自动驾驶公司真正争夺的,可能不是算法,而是「数据闭环」

“

一辆自动驾驶汽车驶入临时施工路段。

车道线突然消失，锥桶摆放杂乱，前车临时变道，一名骑行者又从车辆侧后方快速接近。

系统短暂犹豫，驾驶员接管了车辆。

对普通用户来说，这只是一次不够流畅的驾驶体验。

但对一家成熟的自动驾驶公司来说，真正的工作才刚刚开始：

这段数据能否被及时发现？

能否从海量行驶记录中找到相似场景？

能否快速完成清洗、标注和训练？

新模型能否解决问题，又不会让原本正常的场景出现退步？

验证完成后，新的能力能否安全地部署回车辆？

从一次接管，到下一次不再需要接管，这中间形成的完整链路，就是自动驾驶行业经常提到的 —— 数据闭环。

而今天，自动驾驶公司之间真正拉开差距的，可能已经不只是某一个模型有多先进，而是谁能更快、更稳定地完成这个闭环。

”

01

算法依然重要，但已经不是全部

自动驾驶发展的早期，行业讨论最多的是算法。

谁的目标检测更准？

谁的传感器融合更稳定？

谁的路径规划更聪明？

谁能在复杂道路上跑出更高的测试分数？

这些问题当然重要。

没有感知、预测和规划算法，车辆连基本的环境理解和驾驶决策都无法完成。

但随着论文、开源框架和基础模型不断成熟，先进算法的扩散速度正在变快。一个新的模型结构被发表后，其他团队可能很快就能理解、复现，甚至进行改进。

真正难以快速复制的，是算法背后的整套系统。

因为自动驾驶最终面对的，并不是一个固定的数据集，而是持续变化的真实世界：

有人突然横穿马路；

施工人员临时改变交通流向；

救护车从后方快速接近；

雨水遮挡了车道线；

一辆卡车装载着形状奇怪的货物；

骑行者做出了难以预测的动作……

这些低频、复杂、难以预先枚举的情况，构成了自动驾驶中的“长尾场景”。Waymo也将复杂交通参与者行为、天气变化和大量长尾情况视为真实世界自动驾驶的核心挑战。

因此，自动驾驶的竞争逐渐从：

谁能把一个模型训练出来？

转向：

谁能让模型持续从真实世界中学习，并且越来越可靠？

02

数据闭环究竟是什么？

一个完整的自动驾驶数据闭环，大致包含以下过程：

车辆上路运行 → 发现接管、急刹、低置信度等异常事件 → 从海量数据中筛选高价值场景→ 完成清洗、标注与场景结构化 → 重新训练或优化模型→ 通过回放、仿真和封闭场地进行验证→ 将新版本部署到车辆→ 继续运行并收集新的问题

关键不在于这条流程“跑过一次”，而在于它能够不断重复。

车辆每一次运行，都可能暴露新的问题；

每一个问题，都可能转化为新的训练数据；

每一次模型升级，又会进入下一轮真实环境验证。

于是，车辆既是产品，也是数据采集设备；既在完成驾驶任务，也在不断为下一代模型积累经验。

这才是“闭环”的真正含义。

03

有很多数据，不等于拥有数据闭环

乍一看，只要车辆足够多、行驶里程足够长，就能获得数据优势。

但事实并没有这么简单。

假设一家公司每天采集数百万段城市道路视频，其中绝大多数都只是车辆正常直行、跟车和等待红绿灯。

这些数据虽然数量庞大，却可能高度重复。

相比之下，一段只有十几秒的视频——例如施工人员突然改变手势、车辆错误理解临时交通指示——反而可能更有训练价值。

因此，数据闭环首先要解决的，并不是“如何存下更多数据”，而是：

如何从海量普通数据中，找到真正值得学习的数据。

系统需要识别接管、急刹、轨迹异常、模型不确定性升高等信号，还要对相似场景进行聚类和去重，避免反复训练同一种情况。

找到问题之后，还要把原始传感器数据转化成模型能够学习的内容。

这可能不仅包括车辆、行人和道路的二维框，还包括：

• 物体的三维位置与运动轨迹；

• 道路结构和交通规则；

• 不同交通参与者之间的交互关系；

• 自车采取的动作及其结果；

• 驾驶员为什么接管车辆。

数据量只是起点。

数据能否被发现、理解、加工并重新用于训练，才决定它是否真正有价值。

04

自动驾驶公司走的路线不同，目标却很相似

不同自动驾驶公司的数据获取与训练路径并不相同。

以特斯拉为代表的路线，更强调依靠大规模量产车队获取真实道路数据，并通过数据引擎持续挖掘长尾场景与失败案例。其公开资料与技术分享中，多次提到数据规模扩展与自动化数据闭环在系统迭代中的核心作用。

以Waymo为代表的路线，则更加重视多传感器融合、结构化测试与仿真系统建设。其仿真平台可以对真实道路场景进行回放与编辑，也能够生成新的虚拟交通场景，用于系统在复杂环境下的训练与验证。

相关研究显示，随着训练数据与计算资源的增加，运动预测与规划模型性能呈现稳定提升趋势，并且这一提升在闭环仿真评估中同样能够得到体现。

近年来，Waymo也持续推进生成式仿真能力的发展，使仿真系统能够更灵活地构造复杂交通场景，并生成多传感器数据，用于覆盖现实中难以大规模采集的极端情况。

这些路线并不相同：有的依赖大规模真实车队的数据闭环；有的依赖高精度传感器与结构化仿真体系；有的逐步走向端到端学习系统；也有的仍强调模块化结构与安全验证。

但它们最终都在解决同一个问题：

如何缩短从“问题在真实世界中出现”，到“问题被识别、修复并重新验证”的完整闭环周期？”

05

真正的护城河，是一套不断积累的系统

算法通常可以被描述为代码、模型结构和训练方法。

而数据闭环涉及的远不止算法团队。

它还需要：

车辆与传感器采集系统、

数据上传和存储基础设施、

场景检索与数据挖掘工具、

自动标注和人工审核体系、

模型训练平台、

仿真与回放系统、

安全评测标准、

版本管理和车辆部署能力。

更重要的是，这套系统具有积累效应。

车辆发现过的异常场景，可以沉淀为场景库；

解决过的问题，可以加入回归测试集；

积累的标注数据，可以训练下一代自动标注模型；

升级后的模型，又可以更准确地寻找新的困难样本。

于是，闭环会越转越快。

竞争对手或许能够复现一篇论文，却很难在短时间内复制另一家公司长期积累的场景库、数据标准、工具链和验证体系。

当然，数据本身也不会自动形成护城河。

没有有效筛选和治理的海量数据，最终可能只是昂贵的存储负担；没有严格验证的快速迭代，也可能把新的风险带到道路上。

所以，真正重要的从来不是简单地“拥有多少数据”，而是：

能否持续发现有价值的问题，  将问题转化为高质量数据，  再将数据转化为经过验证的新能力。

06

自动驾驶比拼的，是持续进化的速度

我们可以把一家自动驾驶公司的长期竞争力，大致理解为：

高价值数据发现能力 × 数据处理与标注能力 × 模型训练能力 × 安全验证能力 × 部署迭代能力

这是一道乘法题。

任何一个环节过慢，都会限制整个系统的进化速度。

两家公司即使使用相似的模型，面对同一个新场景时，也可能表现出完全不同的迭代效率：

一家公司需要数周才能找到数据、完成标注并验证新版本；

另一家公司可能已经拥有自动触发、场景检索、自动标注、仿真回放和回归测试系统，可以更快完成一轮经过验证的升级。

一次迭代的差距或许并不明显。

但当这样的过程重复成百上千次，差距就会不断累积。

需要强调的是，闭环速度并不等于盲目追求上线速度。

真正有价值的速度，是从发现问题，到形成一个经过验证、可以安全部署的解决方案所需要的时间。

写在最后

自动驾驶不是训练一个模型，然后把它装进汽车里。

它更像是在建设一套能够不断观察真实世界、发现自身不足、重新学习并验证结果的复杂系统。

算法决定了一辆车能否学会驾驶。

而数据闭环决定了它能否持续学习，能否处理越来越多没有见过的情况，能否从一次次失败中真正获得进步。

因此，自动驾驶公司真正争夺的，可能不是某一次模型发布时的领先，也不是某一张排行榜上的分数。

而是：

谁能让真实世界中的每一次问题， 更快地变成下一次更可靠的能力。

这或许才是自动驾驶行业最难建立，也最难被复制的长期壁垒。

ZiKi Robot Data Lab｜知几机器人数据实验室

我们关注机器人数据、具身智能与 AI 数据基础设施建设。

持续分享：

🟧 行业观察

🟧 技术实践

🟧 第一视角数据

🟧 AI 自动标注

🟧 三维重建

🟧 数据集构建

下一篇预告：

《特斯拉 FSD 背后的秘密：数据飞轮如何滚起来》