城市NOA普及加速，智駕“雙強”華為Momenta單月搭載量達8-10萬

市占率61%，Momenta領跑城市NOA第三方供應商市場。

作者 | 鄭浩鈞

編輯 | 吳 彤

隨著智能駕駛方案的快速進化，從高速NOA到城市NOA，從規則驅動到數據驅動，智能駕駛的研發難度與所需資金也在迅速提升，每年數億元的投入似乎只是行業的入場票。

智能駕駛研發門檻的提高，使得一些弱勢第三方智駕供應商陷入發展困局，智駕供應商市場份額逐漸向頭部集中，呈現出“雙強主導”格局。

近日，《2025城市NOA汽車輔助駕駛研究報告》（以下簡稱“報告”）在中國汽車工業協會汽車行業信息發布會上正式發布。報告顯示，2025年1-11月，在城市NOA第三方供應商市場中，Momenta和華為HI模式的市場份額顯著領先，合計占第三方供應商比例約八成。其中，Momenta城市NOA搭載量41.44萬輛，占第三方供應商比例約61.06%。

在Momenta領先的市場地位背后，是其技術探索腳步一直走在行業前沿，而更深層次的原因是Momenta在創業初期就認識到物理世界對智能駕駛的重要性，因此沒有埋頭只做技術，而是選擇了研發與交付并重的發展路線。

PART 1

算法、數據閉環帶動規模化量產

2025年，城市NOA功能在中國汽車市場進一步普及。報告顯示，2025年1—11月，我國搭載城市NOA功能的乘用車累計銷量達312.9萬輛，占乘用車上險量的15.1%，較2024年全年提升5.6個百分點。

其中，Momenta城市NOA搭載量41.44萬輛，占第三方供應商比例約61.06%，保持行業領先，覆蓋國內主流乘用車企業，且全球排名前10大車企中，有8家與Momenta開展合作；華為HI模式搭載量約13.41萬輛，占第三方供應商比例約19.76%。

根據中汽協數據分析預估，2025年11月華為乾崑智駕（鴻蒙智行+HI模式）的搭載量已達到10萬輛，Momenta搭載量約9萬輛。從第三方城市NOA供應商市場份額、搭載規模上看，華為與Momenta“雙強格局”穩固。

據雷峰網《新智駕》了解，方案、數據的通用性是Momenta能與如此多車企的不同車型合作的原因。目前，搭載Momenta城市NOA功能的L2車型與L4方案均使用統一的軟件算法架構、傳感器方案，采集到的數據可以在不同車型上通用以及用于針對性地訓練和優化算法模型。

可以說，Momenta已經構建起了“算法、數據閉環、規模化量產”的體系化閉環。

在數據驅動的模式下，智能駕駛功能的發展速度很大程度取決于數據量。如今，Momenta城市NOA的年搭載量已經突破40萬輛，已經接近甚至超越許多自研城市NOA的車企，更是在第三方城市NOA供應商市場中一騎絕塵，先發優勢已愈發明顯。

PART 2

強化學習帶動模型進化

在智能駕駛這個智力密集型行業，除了數據積累的先發優勢，Momenta市場表現領先的另一大原因是其在技術上的領先。

目前，Momenta已推出Momenta R6強化學習大模型（以下簡稱“R6模型”），這是國內首個在端到端基礎上真正實現量產落地的強化學習大模型。 區別于模仿學習，Al的駕駛能力是接近人，而基于強化學習的Momenta R6強化學習大模型，可以在模擬的環境里去探索新的駕駛行為，系統從自己的成功和失敗中吸取經驗，自我快速的成長，可以讓駕駛在安全、安心的能力上，有機會超過人甚至大幅度超過人。

Momenta R6強化學習大模型在技術上的領先也轉化為了體驗領先，在安全性上，通過對不安全軌跡給予負反饋，提升了模型對鬼探頭等危險場景的應對能力；在舒適性上，在十字路口無保護左轉等多目標博弈場景中，模型能做到既考慮對向來車，又考慮斑馬線上的行人、兩輪車；在通行效率上，Momenta通過獎勵機制激勵模型的正確行為，懲罰錯誤行為，提升了通行效率，例如在擁堵路段智能選擇車道、精準下匝道等。

回顧Momenta的智能駕駛發展歷史，可以發現其一直走在技術前沿。2020年起，Momenta就堅定推進端到端算法架構——用數據驅動算法逐漸取代規則算法，并將分散的小模型逐漸融合為統一大模型。

2022年，Momenta首款量產車型的智駕方案仍基于規則規劃與多個專用模型（如紅綠燈識別、動態物體檢測等）。不過，改變很快發生。Momenta在2023年上半年，應用了基于Transformer的預測模型；2023年下半年實現感知與規劃的兩段式端到端，并推出基于Transformer的規劃算法。作為對比，當時特斯拉的FSD仍為V11版本，采用的是基于規則的規劃算法。

2024年，Momenta進一步將感知與規劃融合為一段式端到端模型，實現從傳感器原始信號到規劃軌跡的端到端輸出。一段式端到端方案的優勢首先在于系統反應更快，能提升對通用障礙物的識別能力；其次，由于感知與規劃模塊的融合，在一段式端到端方案中，原始數據的損失更少，系統可以規劃出更適合的行車軌跡，提升在復雜場景中的擬人能力。

不過，由于一段式端到端方案依賴模仿學習，其成長上限受制于人類司機數據，且難以完全抑制模型對一些錯誤行為的學習，Momenta于2025年在模型中引入強化學習機制，推出Momenta R6強化學習大模型。在云端仿真世界的訓練中，Momenta通過強化學習中的獎勵與懲罰，就能不斷抑制模型的風險行為，并提升安全性、舒適性與通行效率。

PART 3

結語

如今，AI行業正處于極速變化的發展階段，但數字世界AI與物理世界AI仿佛走向了相反的發展道路。前者以大語言模型為代表，谷歌、xAI、阿里、月之暗面等巨頭與創業公司，仍在孜孜不倦地推出新產品、新模型。后者以智能駕駛為代表，已經從百花齊放開始逐漸走向頭部集中。

兩種AI的差異背后，固然有行業發展階段、參與者投入決心、資金實力的不同，但回到第一性原理，這種差異更多取決于兩種世界的性質——數字世界天生靈活、容錯率高，用戶愿意嘗試不同的產品；物理世界則顯得笨重，汽車生產出來后很難拆回零件的狀態，大部分用戶購車后三到五年才會選擇換車。這就讓主機廠、用戶在選擇智駕方案時慎之又慎，更愿意選擇有過成功經驗的公司，比如Momenta。

而Momenta之所以能取得如今的地位，也與其深諳物理世界的特性有關——智能駕駛是要在汽車上用起來的。在創業初期，當許多競爭對手只是埋頭研發，不愿埋下身子做好更臟更累的交付時，Momenta選擇了研發與交付并重，不僅與主機廠們密切溝通，高管們也頻繁試駕各地的實驗車輛。

現在，Momenta在第三方城市NOA市場中取得了超60%的市占率，馬太效應已經越來越強，接下來他們最大的對手應該是自己——如何提升自身的組織效率，將更多的訂單完美交付。