Waymo联合CEO:做自动驾驶15年,Demo是骗人的,评估才是护城河

每天为你拆解硅谷最新AI播客与前沿观点

不用啃2小时英文原版内容，几分钟快速看懂AI正在如何改变世界
全文约2,328字 · 预计阅读6分钟

Dmitri Dolgov最近带着两个孩子坐了一回Waymo。车过十字路口，两个人类司机抢道插到前面。Waymo减速，让行，平稳得像什么都没发生。后排的孩子压根没注意到刚才差点出了什么事。

Dolgov在自动驾驶上干了快二十年，现在是Waymo联合CEO。Waymo是谷歌母公司Alphabet旗下的自动驾驶公司，目前是美国最大的完全无人驾驶打车服务。他说那一刻让他意识到一件事：物理世界AI最好的时刻，看起来就像什么都没发生。任务安全完成了，没人注意到。

这场在YC Startup School的演讲，台下坐的主要是创业者。Dolgov没有讲创业鸡汤，讲了一个对硅谷来说很反直觉的道理：你那个能跑的Demo，最多只占1%的活。

现状：每周50万次，15座城市，300年的里程

先说现状。Waymo现在每周跑大约50万次完全无人驾驶行程，每周400万英里，覆盖美国15个城市。换算一下，相当于每周跑完一个普通美国人300年的驾驶里程。

Dolgov把硅谷那句"Move fast and break things"翻了个面。做原子的事不是做比特的事，东西坏了是不能接受的。你得"move fast and ship safely"——快，但安全从第一天就得是地基，不是事后补的。

这话听着像废话，但他接下来解释了为什么物理AI和数字AI是两个物种。

四个差距：为什么物理AI是另一套规则

他列了四个差距。

第一，错误代价。数字AI犯错，大不了重来。物理世界犯错，代价是人命，没有撤销键。

第二，延迟。你问ChatGPT一个问题，等几秒没关系。但一辆在高速上跑的车，一秒走100英尺。毫秒都得计较，所有推理得在一台塞在后备箱里的电脑上完成。

第三，数据。数字AI有整个互联网当语料库。物理世界没有对应的"互联网"，你得自己一英里一英里地采。

第四，验证。数字产品可以先上线个"差不多"的版本，让用户帮你找bug，无限规模地迭代。物理AI不行，你在跑第一英里之前就得证明足够安全。

说实话，这四个差距我以前没有放在一起想过。把它们排成一排看，你会发现做物理AI不只是"更难"，是规则都不一样。

Demo用了18个月，产品用了15年

然后是这场演讲的核心判断：Demo是1%的活，那几个"9"才是产品。

2009年，大约12个工程师定了个目标：跑10万英里无人驾驶，完成10条100英里路线覆盖湾区各种路况，零人工干预。18个月内做到了。那时候CNN还没火，Transformer和VLM都还不存在。

按Demo标准，2010年自动驾驶就算"解决了"。日夜驾驶、红绿灯、行人、自行车、施工区、高速、城市道路全都能跑。团队当时的定义是"capability complete"——功能完整。

Demo用了18个月，产品用了15年。

大约又过了10年才开始提供服务，再过5年才做到每周50万次。第一个1亿英里花了15年，下一个1亿英里花了7个月。今年一天之内开了4座新城市。

每多一个"9"的可靠性，大约需要10倍的努力，而且不是把同样的事做更多就行——需要根本不同的方法，全冗余系统、分层后备架构。Dolgov给创业者的建议是：在数你的Demo播放量之前，先数数你有几个9。

蜥蜴脑和慢思考：Waymo的基础模型

Dolgov然后讲了Waymo的基础模型，名字很长——"多模态世界动作语言模型"。每个词都有含义：多模态，吃摄像头、激光雷达和雷达数据；世界模型，理解物理规律和社交动态；动作模型，不是被动观察，而是主动参与者，能预测自己行为对世界的影响；和语言对齐，借VLM的通用知识处理长尾罕见场景。

最有意思的是快慢两条路的设计。快路，Dolgov叫它"蜥蜴脑"，融合原始传感器数据，负责毫秒级安全决策——行人突然冲到路上就立刻刹车，不需要"想"。慢路负责更复杂的语义理解，可以多花点延迟换更高推理能力——比如路边有辆车着火了，快路只看到一个障碍物，慢路理解"着火"这个语义，决定换一条路走。

他还有一个关于"结构"的判断。AI圈有个著名的"苦涩教训"，是Richard Sutton 2019年提出的：利用大规模算力和数据的通用方法永远赢过手工设计的领域知识。Waymo每一波技术浪潮都验证了这个规律，但Dolgov加了个细节：对抗规模的结构永远会输，引导规模的结构永远会赢。

他举了个例子：造一个下围棋的机器人。端到端从摄像头像素到机械臂动作是一种做法，但如果你真想要最强的棋手，这不是最优解——因为19x19的棋盘就是一个完美的中间表征，完全描述了游戏状态。利用这个结构不限制你的模型，但帮你高效扩展。

物理世界没有这么干净的表征，但物理世界有结构：物理定律、交通规则、物体的可预测行为。Waymo的做法叫"结构增强端到端"——在学到的表征之外加上显式结构表征，好处是推理时可以做实时安全验证，不是黑盒。

模拟器：飞机降落在高速上，恐龙穿过十字路口

你怎么训练和评估一个物理世界的AI？答案是高保真模拟器。而且模拟器本身就是一个大AI模型，难度不亚于造Agent本身。

模拟分开环和闭环。开环是被动看"输入→输出"对，闭环是：你做一个动作，看世界怎么变，更新感知，再做下一个动作。对安全关键场景，闭环是必须的。

Waymo的模拟器能模拟什么？一辆车停在高速车道上。一架飞机在高速上降落。一头大象穿过十字路口。金门大桥上下雪。一只恐龙在街上走。

这不是生成式视频，是完整的闭环生成式模拟——Waymo Driver在里面跑，做决策，被评估。底层用了Google DeepMind的Genie 3。

三个AI和一个飞轮

Dolgov说到这个复杂度，你不能只造一个AI，得造三个。Agent，就是开车的那位。Simulator，虚拟练习场。Critic，严格评估Agent表现并告诉它怎么改进。三者基于同一个基础世界模型。

然后是飞轮：Agent在真实世界跑，产生数据；数据让Simulator更逼真；Simulator生成更难的边界情况给Critic评分；Agent变得更聪明，回到真实世界跑得更多。

但飞轮可以朝任何方向转，甚至原地空转。引导它朝对的方向转的，是指标。

模型是入场券，评估才是护城河

这就引出Dolgov最后的判断：你的模型是入场券，评估和指标才是你的护城河。

先建评估，再建技术。先建评估，再做产品。如果你不能定量定义什么叫"够好"，你做的就不是产品，只是在迭代你的Demo。

物理AI的评估要深得多、宽得多：从物理层到行为层到离线组件到运营流程，每一层都要评。Waymo花了多年建了一套"safety and readiness framework"。

Dolgov说，物理世界里信任就是一切。你靠的不是炫酷的Demo或聪明的架构，而是日复一日在真实路上证明你的系统安全。Waymo公开发布安全数据。模型可以泄露，算法可以被复制，但两亿多英里的完全无人驾驶运营，加上证据级的评估和公开审计——这要难得多的多。

最新数据基于2.2亿英里：Waymo在运营区域内，造成严重伤害的事故率比人类驾驶员低约17倍。全球每26秒就有一个人死于车祸。按Waymo现在的规模，每8天预防一次严重伤害。

Dolgov说，这不是仪表盘上的数字。这意味着某个人所爱的人，在一天结束时安全地走回了家门。

下一个十年

最后他留了一句话：过去十年的AI发生在数字世界，下一个十年将发生在物理世界。

演讲结束的时候，屏幕上放了一段乘客第一次坐Waymo的视频。那个人说：

"我不敢相信，这车开得比有人开还好。"

"我这辈子都不会忘，永远不会。"

本文基于 YC Startup School 演讲 "Waymo Co-CEO Dmitri Dolgov: The Demo Is Only 1% Of The Work" 的完整字幕整理撰写，为独立评论与拆解。