The new safety standard for the autonomous vehicle industry.
/
近日，加拿大物理人工智能领域的领导者Waabi 完成10亿美元融资，这其中包括7.5亿美元C轮融资和2.5亿来自Uber 的未来里程碑式投资。C轮融资由Khosla Ventures 和 G2 Venture Partners联合领投，跟投方包括知名战略投资人如Uber、Nventures（英伟达风投部门）、沃尔沃集团风投、保时捷汽车风投，头部财务投资人如贝莱德旗下基金、阿布扎比投资局、HarbourVest Partners等，以及加拿大顶尖投资者如BDC资本的Thrive Venture Fund、加拿大出口发展局、TELUS环球创投、蒙特利尔银行环球资产管理公司等。
这笔加拿大有史以来最大规模的融资，将推动Waabi物理人工智能平台的持续进步，进一步加速该公司在自动驾驶卡车领域的商业化进程，并支持Waabi扩展至自动驾驶出租车领域。
公司将与Uber独家合作，利用 Uber 额外的、基于里程碑的投资资金，Waabi 将进行自动驾驶出租车的开发，并计划在未来逐步部署25,000辆或更多由Waabi驾驶系统驱动的Uber自动驾驶出租车，从而大大加速自动驾驶出租车的大规模采用。
而具备可验证商业化进展的Waymo也于近日完成了160亿美元巨额融资，这将进一步加剧自动驾驶赛道的竞争，使行业朝着“规模化、降成本、全球化”的方向纵深发展。
01
Waabi：押注于仿真驱动和单一通用AI的“轻资产”模式
Waabi是一家专注于通过AI仿真技术研发自动驾驶系统的公司。其创始人兼CEO 拉克尔·乌尔塔松（Raquel Urtasun） 是公司的核心人物。她曾是多伦多大学教授、Vector Institute联合创始人，也是Uber自动驾驶部门（ATG）的前首席科学家。2020年底Uber将ATG出售后，她便离职并在2021年创立了Waabi。
Waabi的技术路径与依赖大规模路测的传统方案不同，其核心是一个名为 “Waabi World”的高保真神经仿真平台。公司认为，通过构建现实世界的数字孪生，让AI在虚拟环境中进行海量学习和试错，可以更高效、更低成本地训练出安全可靠的“AI Driver”，从而颠覆行业的“重资产”模式。在商业化路径上，Waabi 坚持“轻资产”的深度合作模式。与Uber、沃尔沃等伙伴合作，自身专注于提供“AI司机”技术，并试图用同一个AI架构同时攻克自动驾驶卡车和Robotaxi两大领域。
根据官方披露，Waabi World 实现了前所未有的 99.7% 真实性评分，为自动驾驶行业树立了新标杆。
开发自动驾驶汽车最大的挑战之一是收集足够多的高质量数据来测试系统，以确保技术公司有信心它在现实世界中能够安全运行。历史上，这需要大量的实际道路驾驶测试，以尝试检验车辆是否能处理各种复杂的交互。然后，通常是负责分类的工程师，会细致地分析数据，找出关键事件，例如自动驾驶系统出现失误时需要人工介入干预的情况，并利用这些实例来改进系统，提升其决策能力。这个过程资源密集、效率低下，作为一种解决方案是远远不够的。
现实世界具有不可预测性，这意味着无论自动驾驶汽车行驶了多少里程，基本上都无法保证能遇到所有潜在的实际情况，尤其是那些对安全至关重要的低频事件。人类驾驶大约每1000万英里会发生一次危及生命的事故，每1亿英里大约会发生一次致命事故。考虑到一辆人类驾驶的卡车每年最多行驶10万英里，那么一支1000辆卡车的车队需要一整年才有可能仅仅遇到一次这样的事件。为测试目的而重现危险场景并不可行，不仅在伦理上有问题，而且在实践中往往不可能实现。
仿真技术已成为应对这些挑战的关键解决方案。重要的是，随着仿真器的日益精进，其效用可在三个不同的层面扩展。标准仿真器可用于支持软件测试，帮助发现新版本软件引入的错误和性能退化。高级仿真器可用于理解系统将如何表现以及在哪些具体情况下会失效，从而帮助理解系统的缺陷。最后一类则是终极目标——仿真器实际上可以为科学可靠的安全论证提供有力证据。但是，依赖仿真进行这些高风险测试引入了一个新的关键障碍：确保仿真器的真实性。
这里的“真实性”并非指视觉外观，而是指仿真器能够为自动驾驶系统提供对物理世界的高度还原表征，使得系统在虚拟环境中面对完全相同的情况时，其驾驶行为与现实世界中的表现相似。
如何创建涵盖参与者（车辆、行人等）、精确行为、天气、光照和路况等要素的场景，并如何进行大规模操作以获得统计意义上显著的证据呢？关键在于创建丰富的、由数据驱动的现实场景数字孪生。这些数字孪生可以作为精确、全面的输入，作为仿真器的“种子”，从而能够系统地生成成对的、完全相同的测试。神经仿真领域的最新突破，如NeRF、3D高斯泼溅或UniSim，使得这种数字孪生生成不仅成为可能，而且可以大规模实现。
每个场景的数字孪生可被用作“预卷内容”，作为被评估仿真器的“种子”，随后在闭环中迭代展开。此过程可用于评估各种闭环仿真器，包括直接生成传感器观测数据的黑盒神经仿真器，以及明确建模仿真诸多方面（如参与者行为、传感器仿真、系统延迟等）的可控仿真器。诸如Waabi World等神经仿真器，或传统的视频游戏或物理引擎仿真器，都属于可控仿真器的例子。自动驾驶汽车在每个时间戳接收仿真的传感器数据，并生成转向和加速执行指令，仿真器利用这些指令更新自动驾驶车辆在虚拟世界中的位置。仿真器然后根据其决策和车辆动力学原理移动自动驾驶汽车，场景中的其他参与者对其做出反应。这个循环持续一段固定的时间，通常是几十秒，足以捕捉任何场景的所有关键方面。
每个场景的结果是自动驾驶车辆的两条详细轨迹——一条来自真实世界测试，一条来自仿真——捕捉了自动驾驶汽车在每个场景中的行为。由于两条轨迹都基于完全相同的底层场景，Waabi 可以通过测量在同一自主软件版本下，完整自动驾驶系统在闭环仿真中执行产生的轨迹与在现实世界中执行的轨迹之间的差异，来直接计算真实性指标。
真实性分数 = (1 - 平均相对距离) × 100
Waabi 利用这种方法严格验证了其的神经仿真器 Waabi World 的真实性。公司进行了广泛的配对测试，并取得了前所未有的99.7%的真实性分数。
Waabi Driver 变换车道为路肩上的车辆让出空间，然后并回原车道——对比现实世界（左）和仿真中（右）的同一操作。通过测量两条执行轨迹之间的差异，Waabi World 在此场景中的真实性分数为 99.8%。
Waabi Driver 变换车道驶出出口匝道——对比现实世界（左）和仿真中（右）的同一操作。通过测量两条执行轨迹之间的差异，Waabi World 在此场景中的真实性分数为 99.3%。
Waabi Driver 安全地让其他车辆并入车道——对比现实世界（左）和仿真中（右）的同一操作。通过测量两条执行轨迹之间的差异，Waabi World 在此场景中的真实性分数为 99.7%。
Waabi Driver 因前方慢速卡车而初始变道，然后返回优选车道——对比现实世界（左）和仿真中（右）的同一操作。通过测量两条执行轨迹之间的差异，Waabi World 在此场景中的真实性分数为 99.0%。
Waabi Driver 变换车道以容纳汇入车流——对比现实世界（左）和仿真中（右）的同一操作。通过测量两条执行轨迹之间的差异，Waabi World 在此场景中的真实性分数为 99.3%。
这种惊人的高度真实性提供了无可辩驳的证据，证明 Waabi 的仿真器忠实地复现了真实世界的驾驶体验，这对行业来说是一个里程碑式的突破。这一结果不仅验证了 Waabi 的安全方法，也为行业建立了一个变革性的标准。
Waabi Driver (端到端AI模型)则是一个可验证的、具备推理能力的单一AI模型。它接收来自真实或模拟传感器的数据，直接输出驾驶决策，就像一个统一的“大脑”。其最大的特点是 “通用性” ，旨在用同一套模型架构驱动卡车和Robotaxi等不同车型。
Waabi的AI仿真技术代表了一条以先进算法和高保真数字世界驱动，而非单纯依赖物理世界数据堆砌的新路径。它的成功与否，将检验“仿真能否在极大程度上替代真实验证”这一根本命题。
02
Waymo：“重资产”规模化运营的实践者
Waymo 代表了自动驾驶领域更经典、已验证的工程化路径。Waymo 通过大规模真实路测数据驱动算法迭代。其技术依赖于激光雷达、毫米波雷达、摄像头等多传感器融合，并需要结合厘米级高精地图。在商业化路径上Waymo 也是走了自建车队、自营服务的重资产路线。它拥有自己的制造工厂，并与吉利等车企合作生产定制化车辆。Waymo是目前全球规模化商业运营最领先的Robotaxi公司之一，每周提供数十万次付费出行服务。
Waymo的技术体系可以概括为以下三个层面：
感知与预测：多模态融合的基石
在传感器套件方面，Waymo 采用摄像头、激光雷达(LiDAR)、雷达(Radar)和音频接收器的组合。以第六代系统为例，其传感器配置（如13个摄像头、4个激光雷达、6个雷达）比前代更精简高效。核心是实现360度、最远达500米的感知覆盖。用过 “时空融合”算法将跨时间维度的传感器融合。系统不仅融合当前时刻各传感器的数据，还会结合历史帧信息（如之前的摄像头图像和激光雷达点云序列），从而更精确地理解物体运动。
Waymo的“时空融合”算法是其自动驾驶感知系统的核心技术基石。它不是一个单一算法，而是一套旨在将多传感器（摄像头、激光雷达、雷达）在不同时间点的数据进行深度融合，构建出统一、连贯、四维（3D空间+时间）环境模型的算法框架。传统方法通常只融合同一时刻各传感器的数据（“时域融合”），或简单地将不同时间的物体轨迹关联起来（“目标级跟踪”）。Waymo的“时空融合”更进一步，其核心思想是：在数据关联和特征提取的最早期，就将时间维度作为一个与空间维度同等重要的变量引入。这意味着系统不是先分别感知每一帧，再把结果拼起来；而是从一开始就将连续多帧的原始或低层级数据作为一个整体来分析。
精准时空对齐：所有传感器数据都必须打上精确的时间戳，并利用位姿图优化等技术，高精度重建出每一帧数据采集时，车辆自身在3D空间中的精确位置和姿态。只有知道每一帧“我在哪儿、我怎么动的”，才能把不同时间的数据正确对齐到同一个世界坐标系中。
构建4D时空体素表示：系统会将连续一段时间窗口内的所有激光雷达点云和图像特征，根据运动估计，“反投影”并累积到一个统一的世界坐标系中，形成一种4D（x, y, z, t）的时空体素表示。你可以把它想象成一个动态的、包含短暂历史信息的3D世界模型。
在4D时空体素上进行特征提取与目标检测：这是区别于传统方法的关键。神经网络的输入不再是单帧图像或单帧点云，而是一个包含了连续多帧信息的时空体素块。这样，网络可以直接学习到：物体的运动模式（速度、加速度、运动方向）、物体形状的连续性（减少单帧的误识别）以及因遮挡而时隐时现的物体（通过时间线索保持其存在性）。
多传感器深度融合与相互校正：在时空体素空间中，不同传感器数据得以在最底层进行互补：如激光雷达提供精确的3D结构和运动（通过点云序列）、摄像头提供丰富的纹理、颜色和语义信息（通过图像序列）以及雷达提供精确的直接径向速度测量。
时空融合算法能够将这些信息源在时间和空间上对齐，利用雷达的速度信息来校正视觉对运动物体的速度估计，或利用多帧视觉信息来补全单帧激光雷达的稀疏点云。时空融合并非孤立存在，它是Waymo “世界模型” 和 “基础模型” 在车端实时感知层面的关键实现。其输出——一个连贯、准确的4D时空环境表示——为后续的轨迹预测和运动规划模块提供了至关重要的输入。
决策与控制：从模块化走向端到端
通过将“世界模型”与基础模型结合，Waymo开发了统一的“Waymo基础模型”，作为其AI核心。该模型在云端处理海量数据，学习驾驶逻辑，然后将其知识“蒸馏”成更小的模型部署在车端，实现高效实时的感知、预测和规划。对于罕见但危险的极端场景（如暴雨积水、沙尘暴、施工路段），Waymo探索使用视觉语言模型等技术来增强系统的场景理解和推理能力。Waymo 也对架构进行了迭代，传统上采用模块化架构（感知-预测-规划分离），目前也在积极研发如EMMA这样的端到端多模态模型，尝试将传感器数据直接映射为驾驶动作。
世界模型是Waymo自动驾驶系统的“数字大脑”，其核心功能是理解和预测物理世界的运行规则，并在心中“排练”各种可能性。
其世界模型采用“云-车协同”，一个庞大的云端基础模型负责深度学习和复杂模拟，然后将知识“蒸馏”成一个精简高效的模型部署在车端，负责实时决策。Waymo最新构建的Waymo World Model，基于谷歌DeepMind的 Genie 3 生成式AI引擎。它不仅能生成高保真的2D视频，还能同步生成对自动驾驶至关重要的3D激光雷达点云数据。工程师可以通过语言提示，直接创造或改造仿真场景，例如在一条现实街道的视频基础上，通过指令“增加夜间大雾”、“在路口放置一个障碍物”或“让一头大象出现在路上”，生成对应的逼真传感器数据用于训练。这使得针对“长尾问题”的测试效率发生了质的飞跃。
验证与规模化：仿真与数据驱动的飞轮
Waymo通过大规模仿真测试来验证安全性。其模拟技术已从NeRF演进到3D高斯泼溅(3DGS)，能快速生成高保真的虚拟场景进行测试。在真实世界数据方面，其算法的验证与迭代是建立在超过5000万英里的真实路测数据和超过200亿英里的仿真里程基础上。
仿真与世界模型的结合，构成了一个高效的自我进化闭环：真实世界的驾驶数据（包括数千万英里的驾驶记录）是训练和校准世界模型的基础。云端“梦境”训练中庞大的云端世界模型可以在虚拟世界中以成千上万倍的速度进行“想象”和试错，模拟无数种“如果...会怎样”的情景，积累了现实中无法获得的经验。云端模型学习到的“经验”和“常识”，被提炼到小巧的车端模型中，让每辆Waymo车辆都具备应对复杂情况的推理能力。新的算法或决策逻辑，首先在由世界模型生成的海量、多样的仿真场景中进行验证，通过后再部署到真实车辆上。
Waymo通过构建一个能理解和模拟物理规则的世界模型，为其规模空前的仿真测试提供了智能化的“场景生成器”和“考官”。这使其能在虚拟世界中安全、高效地解决99%的驾驶问题，并为应对那1%的极端“长尾”情况做好了充分准备。
在商业化方面，Waymo进展迅猛。2025年其业务覆盖美国多个核心都市区，2025年全年订单量达约1500万单。已在美国6个地区提供付费服务，2025年6月在旧金山的网约车市占率达到27%。公司计划到2026年底，将无人驾驶出租车服务覆盖至少15座美国城市，并计划进入包括东京、伦敦在内的全球20余座新城市。据报道，公司已累计完成超2000万次自动驾驶付费行程，总行驶里程超2亿公里。周订单量在2025年末已超过40万单。公开的车队规模约为2500辆。其年化营收已突破3.5亿美元，并通过采用新车型和硬件迭代，目标是将单车每英里运营成本从约1.43美元降至0.99-1.08美元。公司当前的高估值（1260亿美元）也意味着需要实现极高的营收增长来支撑。
两种路径，一个未来。当我们审视Waymo与Waabi截然不同的道路时，仿佛看到两位登山者站在山脚，仰望同一个顶峰——安全、普惠的自动驾驶未来。
Waymo，如同一位装备精良、经验丰富的攀登家。它选择了一条看似最稳妥的路：搭建阶梯（高精地图）、携带多重保险（传感器融合）、步步为营（大规模路测）。这条路扎实、可验证，已经带领我们到达了可观的高度——证明了自动驾驶在特定区域商业化运营的可行性。但它背负的行囊也越来越重：高昂的成本、复杂的地域拓展，每一步都考验着工程的极限与商业的智慧。
Waabi，则像一位轻装上阵、相信智慧的探险者。它质疑：是否必须背负所有重物？能否用对山体规律的深刻理解（通用AI），配合精准的沙盘推演（仿真世界），找到一条更轻盈、更智能的路径？它赌的是算法的“悟性”能否超越数据的“堆砌”，赌的是虚拟世界的训练效率能够颠覆物理世界的试错成本。这条路充满想象，但前方的迷雾也更浓——那个高度逼真的“Waabi世界”，能否真的替代现实世界的全部复杂性？
或许，未来的答案并非二选一。正如登山途中，不同的路线可能在更高处交汇，两种技术路径也可能在未来相互借鉴、彼此融合。Waymo已在大量使用仿真技术辅助测试，而Waabi最终也必须接受真实世界的严苛检验。
10个月宝宝每天需要喝多少奶粉？
