Waymo和特斯拉代表了通往L4的两条不同路线。
在比较两者之前，先要回答一个问题：什么才叫可规模化的L4（Scalable L4）？
所谓可规模化的L4，至少要过三关：部署上能不能铺开，安全上能不能兜住，经济上能不能成立。
部署层面（Deployment Scale）：能不能以有限的本地投入，快速进入新的城市和运行环境？
安全层面（Safety Scale）：运行范围扩大后，没有车内驾驶员兜底，是否依然安全？
经济层面（Economic Scale）：规模扩大后，把车辆、传感器、算力、运营和维护全部算进去，商业模式是否依然成立？
一套系统能在限定运行域（Operational Design Domain，ODD）内做到L4，不代表它已经同时过了这三关。
传感器成本正是这种权衡的一部分。纯视觉方案更容易以较低成本大规模部署，而增加激光雷达（Lidar）和更丰富的冗余设计，则意味着用更高的前期成本换取L4下更广的运行范围。经济性和安全性并不是彼此独立的，传感器成本往往正是两者交汇的地方。
Waymo目前运营着全球最先进的无人驾驶服务。它已经用真实运营证明，在边界清晰的区域内，L4确实可以工作。Waymo的思路，是把道路结构预先编码进厘米级精度的高精地图（HD Map），再用冗余传感器和一整套运营体系为学习系统提供保障。这条路线的优势是安全边界清晰，问题是现实世界一直在变化。每进入一个新市场，Waymo依然需要重新建图、验证和适配。
因此，高精地图既是有效的先验，也是扩张时必须缴纳的一笔“税”。虽然Waymo的硬件成本正在下降，但把车辆、基础设施和运营支持全部计算在内，完整系统仍然相对昂贵。
Waymo和Tesla的L4策略区别特斯拉押注的是另一条路。相比高精地图，特斯拉更依赖车队数据和模型自己学到的世界表征。困难场景会被送回训练系统，用于重新训练端到端模型；改进后的模型再分发到整个车队。再加上大规模量产的整车平台，这套数据飞轮（Data Flywheel）在部署和成本上具备结构性优势，也让跨地域扩张变得更轻。
但特斯拉证明的是这套模式在L2阶段可以成立，而不是L4。庞大的车队可以暴露许多罕见场景，却不可能覆盖所有从未出现过的新组合。L4系统未必需要叫出每一个陌生物体的名字，但必须知道怎样在它周围安全行驶。因此，真正的挑战不仅是零样本感知，更是在不确定性下进行零样本决策。
现在最大的悬念是：继续增加数据、算力和模型容量，能不能填平从L2到L4之间的安全鸿沟？
还是说，我们需要新的模型架构、更强的世界模型（World Model），以及车辆在运行时进行测试时推理（Test-Time Reasoning）的能力？
又或者，正如大模型Agent的进步不仅来自模型本身，也来自工具调用、上下文管理、结果验证、重试和安全约束共同组成的智能体运行框架（Agent Harness），自动驾驶也需要一套更可靠的系统级支撑框架，通过运行时监控、冗余校验、安全约束和故障恢复，兜住单一模型无法解决的问题？
真正的问题也许不是三者选一，而是哪一种能力会成为跨越安全鸿沟的关键瓶颈。
因此，Waymo和特斯拉其实处在两个不同的局部最优点。Waymo已经实现了限定区域内“安全优先”的L4，但成本和扩张能力仍有待验证；特斯拉已经实现了有人监管下的制造规模和数据规模，但L4安全仍未解决。
Waymo正在降低成本、扩大运营范围；特斯拉则在努力提高系统的安全上限。两家公司都在向中间靠近，但谁也没有同时解决部署、安全和经济性这三个问题。
从现有的公开证据看，能够在全球大规模复制的L4依然不存在。
所以，这场竞争远未结束。
L2的商业模式，本质上仍然围绕“卖车”展开。
辅助驾驶可以提高车辆竞争力，也可以通过软件订阅或选装包创造额外收入，但这个市场始终受几个数字约束：每年能卖多少辆车、多少用户愿意购买，以及每辆车能贡献多少软件收入。
即使采用相当乐观的假设，这大致也是一个数百亿美元规模的市场。它当然是一门好生意，但和完整的自动驾驶经济相比，仍然只是很小的一部分。
L4改变的是价值计算方式。当驾驶员真正被移除以后，自动驾驶不再只是车辆的一项功能，而会成为运输服务本身的一部分。每运送一个人、每配送一个包裹，都可以产生收入。到那时，现实世界中的移动会越来越像一种API：可以被调用、被调度，也可以按照使用量计价。
这种转变可能从上下游两个方向重塑汽车产业链。
这个市场的想象空间很大，但起点也极低：目前，自动驾驶里程只占全球驾驶总里程的约0.006%。全球人类每年的驾车总里程大约在20万亿到30万亿公里之间。即使自动驾驶每公里只创造1美分的价值，对应的年经济规模也能达到2000亿至3000亿美元；如果每公里创造5美分，规模就会达到1万亿至1.5万亿美元。
不过，这个估算有一个保守前提：它假设未来的出行需求保持不变。但L4一旦降低出行成本，并把原本被占用的驾驶时间变成可以自由利用的时间，就可能催生原本不会发生的行程，以及新的车内服务需求。正如视频会议并不只是替代线下会议，也让更多原本不会发生的沟通成为可能，L4也可能扩大出行本身，而不只是替代现有驾驶。因此，上述估算可能同时低估了未来的总里程和每公里价值。
这就是自动驾驶经济真正的想象空间：不是卖出了多少辆车，而是实现了多少自动驾驶里程。
L2到L4市场潜力的跃变让自动驾驶在经济上具备巨大潜力的那些特征，也使它在科学研究上同样重要：自动驾驶是检验具身智能的一块绝佳试金石。
一个真正通用的机器人需要感知不断变化的环境，预测其他参与者的行为，在信息不完整的情况下作出判断，还要实时、安全地采取行动，而这些能力同样是自动驾驶所必需的。
但相比通用机器人，驾驶又是一个相对受约束的问题。汽车只有少数几个控制量，主要在二维道路上运动，而且所有交通参与者大体遵循同一套车道和交通规则。更重要的是，汽车的硬件形态和产品定义都已经相当成熟。
通用机器人就没有这么幸运了。机器人一旦进入家庭、工厂和公共空间，就要处理三维运动、复杂接触、柔性物体和模糊指令。不同机器人有不同的身体形态，不同场景又有不同的任务，导致数据采集和测试很难标准化。这不是说机器人不重要，而是说它所处的阶段更早，距离找到一条清晰、可复制的产品路线还有更长的路。
相比通用机器人，驾驶是一个相对受约束的问题与此同时，机器人领域的新方法已经开始反哺自动驾驶。地平线的DiffusionDrive和英伟达的Alpamayo-R1分别展示了如何把扩散控制（Diffusion Policy）和视觉—语言—动作模型（Vision-Language-Action Model，VLA）的推理能力应用到驾驶中。
自动驾驶为这些方法提供了一个难得的试验场：问题足够困难，可以快速暴露模型的弱点；同时又足够结构化，可以进行系统开发、验证和部署。这也是为什么，我认为L4自动驾驶很可能会早于通用机器人实现大规模商业化。
对AI从业者来说，真正的问题并不是“机器人和自动驾驶，哪个更令人兴奋”。两者都令人兴奋，只是吸引人的地方不同。
如果你希望探索开放式研究、搭建新的技术基础，并且愿意面对一个最终产品形态尚不清晰的问题，那么机器人是一个非常好的方向。如果你更希望做出的物理AI产品能在未来几年真正落地、扩大规模，并影响数百万人，那么自动驾驶就是值得你深耕的地方。
自动驾驶没有结束。L2正在收敛，L4仍然开放；市场足够大，技术路线也远未定型。下一次关键突破，依然可能改变整个行业。
世界还在等待一台真正能够自主驾驶的机器。
审核｜阿蓝
文章来源：https://zhuanlan.zhihu.com/p/2061096118809895192
10个月宝宝每天需要喝多少奶粉？
