，可能就真的是一秒钟、一分钟，然后就知道问题的根源在哪，然后很快的可以自动化解决。”

主线思维：拒绝烟囱式分叉

在 Momenta 的早期发展阶段，曹旭东提出了一套核心研发哲学：复用主线、谨慎发展支线。这一原则强调，面对新问题时，应优先调用现有主线架构中的方法与资源；若主线无法覆盖，则需在主线当前架构与体系内进行创新，而非另起炉灶、开辟独立支线。他指出，支线虽短期看似灵活，但长期会带来系统性风险——系统分叉、技术债务堆积、组织协同成本飙升。这一理念并非 Momenta 独创，而是在与华为资深高管交流时得到强烈共鸣：对方用一句“千万不要有那么多的烟囱，有那么多的烟囱的话，你会被五马分尸的”形象点破本质。曹旭东坦言，华为在复杂系统工程中积累的实战认知，深刻影响了 Momenta 的技术路线选择。这种对系统一致性的坚持，成为其后续十年技术演进的底层逻辑。

‘这个徐总，你这个千万不要有那么多的烟囱，有那么多的烟囱的话，你会被五马分尸的。’

烟囱就是支线，对啊，烟囱就是支线。有了那么多支线之后的话，你会被五马分尸的。

主线三原则：剃刀、合力与积累

围绕主线思维，Momenta 进一步凝练出三大实操原则：主线剃刀、主线合力、主线积累。

  • 主线剃刀：源自奥卡姆剃刀原理，强调在解决复杂工程问题时，优先选择最简洁、最本质的路径，避免聪明人常见的“过度假设”陷阱——即为问题添加不必要的前提或复杂模型，而忽视了主要矛盾与主要矛盾的主要方面。

  • 主线合力：要求技术方案必须具备组织协同性。即便多个方法在单独验证中有效，若无法融合进统一架构形成合力，则探索优先级应降低。曹旭东强调：“能形成合力的方法才是高优探索方向。”

  • 主线积累：强调方案在时间维度上的可复用性与可传承性——今日的投入必须为明日的交付打基础，而非一次性消耗。

这些原则并非抽象口号，而是渗透进日常技术决策的“心诀”，指导团队在海量细节选择中保持一致性与前瞻性。它们共同指向一个目标：构建一个可进化、可复用、可规模化的智能驾驶系统底座。

这些口诀是指导大家在日常的很多小的选择上，你优先选什么？……它是一个方法和思维上。

数据驱动的量产能力：从400人年到10人3个月

Momenta 的核心壁垒不仅在于技术先进性，更在于可批量交付的工程化能力。曹旭东以车型适配为例：早期需数百人投入一年完成单车型对接；如今，面对全新品牌与车型，10人团队可在3个月内完成从泊车到城区NOA的全功能交付——前提是工程样车状态良好且量产周期匹配。

这一效率跃升依赖三大支柱： 1. 功能复用库：大量功能已提前开发并模块化，适配多为配置调整而非重新开发； 2. 工具链进化：如 VVP（Vehicle Verification Platform）从规则验证升级为大模型驱动的智能诊断系统，问题排查从“找工程师”变为“问 agent”，实现数据自动爬取、经验回溯与根因定位； 3. 数据驱动闭环：发现问题→归因→修复→验证全流程自动化，架构与体系本身具备持续进化能力。

曹旭东强调，单纯靠时间堆砌（如“做满100款车”）可积累经验，但高质量、短周期交付依赖对“数据驱动”的真正信仰——即遇到挫折时不质疑方向，而是主动改造架构与流程，让数据驱动方法真正 work 起来。

真正相信和相信还是不一样的……遇到挫折的时候，不是这个方向不对，而是你怎么去改进，让这个方向能继续往前推？

决策的核心：价值、热爱与认知判断

在讨论CEO角色是否能被大模型显著提升效率时，曹旭东指出，效率并非关键指标，真正重要的是认知能力与判断力。他强调，好的决策往往依赖长时间的思考与讨论，而一线与一手信息的获取，是支撑高质量判断的基础。现实中，许多错误决策的根源，恰恰是脱离一线、信息不全、有偏或失真，导致无法进行综合提炼、验证与判断。

在决定是否推进某项新业务（如机器人与具身智能）时，他提出了一个清晰的决策框架：第一，新增价值是否足够大；第二，自己是否真正喜欢这件事。只要这两点成立，即使存在诸多问题，只要没有致命性阻力（即无法解决的根本障碍），就值得投入。他进一步指出，当一件事具备高价值、符合个人热爱、能吸引并凝聚真正认同者时，时间会自然带来进步——并非刻意追求超越他人，而是因持续投入而“越做越好”。

“只要这件事情价值够大，你非常喜欢这件事情，然后呢，你能不断的聚集，真的信任这件事情的价值……你会发现，当我不是刻意去追求我要比别人做更好的时候，随着这个时间推移，啊，你可能就是越做越好，越做越好，越做越好啊。”

“我们一六年创业的，到到二六年的时候，到三六年的时候，二十年，那那那时候我们嗯才我才五岁，其他人才四十多岁……所以我们需要一个一百年的使命，够够我们干一百年，啊，就是build to last，就是基业长青，这样我们做一个一百年企业。”

从自动驾驶到具身智能：百年使命的自然延伸

Momenta选择进入机器人与具身智能领域，并非单纯受特斯拉启发，而是其长期战略思考的自然演进。早在2016年创业之初，团队就已意识到：感知智能只是起点，认知智能才是核心；而自动驾驶是通往通用认知智能的绝佳切入点。一旦该路径跑通，机器人——即更高级、更通用的物理智能体——将成为水到渠成的下一步。

这一决策同样遵循前述原则：新增价值巨大（打开物理世界智能的广阔空间）、团队高度认同、且无不可逾越的致命障碍。曹旭东引用“刺猬与狐狸”的比喻，强调底层原则与单一核心理念（如“build to last”）对长期主义企业的重要性。对他而言，使命驱动比技术热点更重要——当目标足够清晰，外界干扰自然消解，专注力转化为持续进化的能力。