请您关注“数字秩序观”，前沿产业分析一网打尽
一个跑了1.27亿英里，一个投了59辆车。当我花了两周时间把特斯拉和Waymo这两家美国风头最盛的自动驾驶公司的技术路线、安全账本和商业模型翻了个底朝天，得出了一些不那么“政治正确”的结论。坐稳了，下面可能要得罪不少人。
Waymo和特斯拉在美国街头相向而行——这两种AI哲学，终有一战
同一个路口，两种信仰
2026年6月最后一周，美国自动驾驶圈子异常的热闹。因为特斯拉在奥斯汀全面铺开无安全员的Robotaxi服务，Cybercab开始在德州街头溜达。Waymo呢？同一周宣布全美6个运营城市周订单突破40万单，顺便立了个年底100万单/周的flag。
媒体们清一色的标题是“Robotaxi竞争白热化”。但作为一个在大数据和AI行业搬过砖的人，我看到的是另一件事：这两家公司根本不是在同一条赛道上跑——它们在用完全不同的AI哲学解同一道题。
特斯拉信奉“纯视觉+端到端神经网络”——只用摄像头，不用激光雷达，让AI自己学会开车。听起来很性感对吧？Waymo信奉“多传感器融合+高精地图”——激光雷达+摄像头+毫米波雷达，先把世界建模建好，再让车在里面开。听起来很无聊对吧？但有时候，无聊的方案反而更靠谱。
纯视觉 vs 多传感器融合——这俩的底层分歧，比可口可乐和百事可乐大多了
1.27亿英里：这道护城河，真不是吹的
做AI的人都知道一个朴素的道理：模型牛不牛，首先看数据够不够。这个道理在自动驾驶领域尤其要命——因为这里的“数据”不是网上爬来的文本，而是真金白银在路上跑出来的驾驶经验。
Waymo累计跑了超过1.27亿英里的完全无人驾驶数据。注意，这不是模拟器里跑出来的，是真实车辆在真实道路上，经历了真实世界所有奇葩边缘场景积累下来的——突然窜出的行人、不按套路出牌的卡车、工地施工导致的车道变化、暴雨中能见度驤降……你开过车就知道，这些“惊喜”才是日常。
做过模型训练的人都懂，真实数据和合成数据之间有一个巨大的domain gap。Waymo的数据壁垒，本质上是一个“真实世界的驾驶经验”壁垒——就像一个开了20年出租的老司机和一个刚拿驾照的新手，就算新手科目二满分，上路该懵还是得懵。
图1：Waymo vs 特斯拉自动驾驶里程数据——差距大约150倍，没打错
特斯拉的全自动驾驶运营里程约80万英里。80万听着也不少对吧？但和Waymo的“1.27亿”放一起，就差了一个数量级。而且特斯拉这80万里，大约三分之一的行程仍需人工监控——车里坐着安全员不说，每辆车后面还配有一辆人驾驶的车一路跟随监督。这哪是自动驾驶，更像是“自驾+保姆”模式。
技术路线：“让AI自学成才” vs “先给AI一本百科全书”
特斯拉的技术路线，说白了就是“端到端学习”。只用摄像头采集视觉数据，让神经网络直接从像素到控制指令完成映射。这个思路和我们做大模型的逻辑很像：给模型海量数据，让它自己“悟”。优点是架构简洁、硬件成本低（特斯拉单车硬件成本仅为Waymo的约三分之一）；缺点是可解释性差、调试困难，而且对数据规模的胃口极大——属于“要么吃饱，要么饿死”的路线。
Waymo的路线呢，说白了是“工程化思维”。激光雷达提供精确的三维点云，摄像头提供语义理解，毫米波雷达提供速度和距离，再用高精地图作为先验知识。这种“先建模再开车”的方式，冗余度高、容错性强，但硬件成本高、对地图精度要求极严——属于“装备党”路线，烧钱但稳当。
用我们做AI的话来翻译一下：特斯拉是“纯端到端大模型”派——给它足够的数据，它能学会一切；Waymo是“RAG+多模态融合”派——先用硬件建好知识库，再让AI在知识库上做决策。哪个对？历史上每次这个争论出现，结果都是“融合派”赢了短期，“纯端到端派”赢了长期。但自动驾驶的“长期”，可能比我们以为的要长得多。
安全账本：8倍 vs 减少80%，这组数字有点扎心
自2025年6月试运营以来，特斯拉Robotaxi累计报告14起碰撞事故。按其约80万英里的总运营里程计算，每5.7万英里发生一次事故。拿NHTSA（美国国家公路交通安全管理局）的警方报告平均值来衡量，事故率约为人类驾驶员的8倍。
8倍是什么概念呢？就好比一个新手司机第一天上路，事故概率是老司机的8倍——而这个新手还声称自己要取代所有老司机。
作为对比，Waymo在累计超过1.27亿英里的完全无人驾驶行驶中，独立研究显示其将伤害事故减少了80%，严重伤害减少91%。这个差距，已经不是一星半点了。
图2：安全数据对比——特斯拉事故率是人类的8倍，Waymo减少了80%伤害事故
这组数据的含义其实非常直白：纯视觉方案在“常规场景”下可以做得很好，但在边缘场景下的失败率显著高于多传感器融合方案。这和我们在大模型领域观察到的规律一模一样：模型在“舒适区”表现惊艳，在“极端条件”下暴露短板。区别在于，大模型暴露短板顶多给你一个离谱的回答，自动驾驶暴露短板可能出人命。
谁在赚钱，谁在烧钱？答案可能让你不舒服
Waymo在美国6个运营城市投入超3000辆车，每周提供约40万单付费服务，目标是2026年底每周100万单。其背后是2026年初完成的160亿美元融资，估值约1260亿美元。第六代自动驾驶系统成本预计低于2万美元，比上一代降了50%以上。现代承诺在数年内供应5万台车辆。
特斯拉呢？奥斯汀59辆车，每天的订单量大概在个位数到十位数之间。用户反映行车路线不稳定，停靠点“离目的地四分之一英里远”，高峰期直接拒单，日常等车超过半小时——怎么说呢，这个体验，跟共享单车刚出来那会儿差不多。
图3：运营数据对比——Waymo每周40万单 vs 特斯拉每天十几单，没看错
巴克莱给了一个冷酷的判断：特斯拉反超Waymo的概率仅有15%。但巴克莱也指出，特斯拉的单车硬件成本仅为Waymo的约三分之一。如果数据飞轮效应能够兑现，成本优势可能在规模化阶段转化为后发优势——但这个“如果”的前提是特斯拉能放下姿态去拿到加州的运营牌照，而不是继续回避承诺。
图4：单车硬件成本对比——特斯拉的成本优势是真实的
执行力信用危机：每一次跳票，都是在透支信任
坦率讲，我对特斯拉最大的担忧不是技术，而是执行力。回溯一下它的承诺时间线：2019年曾承诺次年运营；2025年10月计划在奥斯汀投放500台，11月缩减至约60台。每一次目标的大幅下调，都在消耗市场对它的执行力信心。
做AI产品的人都知道，“demo”和“产品”之间隔着一个宇宙。特斯拉的问题不是“能不能做出一个能开的Robotaxi”，而是“能不能做出一个能每天稳定运营、处理所有边缘场景、让乘客信任的Robotaxi”。这两件事的难度差了至少一个数量级——就像做一道菜和开一家餐厅的区别。
而且特斯拉至今未获得加州公路测试及商业运营牌照。加州是美国自动驾驶监管最成熟的州，拿不到加州牌照意味着在监管方看来，特斯拉的安全性还没有达到商业化标准。这就好比你考驾照，教练说“你还不能上路”——你可能觉得自己行了，但教练说了算。
我的判断：三个预测，错了欢迎截图打脸
基于以上分析，我给三个明确的判断。先说好，如果错了，两年后你可以截图骂我，我全认。
预测一：Waymo大概率将在2027年前实现单城盈利。其第六代系统成本降至2万美元以下，配合每周100万单的规模，单位经济模型已经可以跑通。现代承诺的5万台供应是关键变量——如果能兑现，Waymo将在规模上形成对特斯拉的压倒性优势。说白了，Waymo已经从“能不能做”走到了“能不能赚钱”的阶段，而特斯拉还在“能不能稳定开”的阶段挣扎。
预测二：特斯拉的纯视觉路线在未来3-5年内不会被证伪，但也不会超越多传感器融合。端到端模型的特性是“突破是阶梯式的”——它可能在某个时刻突然跳变，但在那之前，它会持续地“差一点”。对于需要99.99%可靠性的自动驾驶场景，“差一点”就是“差很多”。这就像高考，98分和100分的差距，可能是一道大题的命运。
预测三：特斯拉的真正价值不在Robotaxi本身，而在其数据飞轮。特斯拉有几百万辆车在路上跑，即使只有一小部分数据被用于训练，其数据规模也远超任何竞争对手。如果特斯拉能在未来2-3年内把这个数据优势转化为真正的技术突破，那么当前的“落后”只是暂时的。但如果不能——如果数据飞轮只是停留在“我们有很多数据”的口号层面——那就只是一个漂亮的PPT。数据不是石油，能被提炼利用的数据才是。
图5：判断框架——短期看Waymo，中期看数据飞轮，长期看端到端
写在最后：这不是一场比赛，是一场技术哲学的实验
其实把特斯拉和Waymo放在一起比，本身就不太公平。Waymo从2009年就开始做自动驾驶，特斯拉的FSD真正上路测试是2020年以后的事。Waymo有十几年的先发优势，这个优势不是用钱能买到的——它是用时间和里程数砌出来的。就像你不能指望一个刚学两年围棋的人，打败一个下了一辈子棋的老棋手，哪怕这个新手天赋再高。
但真正有趣的是技术哲学层面。特斯拉赌的是“端到端模型最终会走向通用智能”，Waymo赌的是“工程化的确定性比模型的概率性更可靠”。这个争论在AI的每一个子领域都在上演：大模型 vs 小模型、通用AI vs 垂直AI、scaling law vs 工程优化。自动驾驶只是这场大辩论的又一个战场。
我个人的看法是：短期看，Waymo赢了。它有数据、有规模、有订单、有监管信任。中期看，变量在特斯拉的数据飞轮能不能真正转起来。长期看，端到端可能是终极答案——但“可能”这个词，在自动驾驶这个领域，意味着“还要等很久”。
如果你问我会不会坐特斯拉的Robotaxi，我的回答是：等它拿到加州牌照再说。如果你问我会不会坐Waymo，我的回答是：我已经坐过了，体验不错，但等车时间确实有点长——大概和等Uber差不多的耐心消耗量。
自动驾驶的未来不是“能不能做到”的问题，而是“能不能做到99.999%可靠”的问题。从99%到99.999%，中间隔着的不是一个小数点，而是一个时代。我们正处于这个时代的早期——早期到连“谁对谁错”都还看不清。这恰恰是它有趣的地方。
关注 · 点赞 · 收藏，防止失联，紧跟科技前沿
