Waymo 世界模型震撼发布:自动驾驶的游戏规则变了

Waymo，这家谷歌旗下的自动驾驶公司，本周扔下了一枚重磅炸弹。

它发布了基于 Google DeepMind 最新世界模型 Genie 3 构建的「Waymo World Model」。

如果你还在用传统视角理解自动驾驶竞争，这次可能真的要更新认知了。

因为这不再是“谁的数据多”的问题，而是——

谁拥有整个互联网。

一场根本性的路径分歧

就在不久前，Tesla AI 副总裁 Ashok Elluswamy 用 30 分钟展示了特斯拉的技术路线。

• 每天从全球车队生成相当于 500 年驾驶时长的数据

• 通过智能触发机制捕捉罕见 corner case

• 用 Gaussian Splatting 重建高精度 3D 数字孪生

• 做闭环仿真与强化学习

Elluswamy 形容这是一场“数据的尼亚加拉瀑布”。

而 Tesla 的核心逻辑很清晰：

现实驾驶 → 采集数据 → 高保真重建 → 提取模式 → 优化模型

但这条路径有一个天然约束：

它只能学习发生过的事情。

Waymo 选择了另一条路线。

YouTube，成了自动驾驶训练场

Waymo 的世界模型基于 DeepMind 的 Genie 3。

这个模型并非从 Waymo 车队数据中生长出来，而是预训练于——

整个互联网视频数据。

尤其是 YouTube。

想象一下：

• 数十亿小时的自然世界录像

• 光影变化

• 物体运动

• 液体流动

• 极端天气

• 事故现场

• 动物横穿道路

• 奇异场景

这不是普通数据。

这是“物理世界的视觉百科全书”。

Genie 3 不只是理解像素，它理解概念。

它知道什么是雪，什么是桥，什么是风暴。

于是它可以生成现实中从未发生的场景：

• 六月的金门大桥飘雪

• 热带棕榈树被暴雪覆盖

• 城市道路洪水中漂浮家具

• 龙卷风正在形成

• 大象挡在路中央

• 飞机迫降高速公路

这些场景，可能极其罕见。

但它们属于自动驾驶系统最危险的“长尾风险”。

而 Waymo，可以按需生成。

生成，而不是等待

这是核心差异。

Tesla 的系统依赖真实车队遇到边缘场景。

Waymo 的系统可以：

用语言描述场景 → 直接生成多传感器仿真数据

更关键的是——

Waymo 的世界模型不仅生成视频。

它可以从普通视频中推理生成 LiDAR 点云数据。

这意味着：

• 任意一段 YouTube 公路旅行视频

• 任意一次极端天气记录

• 任意事故现场画面

都可以被转换为多摄像头 + LiDAR 的仿真训练素材。

换句话说：

互联网视频正在被转化为自动驾驶训练数据。

重建 vs 生成：两种哲学

我们可以用一句话总结这场技术对决：

Tesla 在“重建现实”
Waymo 在“创造可能”

Tesla 的优势

• 与真实硬件深度耦合

• 36 FPS 高帧率闭环系统

• 感知到控制高度集成

• 仿真精度极高

Waymo 的优势

• 无限长尾场景覆盖

• 语言控制生成能力

• 多模态传感器合成

• 摆脱地理与气候边界

一个优化“真实性”。
一个优化“准备度”。

问题在于：

自动驾驶失败，往往发生在极端边缘场景。

如果某些场景永远不会在你的车队中出现，你如何为它做准备？

规模边界被打破

Tesla 的数据来源是自己的车队。

它确实庞大，每天 500 年驾驶时长。

但它仍然受到：

• 地理边界

• 气候分布

• 统计概率

的限制。

Waymo 直接跳过了这个约束。

它训练在：

整个人类互联网的视频记忆之上

每一条上传的行车记录仪视频
每一次旅行 Vlog
每一次极端天气记录

都可能成为训练素材。

而内容创作者甚至不知道自己参与了自动驾驶模型训练。

这种“数据护城河”会随着时间自动增长。

这会改变格局吗？

也许不会立刻。

Waymo 的模型目前运行在 24 FPS、720P 分辨率，未必与其生产传感器栈完全对齐。

Tesla 的系统在端到端闭环整合方面依然非常强。

但问题不在当前指标。

而在未来趋势。

如果自动驾驶的核心难题在于：

覆盖无限长尾风险

那么能够生成“未发生但可能发生”的系统，可能拥有战略优势。

自动驾驶的战争正在转向

过去几年，行业讨论焦点是：

• 谁的数据更多？

• 谁的算力更强？

• 谁的传感器更好？

现在问题变成：

谁能模拟整个可能世界？

Tesla 拥有生产规模和数据瀑布。
Waymo 拥有世界模型和整个 YouTube。

这场竞赛已经不再只是工程问题。

它开始进入“生成式物理世界”的时代。

自动驾驶的下一个阶段，

也许不是学会更好地看见现实，

而是学会为一切可能做好准备。