在Momenta干过量产，在美团推过无图，她这次下场做具身智能。 作者：吴 彤 编辑：林海峰
2025 年的某一天，穆北鹏在上海出差，随手叫了一辆网约车。车来了，她看着车前那个盒子，愣了一下，那玩意儿长得有点眼熟。
不是一般设备的样子。它的形态有点特殊，是当年被一行一行抠代码、把算力榨到最后一滴血才塞进去的那种特殊。她盯着看了几秒，认出来了：这不是自己当年在 Momenta 搞的那套后装设备吗?
绿灯还亮着。还在传数据，还活着。
“这么些年还活着，还可以，没白折腾。”她后来这样回忆。
这是一个很小的细节。但如果要理解穆北鹏这个人，理解她的选择、她的判断逻辑、她在一次次浪潮里的位置感，这个绿灯是一个很好的入口。它关乎一种朴素的、近乎固执的东西：一个技术者对真正落地、创造价值的执念，以及在浪潮起落之间，她关心的是那个东西到底跑没跑起来。
从清华自动化系，到麻省理工的信息与决策系统实验室，到西雅图 Facebook Reality Lab 的那间沙盘实验室，再到苏州的 Momenta 总部大厦，北京美团的无人车部门，直至 2025 年 10 月她离开美团、投身具身智能创业，穆北鹏三次押注趋势，两度回归“技术天花板更高”的地方，又两度亲手把自己熟悉的东西“革掉”。
用她自己的话说，这是一个比较“耐造”的人的故事。
01、从清华到MIT（2007--2011--2016）
穆北鹏 2007 年考入清华大学自动化系。
准确地说，清华当时并没有一个明确的AI 专业。自动化系是一个非常综合的地方，软件、硬件都有，甚至包括微电子相关的课程。用今天的眼光回看，它更像一个涵盖软硬件的“具身智能”专业。事实上，系里后来也成立了具身智能研究院。
穆北鹏今年 3 月在和左林右狸的访谈里点破这层关系：“具身智能和人工智能的关系确实很近。”
2011 年，她本科毕业，申请赴美读博。因为自动化是个万金油专业，大家申请的方向很杂：有偏电子的，有偏计算机的，也有工业工程、运筹学方向的。穆北鹏申请得也杂，申请了几个和自动化相关的方向。
这一年，穆北鹏进入 MIT，信息与决策系统实验室（Lab for Information and Decision Systems），Jonathan How教授的课题组。
How，国际机器人领域的权威院士，曾在 2007 年的 DARPA 自动驾驶挑战赛中 MIT 团队的带队老师之一。但这位教授申请经费的节奏，和每年招生的时间并不总是完全匹配。系里有一个招生委员会，把所有申请材料看了一遍，觉得穆北鹏的背景还行，大概刚刚过了可以被录取的线，于是先发了一个录取通知，不是正式的带奖学金的那种。
真正的转折发生在一顿午饭上。快到夏天时，How 正好新拿到一笔经费，需要学生推进研究。系里的教授们每周会一起吃午饭，有教授聊起来：“我们之前录取过一个中国学生，背景还可以，你如果缺研究助理的话可以考虑一下。”就这样，穆北鹏才有了研究助理的位置，有了资金支持，那个录取通知才变成一份真正的 offer。
她是 How 组里很长一段时间内第一个从大陆直接招来的研究生。
How 招人的来源一向很固定：他自己来自加拿大，会从母校招一些人，再从北美本土熟悉的教育体系里招人；或通过合作教授推荐，招过一两个韩国学生、土耳其学生。穆北鹏是第一个不以英语为母语的中国大陆学生。
于是，前半年是地狱级的。
穆北鹏回忆，“大家聊天时，会感觉我是一个很内向的人。其实不是，是我说得太快、听不懂、跟不上。”有一段时间，她既听不懂也看不懂。坐在她旁边、同一届入学的那个同学帮了她很大的忙，聊天时会停下来问：“北鹏，你是不是没听懂这个词是什么意思?”
她给自己想了个笨办法：跟导师约定，每周把自己做的事情写下来，拿着写好的东西去沟通。“因为一般来说，我们华人都是读写能力比听说要强很多。通过写下来再慢慢说，这个沟通的节奏就顺畅多了。”
但更要命的压力来自这位同桌本身——后来被无数 MIT 同学评价为“见过的最聪明的人，没有之一”，第一个学期就开始写论文、发论文，而穆北鹏要到第一年结束时才开始动手。有一门控制理论的课，期末考卷发下来，How 拿着她的数学卷子进来：“哎，你没看看多少分?”她考了 90 多分，全班平均分只有 60 多分。但又转头一看，同桌考了 100 分。
“我当时心想，我是不是考得很差?”穆北鹏说。她一度以为 MIT 的标准就是这样。后来才明白，那位同桌是一个极大的离群值。
“硕士阶段算是‘厚积’了很久。我们实验室比较卷，导师是按他实验室的常规节奏在带。但因为我的基础相对薄弱，How招的其他学生，很多本科阶段就开始做相关研究、发表论文了，而且都和“控制”“规划”“机器人”相关。我本科数学和编程基础还不错，但是偏机器人方向的研究很少。”
导师会用同样的标准来要求所有人。因此，前半年穆北鹏经历了一个地狱级的阶段。穆北鹏说，“但我有一个特点，就是比较‘耐造’，适应能力比较强。”
当时主要任务是先看懂学长们做过哪些研究，然后在这个基础上做一些拓展和延伸，比如推导公式、做推论之类的。因此，她的头两年硕士阶段做的都是非常理论性的工作。
“但在 LIDS 实验室内，How 是更便实际机器人和落地的组，有无人机、无人车多种平台在运行、在飞。”
因为既有理论也有实践平台，导师申请经费的能力也很强，所以课题组常年都很大，本硕博都有，还有联合培养的学生，加起来有几十个人。
How 像管公司一样管理实验室：每年申请到多个项目，计算这些项目能支撑多少个博士生，每个人负责一个项目主题。穆北鹏和她那位金牌同桌，共同推进一个叫“多校研究计划”的大项目，课题的主题叫“信息价值”，意思是，现在传感器越来越丰富，数据量非常大，但这里面有多少是真实、有效的信息。（欢迎添加作者吴彤微信：lI__O0o ）
硕士（两年）毕业后，经过理论的夯实和锤炼，穆北鹏希望博士阶段（三年）干点动手和实验的课题。
契机来了。这个多校研究计划的优势是可以与 Berkeley、UCLA、UMich 等一流学校的老师一起交流甚至做课题。她看到有些老师在做相关工作，拿一个相机就可以实现追踪、建图、导航和三维重建，非常酷炫——这就是 SLAM(同步定位与地图构建)。
她因此开始做这个方向的课题研究，并且加入这个方向的开创性教授 John Leonard 的课题组（准确说是 co-advisor 联合导师）。
Leonard 是 2007 年 DARPA 挑战赛 MIT 团队的带队教授，是 SLAM 领域最早、也功成名就的泰斗级人物。两位导师的风格截然相反：How事必躬亲，会帮你改论文、写不好会骂你、一个项目指定一个人负责；Leonard 则因兼任系主任等行政职务，时间极少，基本不给学生定方向。“我们和导师的交流，很多时候是'一分钟谈话'——你只能在楼道里堵住他，抓住机会说个想法，他说'好，挺好的，你去干吧'。”
在 Leonard 门下，穆北鹏最大的收获，是开始从感知、定位、规划控制多个维度综合设计机器人系统，并引入深度学习技术，直接利用语义感知结果进行三维建图。她的博士研究，最终落在用“信息价值”这种信息论的方法来做 SLAM：怎么更高效地做定位建图、哪些信息必须保留哪些应该扔掉、在稀疏信息条件下如何做滤波、怎么做物体的检测和 3D 位置定位。
这些工作后来发表在 IROS、RSS、IEEE TRO 等机器人顶会顶刊上，累计二十余篇论文，并持有数十项技术专利。
多年后再回看读书的日子，技术更新迭代里很多，穆北鹏收获最多的，反而是那段时间里反复训练的通识教育。
“对我们学机器人学的人来说，进入这个领域后，你自己的研究是在某个具体方向上能不能挖得更深一点。但为了能挖得更深，我们所接受的通识教育是，我们需要把信息论、概率论、控制理论全部重新系统地学一遍。”从做检测，到状态估计，再到规划、控制，整个体系重新走一遍，然后在这个过程中选一个点去深入挖掘。这和国内可能一上来就专注于具体某件事，又不太一样。
这套系统性的知识框架，是理解穆北鹏日后所有技术判断的钥匙。“你有这个知识框架，当一个新的东西来的时候，你在知识框架里更新这一部分，变成下一代，再更新，变成下一代。”从 SLAM 到 BEV，从高精地图到无图，从自动驾驶到具身智能，她始终认为自己更换的只是框架里的某些模块，而底层的那套“信息论做机器人”的操作系统从未改变。
此外，她还在硕士毕业、思考博士方向的间隙，去密歇根大学著名信息论学者 Alfred Hero 的实验室交换了一个暑假，参与信息论相关的论文工作。一个巧合是：Hero 也是自动驾驶行业另一位知名技术者陈亦伦的博士导师。这个圈子小到，多年以后当穆北鹏回望时会说：“这么看我们确实有点渊源。”
2011 到 2016，五年，两个学位。在 MIT 来说，五年内把所有学位读完算是比较快的了。但当穆北鹏在 2016 年戴上博士帽时，她面对的第一个真问题不是学术，而是：这行到底能干什么?
02、Facebook，背离风口的选择（2016--2018）
2016 年前后，穆北鹏经历了她人生里第一次真正意义上的“押注”。而这次选择的戏剧性在于，她放弃了当时所有站在风口上的明星项目。
那是自动驾驶的黄金年代。
Google X 内部秘密研究多年的自动驾驶汽车独立成了 Waymo；成立才两年多的 Cruise Automation 以 10 亿美元天价被通用收购；Uber 一口气从 CMU 挖走 50 多名机器人人才，成立自动驾驶研究院。穆北鹏所学的 SLAM 技术，正好赶上这波井喷。
她收到的 offer 不乏来自这些巨头。在 Google X 面试时，她推门看到的面试官，正是程序界大神、清华师兄楼天城。
Cruise 那边则一路劝说——聊完之后，因为都是 MIT 的同学，他们给她寄了一个兰博基尼车模，意思是“北鹏，你快来，我们现在给你寄车模，将来公司能翻很多倍，一定能把这个车模给你变成真的”。穆北鹏当时完全没感觉，觉得这是忽悠人的吧。但真的就在她拿到 offer 到毕业的过程中，几十人的 Cruise 被通用汽车以 10 亿美元收购了。
从 Cruise 创始人身上，穆北鹏第一次对“创业”有了概念。这位创始人 MIT 毕业后先做了 Justin.TV、卖掉实现财务自由，合伙人后来是 YC 总裁。当穆北鹏问“这东西好烧钱啊，你们一个初创公司能干这个吗”，对方轻描淡写：“一辆车也就两三万美金，没多少钱呀。”“好吧，贫穷限制了我的想象力。”
而当她追问 Waymo 都是大厂背景、有最顶尖的科学家，一个小公司怎么干，对方给出的回答让她第一次见识到什么叫商业敏锐：“你实际去调研一下，Uber 在美国只有前十大城市是赚钱的……所以我们不去凤凰城那些地方，就只做旧金山城区。”
但最终，穆北鹏最终没有选这些风口上的明星项目，也没有去刚开始有产业化苗头的机器人公司，而是去了 Facebook 旗下的 Oculus Research。
真正击中她的，是面试本身，以及这群人。
Oculus Research 是 Facebook 收购 Oculus 后成立的 VR/AR 研发部门，2018 年 5 月更名为 Facebook Reality Lab。穆北鹏面试时正是刚收购不久，处于筹建初期。它虽然远在距 Facebook 总部 800 英里的西雅图，却很快聚集了视觉SLAM 和 3D 重建圈的顶级人才，包括《KinectFusion》作者 Richard Newcombe、《ORB-SLAM》作者 Raúl Mur-Artal。
“那种开山鼻祖式的论文都是出自他们之手，而且这个团队真得很有活力。”
实际上整个面试挺有意思的。因为当时 Oculus Research 非常小，基本上来面你的，后来都是 Facebook 的大 VP 级别的人物。而且他们每个人考察的角度都不一样：例如有写游戏代码出身的，就考察工程优化怎么干；研究计算机视觉的，会让你现场推导相机投影公式。就是说，一个部门需要准备的所有方面都会考察到，而你每个方面都能表现好，这不是件特别容易的事情。
例如最终的面试官 Michael Abrash，Oculus Research 的负责人。他们是在“卡片机时代”、能把游戏机性能优化到极致的那一代人。他会给一个开放的、有好几层含义的题目，让你一步步把性能优化上去。“很多人可能折腾一个小时才到第一步。我是那种，30 分钟把所有步骤都做完了。”后来穆北鹏才知道，能通过 Michael Abrash 的面试是件很不容易的事。
面试的小组，正是 dense SLAM 泰斗级人物 Richard Newcombe。对方一看简历就认出，穆北鹏是 Leonard 的学生。面试的第二天，在穆北鹏飞走之前，他约了一顿早午餐。我们坐下来，Richard说：“我们都觉得你非常出色，所有人面试下来，感觉有些人擅长某些方面，但你是那种数学、代码、现场推导公式，都能瞬间搞定的人。这样的人我还没见过。咱们聊聊你想要什么。”
穆北鹏懵了。她问大家平常都提些什么要求，Newcombe 说，有人拖家带口需要搬家，有人身体有问题需要特殊医疗保障。穆北鹏开玩笑地说：“这些问题我都没有，要不你就给我多发工资就行。”
然后 Newcombe 回去找了 Oculus 的联合创始人 Iribe，最后申请特批到了 Meta CTO Schroepfer。这点让穆北鹏感到非常震惊，一个刚毕业的博士生，惊动了如此高层。
于是穆北鹏成了 Newcombe 空间智能小组 Surreal 的第五还是第六号员工。
十年前西雅图的 Reality Lab，是一个只有四五十人的、非常早期的实验室。当时内部切了几个大方向，后来的头部追踪、空间智能、眼动追踪、图形学，还有人脸身体那种类人模拟，当时都只是几个人一组的小团队。穆北鹏在这里作为一个应届生，获得了资深研究员才享有的资源支持，得以尝试各种技术可能性。
穆北鹏做的事情，在今天看来惊人地超前。要理解她在这里做的事情，得先厘清一个容易被混淆的概念。今天人人都在谈“具身智能”里的“空间智能”，而十年前 Facebook Reality Lab 做的“空间智能”，是不是一回事?
“不完全一样，但很多理念确实那时就有了。”穆北鹏说。
那时候的深度学习更偏向 2D 处理——一张图片进来，检测出一个框，就是当时的水平。而搞 3D 的人，走的是另一条路：基于重建。用视觉轨迹进去，靠严格的数学公式推导，达到极高的跟踪精度——毫米级；在几公里的大尺度上，也能到厘米级。重建出来后，把 3D 环境切成一个个小面片，再在上面做渲染、贴纹理，连光照都能通过物理模拟渲染出来。之后，就可以做交互了。
“现在大家叫'仿真器'，丢个车进去让它怎么跑。”穆北鹏说，“那时候我们其实就是在里面做 AR 体验。你沉浸式进入一个虚拟环境，这张桌子能变成沙滩风格，可以直接进入外太空，还可以放个机器人与你交互。”
这套东西的物理基座，是一个建在办公楼下的完整室内沙盘。
它模仿真实的客厅、卫生间、卧室，里面的每一个物件——一个杯子、一本书，都被扫描重建过，有精确的 3D 模型；几何形状、光照、乃至重力，都可以模拟。这个思路，形成了最早的室内导航的著名数据集 Replica 和仿真器 Habitat：把一整个室内环境重建出来，机器人进去，就能模拟“我把门打开““我把被子掀开”这样的交互。而 Habitat 那个屋子，当年就在穆北鹏组的楼下。
值得一提的是，他们采集数据的设备，是当时能造出来的最精密的一套。
不同于今天大家“先扫描、再背个背包”的做法，他们买来当时能买到的最好的电脑，改装一个 AR 头显、装上摄像头；穆北鹏本人负责手环——手环上有传感器，能采集手部动作数据。就背着这套背包，在沙盘里采集、交互。
而这个组最有前瞻性的地方，来自穆北鹏的老板 Richard Newcombe。他很早就在想：能不能直接用模型生成 3D?于是他们最早就做过“一个模型进去，出来就是一个 3D 网格“的探索，还找实习生来跟这些方向。今天回看，这几乎是当下3D 生成浪潮的一个远影。
也正因为这份对技术极限的偏执，他们连结构光相机都是自研的——不讲究降本，一切都按当时能达到的物理极限去做。
当年他们造的深度摄像头，分辨率是现在很多设备的好几倍，一只手放上去，连纹路都清清楚楚。激光打出去，他们甚至撞上了衍射极限。“一个激光打出去不是一个点了，是衍射极限了。这是到物理极限了。”正因如此，展示出来的效果才会“惊艳”。
这份纯粹，是一种高校无法复制的奢侈。“高校其实也做不了这件事。”穆北鹏说，“首先，没有那么多像你们这样单兵作战能力极强的精英；其次，也没有那么多钱可以砸在那些精密装备上。”
沙盘之上，是每年一次的“新体验”演示。
穆北鹏印象最深的一个，是远程传送“Teleportation”：她在一个房间，整个房间和她本人都能实时重建；另一个人在另一间房，同样被实时重建。戴上头显，两个身处完全不同地方的人，可以完全沉浸式进入同一个空间，能面对面坐着说话，连彼此工牌上的字都看得清，像电影《王牌特工》里的桥段。所有人体验完都觉得“mind-blowing”。用 Richard 的话说，“这可能是某个时代的开始。”
这些演示，已经 Reality Lab 其他方向的技术积累，很大程度上促进了Meta 在 AR 上的重注。有一年，扎克伯格意识到自己在全球投了这么多办公室、却不知道大家在干什么，便计划每年去一个办公点看看。轮到西雅图这年，他带着 CFO 一起来。
他看了穆北鹏组的空间智能，也看了隔壁的手势交互、人脸扫描：十年前，他们就能把一个人的脸扫描重建出来，让虚拟人脸跟着真人的嘴型、微表情实时同步——“当时看起来是种非常让人毛骨悚然的技术”。扎克伯格看完，觉得非常有前景。“后来 Meta 在 AR 上投入巨大，扎克伯格甚至把整个公司改名为 Meta ”。（欢迎添加作者吴彤微信：lI__O0o ）
其中最有远见、也最能说明组内眼光的，是一个叫 Aria 的项目。
那是一副没有显示屏、只有第一人称视角摄像头的眼镜，能采集第一视角数据，可能还带一些语音交互。它诞生的初衷，是因为团队意识到真正做成 AR，重量、尺寸、功耗、带宽、成本这些东西极难平衡，于是先做一个不带显示、只做采集的形态。当时组里是最早发布第一人称视角人机交互数据集的团队。
“那时候大家都不觉得这算什么，”穆北鹏说，“但现在做具身智能，缺的就是第一视角的交互数据集。那个东西的形态，现在想想，是很好的一个形态。但当时，就觉得非常纯粹，很简单。”
这句话值得停一下。穆北鹏此后的每一次转身，几乎都建立在这种“提前很多年看见正确形态”的能力上——她在Facebook 见过第一视角数据集的价值，便在美团亲手用生成与重建去解决数据长尾，最终又带着这份对“数据形态”的直觉，走进了具身智能。十年前那副纯粹、简单的眼镜，是一条埋得很深的伏笔。
当然，她也诚实地承认这件事之难。从 2016 到 2018，两年里他们做了非常多的事，但“现在过去十年了，技术肯定进步了非常多，但和我们当时想象的那种东西，可能还是有距离。这真的是件很难的事情”。这不是自谦，而是一个技术者对“疯狂想法”与“真正做成”之间那道鸿沟的清醒丈量。
也正是在这里，她受到了那种关于“疯狂想法与认真去做“的深刻教育。他们放热气球，是为了给偏远地区提供 WiFi；当时觉得脑洞太大，如今 SpaceX 的星链正在做类似的事。“美国给我的一个很深刻的教育就是：以前你觉得是'脑子抽了'的疯狂想法，真的会有一帮人在认认真真地做，而且最后还真的可能做成。”
但也正是在这片资源的汪洋大海里，穆北鹏感到了一种微妙的失重。
“大公司不愁资金和变现，所以我们的部门就像一个大的实验品或者孵化器，在里面工作，就感觉在汪洋大海里游泳。”
2018 年，她决定离开。理由有两个，都很像她。
第一个是专业上的回归冲动：“我本身是搞机器人出身的，VR/AR 这个行业里，像追踪、数学、视觉这些我比较熟，但还有很多东西我不是特别熟，比如光学、图形学，以及触觉、听觉……我更想回归到跟机器人本行相关的方向。”
第二个理由，则近乎一则关于人生的寓言。在 Facebook，她看着那些比她大十届、二十届的师兄，生活状态确实很好，公司福利好，周末去滑雪，操心的是“我要不要加入美国籍，我家孩子学校的校长选举”这种事。
“你一下子就能看到自己二十年以后大概是什么样子。”穆北鹏说，“我还是那种年轻时候想扑腾一下的。”
那时中美之间还是很开放、互通的时期。她感觉，可以回国试试。
03、Momenta的草莽时代（2018--2022）
促成穆北鹏投身国内自动驾驶的，是一次 CVPR 会议。
这个过程也很有趣。穆北鹏一直很关注国内的情况，她的第一份实习就在百度 IDL、在余凯的组里，大约是 2013、2014 年，那时无人车项目还在酝酿，“那时候正是深度学习开始大发展的时候，从训练平台，到写诗”。所以国内搞深度学习的人，她碰到都会打个招呼。那次她在展台碰到一个本科同学，一问才知道，对方在曹旭东公司那。
那年 Momenta 有个很大的展台。穆北鹏过去，两人在会场外聊了整整两个小时。穆北鹏延续了她一贯的两步判断法：第一步问技术——我要是干的话能干到几成，我心里是要有谱的；第二步问商业——在漫长的技术迭代中，创业公司将来准备怎么弄?
曹旭东的回答，让她印象极深。“他把公司的商业模式和财务情况翻了个底朝天。先卖什么产品，预计销量多少、售价多少，再卖下一代什么产品……公司怎么赚钱。”
这两个小时，奠定了穆北鹏对曹旭东、乃至对 Momenta 这家公司的核心判断：“我觉得 Momenta 这家公司，坊间可能有一些其他说法，但它赢是赢在战略上。旭东从起步的时候就想清楚了这件事，并且一直是这么做的。他没有像大量自动驾驶创业者那样直奔 Robotaxi，而是设定了一条渐进式路径：从后装产品起步，到高速 L3，到限定场景 L4，最后才是完全无人的城市道路 L4。”
促使她下决心的，还有一层更宏观的判断：“我看好自动驾驶至少是十年一个周期的发展，这肯定是一个大的行业、大的赛道……也许最后的结果和大家刚开始想的不一样，但没有关系，最后一定会落地一些东西。”
这就是穆北鹏的“压赛道”逻辑——方向对了，纵然道路有曲折，那么终归可以做出些成绩来。这套逻辑让她在此后一次次组织动荡里保持了奇特的定力：她押的是趋势，不是某件具体事情的走向。此后，孙刚几乎每个周末都会找她：“北鹏，你干啥呢?周末咱们再聊一聊。”
2018 年 10 月：履新东升大厦，草莽时代
2018 年 10 月的第一天，穆北鹏前往东升大厦的 Momenta 履新。她后来常被外界描述为MIT 博士加盟，成为 Momenta 地图业务的主轴。但真实的开局，远比这个title草莽。
公司当时小几百人，没有职级。她入职第一个月，月底才被通知“咱们商量一下，公司要评职级”。
技术上也没有主线，“完全是还在探索的状态”。当时公司大致分了几个互不统属的小方向：有做 DMS(驾驶员监控系统)、人脸检测的——几个创始人原本就做这个，有现成基础；有做感知的，即做深度学习训练模型、出感知方案；有做泊车、园区等具体场景方案的；还有穆北鹏所在的算法这一摊——地图、定位、标定、地图融合这些底层技术。
“没有你想象中那种很成体系的东西。”穆北鹏干 SLAM，大家就说“SLAM 不就是建图定位吗”，于是她先在孙刚手下，管这一大块。
而在草莽之上，是曹旭东这个人。
“他是个有情怀的人。“穆北鹏评价，“他做这件事，是真心实意想做点什么，有热情，也有点江湖义气的感觉……脾气差一些。”
脾气差是个轻描淡写的说法。曹旭东会骂人，会以近乎“暴君”的方式拍板决策。但穆北鹏对这一点有一套完全不同于常人的解读，这套解读，恰恰是她性格最有意思的一个切面。
“很多人是当旭东开始骂人时就不敢说话的那种。我是那种，把他当成一种沟通方式。你就当他是认为这件事很严重，他需要这个东西被重视和解决。那我会说：'行，那这个事是这样，你看咱们 123 可不可以?'”
后来曹旭东也说，“和北鹏说话，如沐春风。”
她甚至为曹旭东的“暴君”式管理做了一番相当理性的辩护：“在快速变化、并且有很多各种各样事情的时候，创业公司只有一条是'快'……在早期，旭东自己去拍板做很多决策，这个决策效率是高的。这件事其实很多我们团队的老人是认的。”代价是频繁的组织调整、方向调整，很多人不适应这种惯性；但从公司发展和管理上讲，“他这在很大程度上是很有效率的”。
2018–2019：对标 Mobileye，与一周绕地球一圈
进 Momenta 的头两年，穆北鹏的重心，是对标当时全行业公认技术最先进的 Mobileye。
Mobileye 当时有一代技术叫 REM：用车端芯片(如 iPhone 4 那代芯片)把数据收回来，号称一星期能把整个日本的路网建出来，再在其 EyeQ 芯片上做更高阶的自动驾驶。Momenta 觉得这个思路好，也想建一套众包系统：在车上铺一个相对简单、带感知能力的设备，检测车道线、杆子等元素，传到云端聚合，形成路网能力，后面再用来做地图、定位、更高阶的自动驾驶。
穆北鹏带队从零做了这套完整能力。
硬件上，他们自研采集设备，选一颗算力不高的芯片。那时芯片算力也不高，基本什么算法放上去都会爆炸，于是一行一行抠代码做工程优化，把算力压缩到最初的 1/10 才让它跑起来；再打通 4G 模块的检测结果回传、云端服务器、以及一套类似今天“技能编排”的流程。为了向客户证明这东西是真的，他们会在车盖上签个字——摄像头能拍到那个字，客户在会议室喝茶聊天的工夫，楼下那辆车已经把这段路的路网实时建出来，现场评测精度。
当年孙刚就说过：REM 那套东西，以后带客户“就是坐这儿喝茶聊天，聊完了我就把路给你建出来了”。后来也确实做成了这个样子。这套系统后来成了公司的核心能力之一，而孙刚同时负责对接日本市场，他们就是拿这套东西去打开日本市场的。
但 2019 年，是整个自动驾驶行业的寒冬，融资极难。穆北鹏后来才知道，公司账上现金流一度相当紧张。
那年有一笔“投资+项目合作”的关键交易，对方要求必须在过年前完成多方签字才能敲定，因为过年期间变数极大。那一周之内穆北鹏的行程绕地球飞了一圈——先后飞美国、德国，最后飞到苏州。协议在大年二十九敲定：一部分是投资款，一部分是后续交付系统产品的项目费用。签完协议已是大年二十九，大家第二天各自从苏州回家过年。随后，疫情爆发了。
2019 年：从“理想国”到“工程机器”
2019 年，也是 Momenta 从“理想国“走向“工程机器“的转折点。
穆北鹏更愿意把它理解为公司进入产品化的一个阶段。此前，几个小方向各自为战，每个方向自己定义指标、自己迭代，更像一个大号的实验室。但公司终究要找客户、做交付，得有一个真正的产品。曹旭东那时做了一次测评，发现前瞻探索里真正能落地的转化率不到 20%，于是急了——要从公司文化到大家的 KPI 全面变得可量化。
“我们不是像写论文一样，自己定个指标往上刷，而是说最终交付的东西应该是什么样的，然后反过来指导研发迭代。”用穆北鹏的话说，那段时间“做了很多文化建设、洗脑之类的”。
她拒绝把这个转折浪漫化。
“外界有时候会夸大这是什么'转型'，说曹旭东做了一个什么'慎重'的决定。但其实我现在感觉，就是一个很顺其自然的、先要活下去、然后要活得好、技术也要做得好的过程。”
她也看到其中的幸存者偏差：“你说他做了多少事情，他只做对了这一件事，这是他做对的最关键的一件事。”那件事，就是战略上想清楚了渐进落地的路径，并一直沿着它走。（欢迎添加作者吴彤微信：lI__O0o ）
2020–2022：L2 负责人，榨干到最后一滴血
产品化之后，公司的业务逐渐清晰为三大块：MSG(基础辅助驾驶 ADAS 的前装+后装)、MPilot(Pro、多目、高阶智驾的量产，由孙刚负责那条线)、MSD(全自动驾驶)。
穆北鹏成了 L2 这块的整体技术负责人。这个决定下得极快——“让我去干后装那件事，也是基本聊两次，就定了，就开干了”。
这是曹旭东典型的机会主义押注：高阶智驾短期看不会有大东西，而市场上正好出现一波“单目”方案的窗口，同时公司也需要早期能落地的项目产生现金流。于是他把原本贴钱补贴、往运营车上贴的那套采集设备，顺势变成一个能自我造血的功能型产品。
这是一段“卷得有点太卷了”的日子，但也是穆北鹏第一次真正独当一面。
前装，他们把单目算法模块卖给博世、Aptiv 这样的 Tier 1。这是“公司最早一批能够落地和量产的项目”——第一批通过了 ASIL 车规级标准认证，由对方全球质量负责人手把手教他们怎么建标准流程，再由 Tier 1 集成到平台车型。
后装，他们把前视感知，加上车内人脸、疲劳检测，集成成一套设备。从硬件设计、电路结构，到算法性能压缩——第一次只做数据采集就已是 10 倍优化，后来还要往上叠报警、OTA 上传这些功能，再压缩。
“真的是经历过那种，要把上面性能榨干到最后一滴血的过程。”最后卖了上万件。
那年，穆北鹏所在的部门以公司大约 1/10 的人，承担了公司 1/3 的营收。
这也是被“催得非常紧”的日子，常常多线作战。“恨不得是今天跟你说'北鹏你去干这个事'，第二天就去跟客户吃了个饭，然后客户就问'过年能不能交东西'。我就想，人都还没有……JD(职位描述)还没开始写呢，就说'好，这 10 个人干这个效果，这个时间点能不能交?'”
有五个客户同时找来、都觉得是大机会，可研发资源就那么多，投这儿还是投那儿——“所以有一段时间非常难受，就是所有人都在多线作战”。
也说明，大家觉得这是一个正确的事情，是未来的发展……所以说我们将来就是要把它做出来。
2021：智己项目，一个走向复制的模式
大约在 2021 年，Momenta 与智己汽车的项目落地，采用了投资+车型量产的模式。这个后来被复制到比亚迪等多家主机厂、成就 Momenta 商业版图的模式，其源头需要厘清一个容易被误记的细节：智己项目本身属于孙刚负责的 L3 高阶量产线，而非穆北鹏的 L2 线。
穆北鹏这条线被卷入，是因为项目里那些偏基础的功能——AEB(自动紧急制动)、APA(泊车控制)——希望 穆北鹏所在的部门来做。而这依然是曹旭东式的“你来趟办公室，说 AEB 你们做”。
“我当时就想，才刚跟我说要过来做这个事，我人还啥也没有呢，就说要交这个东西了。”
后来发现难度极高，穆北鹏这边刚过来、只有很少几个人在做博世/Aptiv 的前装项目，资源实在跟不上，曹旭东只好从Pilot 那边抽调资源、做了一些聚焦调整。所以智己第一波上的，也还是相对基础的 L2 级车道保持和 APA。她走之后，这条线后来变成了 AEB、泊车这类功能的交付团队。
而智己之后，高阶智驾的项目就以这种订单+投资的模式慢慢复制、变多，开始一点点打开市场局面。
2022 年，穆北鹏离开 Momenta。
原因是复合的。
“第一是说，你真的在一线天天干这种交付的事情，卷得有点……太卷了。我阶段性地想回来再做技术天花板更高的事儿了。”在 ADAS 行业里，竞争已经变成看定点项目谁多、交付怎么样的拼杀，而 L4 还有很多技术点没突破。
“脚踏实地一段时间，然后想仰望星空一下。”
“第二，四年是一个不错的里程碑；高阶智驾慢慢打开后，资源可能会向 L3 那边抽调。她觉得，自己陪着公司走过了从实验室到量产盈利最惊险的一段时期，可以走了。
“我们到那个阶段，就已经能看得非常清楚后面是这个样子了。”外界对一家公司的认知是由外而内的——你把东西打出来，别人才看得到；但研发是由内而外的，当外界还没看清，做研发的人已经知道结局。“不论是订单还是车型，开始往着一个还算健康的方向走了。”
这里藏着穆北鹏一个反复出现的行为模式：她总是在一件事从“惊险”走向“确定”、从“由内而外看清结局”的那个节点选择离开，去寻找下一个天花板更高的地方。
04、美团无人车，那个“想革自己命”的人（2022--2025）
2022 年前后，穆北鹏加入美团自动车配送部，任算法总监，负责 L4 级自动驾驶在复杂城市配送场景中的工程化与规模化。
契机同样朴素。夏华夏(花老师)团队有人走了，在聊怎么招人时，他想到：“北鹏能来就好了。”
严格说，美团做的无人配送，在当时并不被视为一个已被产业验证的方向——“L4 整体都没打开，所以大家不觉得他算是产业验证吧。但对穆北鹏而言，这恰恰是“技术天花板更高”的地方。
她去的时候，美团无人车还停在最早的那一代 L4 架构：激光雷达收数据、人工画高精地图、沿着地图划出来的线开。穆北鹏做的第一件大事，是把高精定位这套东西全面升级、全上自动化产线：用大模型自动提取要素，把定位升级成基于语义的匹配，用模型做标定——车在开的过程中自动发现传感器偏移、算出矫正参数。人手画图的效率被做到 5 倍、10 倍的节省，地图成本降了 10 倍。
“以前大家老觉得地图成本很高，你干个 10 倍下来，这肯定不能拿这个说事儿了。”
但真正定义穆北鹏在美团这段经历的，是一个悖论式的角色——她是那个“想革自己命”的人。
行业开始搞 BEV、端到端。从长期看，依赖高精地图的方案在运营效率、泛化性上有瓶颈。穆北鹏和几个技术负责人一商量，决定做 BEV 无图方案。
这意味着，把她自己一手升级的高精地图产线，整个重构成自动重建、自动标注的产线；做出一个 BEV 视觉模型，直接送到车上做感知、乃至接进 PNC 开车。
这是“真的在美团，从零去建视觉的能力”。以前总被吐槽“装那么多摄像头有用没用”，因为激光雷达有强先验；但要搞平面的车道线，就必须有视觉，没得选。视觉能力一上，才发现“原来好多参数都不对……以前确实没怎么用”。
这里出现了一个神奇现象：
“大部分公司，在做这一代技术时，叫得最狠、最难搞定的人，是那个管高精地图的人。但有意思的是，美团最想推这件事的人，也是我这个管高精地图的人。”穆北鹏说。
为什么一个高精地图负责人，会成为无图方案最坚定的推手?
这背后是穆北鹏一以贯之的技术信仰。“我信 scaling law，所以我也信模型化的……模型能力是持续迭代的。你现在很多解决不了的问题，模型能力一直迭代，完全能解决得更好。”当高精地图的成本和运营问题被她解决到“差不多”的程度，她认为“你总得往后看”。（欢迎添加作者吴彤微信：lI__O0o ）
一个真正的技术者，不会执着于自己亲手建立的东西，而会顺着技术演进的方向，亲手把它替换掉。
这套 BEV/无图能力，在美团被真正跑通、闭环。团队大几十人，搞模型的、搞标定重建的、写性能优化的、做平台和标注系统的、产品经理和标注员一应俱全，麻雀虽小，五脏俱全。他们甚至天生就是搞 SLAM、搞重建的人，顺势做起了世界模型生成数据：把长尾场景的数据挖回来做重建，在虚拟环境里随意造出相机、激光雷达的传感器数据，“和你实景去拍的话，人眼是分辨不出差别的”，连模型都分不出来。
这套用生成、重建解决数据长尾的工作，做得好到穆北鹏会受邀在学术交流活动上做 talk，有人问她“你们有没有写论文”。
在技术判断上，穆北鹏对当时最热的 VLA(视觉语言模型)保持了一种克制。她认为，自动驾驶本质是个视觉任务，视觉和语言这两个任务关联很少；把语言加到端到端里，带来的增量收益，其实没有前面那几代大。她的团队用 VLA 做的，更多是长尾挖掘——在云端监控系统里跑一套 VLA，发现施工等长尾场景，标识出来让车停或让人处理。包括现在车上面主要跑的那个东西，还是模块级端到端的为主。那个性能其实已经非常可以了。
业务上，穆北鹏也主导了规模化落地的关键一役：2024 年，把大量车从北京挪到深圳，在深圳建全城可跑的能力。
“这个是我主导的项目之一。”这类项目考验的已不只是技术，更是协调——和车队运营的人一起规划路线、勘测、测试。而正是这种需要“更泛化地去解决问题”的场景，让端到端、无图方案的价值真正发挥出来。
然而，美团这几年，也是穆北鹏职业生涯里组织环境最复杂、最消耗的一段。
2021–2022 年间，美团无人车的算法由刘博聪(感知)、穆北鹏(地图定位)、王乃峥(PNC)三位资深负责人分掌，穆北鹏是在2022 年年初接任了地图与定位负责人。这是“美团无人车技术最强的时候”。后来汇报线和业务管辖发生变化，2025 年 10 月，穆北鹏离职，投身具身智能创业。
关于这段经历里的组织沉浮，穆北鹏本人在访谈中着墨极少。这本身或许就是一种性格的注脚——她谈起技术时滔滔不绝、细节丰沛，谈起谁不高兴这类事时，却只是淡淡一句：“局部上面，不同的公司或多或少都可能会有一些这种'交接面'的问题。”她把自己的能量，几乎全部投向了那个“更有意思的问题”。
而那个更有意思的问题，已经不在自动驾驶里了。
05、具身智能：第三次押注
早在美团时期，穆北鹏就一直关注机器人。“一个是自己本行就是干这个的”，她还担任了美团无人车这边机器人探索的主要责任人，和行业公司聊、和老师们合作项目、自己攒几个人试验。
这是穆北鹏的第三次押注，而她把自己过去的判断串成了一条清晰的逻辑链：“我之前几个事都是押趋势。你看，先进入自动驾驶，然后高级别自动驾驶L4的落地。”然后接下来，就是具身智能在更加复杂泛化场景应用和落地。
驱动她的，依然是那两样东西：热情，和对更有意思的问题的偏好。
“具身智能，如果我们对于未来的愿景，是机器人作为物理智能体，可以像一个具备基础只是的人一样，可以理解和响应自然语言，可以通过视觉、激光、力传感、触觉去感知周围的空间，并且可以自主决策和行动。并且进入千行百业和千家万户，那它需要具备极强的智能，在完全非结构化，无标准，开放场景里工作。对我们这样的人来说，是更有意思的问题。”
今年，她入局具身智能赛道，成立小狸机器人公司。
从自动驾驶到具身智能的人才迁徙，在她看来有一个技术上的必然：当自动驾驶走到“端到端”这一代，技术能力已经相当强，在公开机动车道路这个结构化的场景，已经能达到很高的体验。而机器人那个开放、非结构化的世界，恰恰是这批“技能真的还挺不错”的人的新战场。
关于是否能把技术趋势，转化成一个创业想法和公司，最终转化为产品和生产力，还有另外一段故事。
在杭州的一次MIT的校友活动中，穆北鹏和MIT校友傅婷一起乘坐大巴从杭州到衢州的路上，聊到了最新的技术趋势。接下来，机器人是否能真正进入现实生活，帮助人类承担重复、辛苦或不方便完成的工作。傅婷是商科背景，在海外有多年的金融从业经验，其中不乏 UBS、CBRE global investors，复兴资本等巨头的名字。回国后，她进行自主品牌的孵化，产品销往全球 31 个国家。她经常出入浙江的很多工厂园区以及像 B2B 商贸城这样的地方，这种大型、复杂、非结构化的商业空间里，经常会遇到门牌难找、路线复杂、重复往返和最后几十米效率不高的问题。那么基于机器人自主认知和理解周围复杂空间，自动导航通行的能力，这些末端场景的跑腿配送就具备首先进行落地的可行性。以此为基础，机器人可以进入商业场景，并且做全球推广。
行业普遍认为，具身智能正处在发展的黄金窗口期，技术路径尚未收敛，机器人能真正具备智能产生生产力还在早期。而这次碰撞，让她们看清了破局的最稀缺的两样东西：用渐近式商业模式实现复杂技术的大规模工程落地，和对数据这件事近乎本能的追求和理解——
十年前在 Facebook Reality Lab，她就参与了最早的第一人称交互数据集；在美团，她又亲手用生成和重建解决数据长尾。绕了一大圈，那个当年在 MIT “用信息价值做 SLAM”的命题——什么是真实、有效的信息，如何高效地获取和利用它，如今以一种崭新的形态，摆在了这对MIT校友面前，如何在真实的商业场景中，从易到难的完成任务，在数据飞轮中逐步实现机器人通用智能和科技生产力的梦想。
欢迎添加作者吴彤微信：lI__O0o
后续左林右狸频道将推出更多离开Momenta核心高管的深度故事，欢迎大家持续关注。
我们欢迎所有能为左林右狸提供新观点新角度新信息的群友，加入我们的实名制社群，与左林右狸一路同行。管理员微信号：leiphonelinli，备注公司-职位-称呼通过更快。
相关视频
热门跟贴