美国德克萨斯州的天还没亮，现实中的卡车仍停在终端停车场中，传感器和轮胎都没有接触现实中的道路。
但在Waabi造出的另一个世界里，它已经反复驶入危险深处。
在仿真场景中，前车突然急刹，施工区收窄车道，轿车从盲区横切，雨雾和传感器噪声干扰道路边界识别。系统必须在几秒钟内决定刹车、避让、变道，或者继续行驶。
这个充满危险却不会有人受伤的训练场，名为Waabi World。在Waabi的构想中，它是一个高保真闭环仿真器，既能在虚拟环境中测试自动驾驶软件，也能实时训练系统。
Waabi World的一套AI负责识别系统弱点并生成对抗场景，Waabi Driver则在这些场景中反复训练和修正。
今年已经50岁的创始人拉克尔·乌尔塔孙（Raquel Urtasun）将这套仿真器概括为“既沉浸，又具备响应能力”。在Waabi的开发流程中，仿真和AI训练承担了过去主要由公共道路测试完成的工作。
过去十多年，自动驾驶公司通常依靠车队上路采集数据，再进行场景标注、算法修正和新一轮测试。问题在于，低频高风险事件很难通过增加常规里程高效获得。Waabi试图在仿真环境中生成这些场景，以降低采集成本和公共道路测试风险。
按照Waabi的技术叙事，这套物理人工智能平台能够泛化到不同车型、地理区域和环境，并由同一个AI模型充当无人卡车和Robotaxi的共享大脑。
无人卡车是这套平台的第一个应用。Waabi要验证的是，建立在数据、模型和算力上的训练范式，能否从语言、图像和代码扩展到物理世界。
Waabi对外提供的是自动驾驶系统Waabi Driver，其训练、测试和验证能力则主要建立在Waabi World之上。
后发者的选择
乌尔塔孙最早迷上的，并不是汽车。她喜欢数学，也喜欢电子游戏，后来在西班牙纳瓦拉公立大学读书时第一次接触人工智能。
早年接触过脑电信号、图像处理和计算机视觉相关研究，她关心机器怎样从复杂信号和图像里看见结构，怎样从模糊的数据中提取意义，怎样把世界理解成可以计算、判断和预测的对象。这为她后来进入自动驾驶行业埋下了伏笔。
乌尔塔孙走了一条很典型的AI科学家路径。她在洛桑联邦理工学院获得博士学位，之后在麻省理工学院和加州大学伯克利分校做博士后，后来成为多伦多大学计算机科学系教授，也是Vector Institute联合创始人。机器学习、计算机视觉、机器人学和自动驾驶，逐渐拼成了她理解世界的底层语言。
所以，乌尔塔孙进入自动驾驶领域时，她与传统开发路线的分歧，在于是否继续把感知、预测和规划这些任务拆成彼此独立的模块，以及仿真能否从辅助测试工具变成模型训练和安全验证的主要环境。
对她来说，自动驾驶从来不只是让一辆车替代一个司机，而是让机器学会理解一个不断变化、充满噪声、永远不会按标准答案展开的物理世界。
2017年，她加入Uber ATG（Advanced Technologies Group，是Uber在2015年组建的自动驾驶研发部门），担任首席科学家和研发负责人。对当时的Uber来说，自动驾驶不只是技术投资。司机是网约车平台最大的可变成本，如果车辆能够自动运行，Uber就可能从撮合交易的平台进一步控制运力供给。因此，ATG一度是公司最重要、也最烧钱的长期项目之一。
在那里，乌尔塔孙的团队已经开始尝试将感知、预测和规划纳入同一个可学习框架：系统不仅要“看见”，还要预测多种可能的未来，并提前作出应对。
她回忆自己加入当初Uber等于是走进了一个“战场”。彼时的Uber自动驾驶部门正处在动荡之中，工程师和管理层流失，与Waymo的知识产权诉讼仍在发酵，公司的企业文化危机也还没有散去。
这个“战场”给了她另一种教育。Uber让她的想法在现实世界里“硬着陆”：模型再漂亮，也要装进车里；算法再先进，也必须穿过工程系统、组织流程和道路现实。
冲突也在这里多次出现。曾与她共事的Uber工程师认为，乌尔塔孙的新机器学习算法很难插入Uber已经运行多年的软件栈。
乌尔塔孙则回应称，她在Uber的软件栈上产生过重要影响，也从那段经历里看清了自动驾驶里哪些东西有效，哪些东西行不通。
她后来表达过一个观点：“AI必须站在解决方案中心，技术才可能规模化。AI不能只是外围模块，也不能被塞进旧软件栈里。”
这句话几乎就是Waabi的种子。
上一代自动驾驶系统通常由感知、预测、规划、规则系统、场景库和标注流程等多个模块组成，机器学习只是其中的一部分。
乌尔塔孙想做的事情更激进，她要把AI放回系统中心，让仿真、生成式场景、自动化测试和可验证模型围绕它重新组织。
2020年，Uber将ATG出售给奥罗拉创新公司（Aurora Innovation），从亲自研发自动驾驶系统的重资产路线上后撤。
这段经历也使她开始怀疑高度依赖真实道路里程和人工补丁的开发方式：成本是否可控，安全验证能否规模化，系统又能否从一个运营区域迁移到另一个区域。
于是在2021年，她创办Waabi，早期融资规模达到8350万美元，Uber、科斯拉风投（Khosla Ventures）、奥罗拉创新以及杰弗里·辛顿（Geoffrey Hinton）、李飞飞等著名AI学者进入投资方名单。
AI领域本来就很少有女性站在中心位置，更不用说由女性领导、又快速拿到资本支持的自动驾驶创业公司。“女性往往要多做很多，才能拿到同样的认可。”乌尔塔孙说。
她也不把自己视为迟到者。在乌尔塔孙看来，“后发者”（second mover）拥有巨大优势。
第一代自动驾驶公司留下的，不只是道路数据和技术经验，还有一整套成本教训。
Waabi在Ojibwe语中有“她有愿景”的含义，在日语中也有“简单”的意思。这个名字对应了乌尔塔孙创办公司的两个出发点：重新选择技术路线，并压缩传统自动驾驶系统的工程复杂度。
真实道路捞不尽长尾
过去十多年，自动驾驶公司的开发节奏大致相似。车队从旧金山、凤凰城、匹兹堡一辆辆开出去，摄像头、激光雷达和毫米波雷达不断收集数据，工程团队把异常场景捞回来，标注、复盘、修补，再把新版本软件推回车上继续测试。
Waymo、Cruise、Aurora和特斯拉等都走过这条路。
这条路线直接，但成本高、周期长。扩大车队可以增加数据量，却不一定能等比例增加低频高风险场景。后者决定了系统的安全边界，也是公共道路数据中最难有效采集的部分。
这正是乌尔塔孙不愿把Waabi完全押在公共道路测试上的原因。在她看来，如果仿真不能大幅减少系统必须在现实世界中行驶的里程，就还没有真正改变自动驾驶的开发方式。
Waabi没有取消路测，而是将更多真实道路驾驶保留到开发后期，用于确认和验证；大部分训练和压力测试在Waabi World中完成。
Waabi World不仅重建车道线、施工锥桶、车辆等视觉元素，还要模拟车辆动力学、传感器响应和交通参与者之间的互动。画面逼真只是基础，系统必须能够用于闭环训练和评测。
Waabi利用AI从已经采集的数据中重建数字孪生：一个场景只需被观察一次，便可以高保真地复现，并转化为可复用、可变形、还能生成新危险的训练材料。
驾驶不是识别一张静态图片，而是在持续变化的交通系统里做连续决策，一个错误判断不仅会影响当前一秒，还会改变之后数秒甚至数十秒的交通关系。
Waabi World要模拟的，正是这种交通系统中的动态因果链条。
传统路测获得什么场景，很大程度上取决于道路上的随机事件。Waabi World则可以控制变量，调整车辆速度、相对位置、天气、道路施工和交通参与者行为，并重复生成系统容易失效的组合。
这种判断也有现实背景。2024年前后，美国监管机构持续加强对自动驾驶技术的审视，Cruise和Waymo车辆涉及的事故与碰撞进一步放大了公众对安全问题的关注。
安全审查越严，靠公开道路试错的空间越小，能够减少公共道路测试风险和成本的开发路线，就越容易获得资本和产业链的兴趣。
Waabi World试图扮演自动驾驶的“终极仿真器”。这种路线选择的背后，是Waabi与上一代自动驾驶公司的分野。
因此，Waabi不以路测里程作为唯一的开发进度指标，而更强调训练覆盖率和闭环验证能力。
让一个AI给另一个AI设陷阱
上一代自动驾驶测试最难回避的困境是，当系统已经能稳稳应对80%的普通路况，测试工程师想知道它在哪里会出错，但一整天跑下来，什么危险都没遇到。
等错误自己出现，时间太久，成本太高。
Waabi的解法，是让另一套AI主动寻找漏洞。Waabi World利用AI定位Waabi Driver的弱点，并自动创建对抗性场景，让系统处理那些自己原本不擅长的情况。
训练由两个相互作用的系统完成：一套系统搜索Waabi Driver的薄弱点并生成场景，另一套系统在闭环环境中作出驾驶决策。测试不再依赖危险事件随机出现。
这使得交通长尾不再只是现实世界里的偶然，它被转化成可搜索、可生成、可训练的对象。
系统越成熟，普通场景暴露问题的概率越低。为了发现一次潜在失效，测试可能需要运行数百万甚至数十亿个场景。Waabi World通过优化场景参数，提高失效事件在测试样本中的出现概率。
大模型的能力扩展依赖数据、训练目标、模型结构和算力。Waabi试图将类似的训练范式用于自动驾驶，同时解决物理系统特有的闭环决策和安全验证问题。
放到2026年的行业坐标里，AI-first本身已经不再稀奇。特斯拉从FSD V12开始强化端到端神经网络路线，华为、Momenta、元戎启行等中国玩家也在用端到端模型减少人工规则和模块间的信息损耗。行业的共同方向，是让模型从传感器输入中直接学习驾驶决策，而不是依靠工程师不断堆叠规则和补丁。
Waabi的差异主要在数据来源。特斯拉拥有数百万辆量产车，可以依靠真实道路数据和影子模式持续训练模型；中国头部玩家也能借助量产合作扩大道路样本。Waabi没有同等规模的车队，因此用神经仿真器重建真实世界，并生成长尾、反事实和对抗场景。
这是一种用计算和生成数据弥补真实里程不足的方案。风险也很明确：仿真数据的分布由模型和场景设计共同决定，未被正确建模的现实因素不会自动出现在训练集中。最终仍要通过真实道路测试判断仿真训练的能力能否迁移。
Waabi本身属于端到端路线。Waabi Driver被公司定义为“可验证的端到端AI系统”，从传感器输入出发统一完成驾驶推理和决策，同时保留可解释的中间表征与安全冗余。它同样试图减少手写规则和模块间的信息损耗，让模型直接从数据中学习驾驶能力。
它与常见端到端方案的差别主要在训练体系。特斯拉等公司依靠大规模真实车队积累数据，Waabi则提高了神经仿真器在数据生成和验证中的权重。分歧集中在训练数据构成、闭环评测方法和安全证明，而不是是否采用端到端模型。
Waabi也在做世界模型。其Copilot4D通过预测传感器观测在三维空间和时间中的演化，学习“采取某个动作后，世界会怎样变化”。但世界模型与Waabi World不能简单画等号：前者是一类学习物理世界动态规律的模型，后者是包含场景重建、交通参与者模拟、对抗场景生成和闭环评测在内的训练与验证系统。世界模型可以成为这套系统的能力组件，却不等于整套系统。
至于VLA（视觉—语言—动作），Waabi目前并未公开把车端Waabi Driver定义成VLA。它确实研究用语言编排仿真场景，也在探索面向物理世界的基础模型，但公开技术重点仍是三维时空推理、端到端驾驶、神经仿真和可验证性，而不是让自然语言成为车端决策的核心接口。
因此，更准确的说法是：Waabi与端到端和世界模型路线高度同源，但尚不能直接归为典型VLA驾驶方案。
到2026年，端到端已经成为自动驾驶明确的技术主线，世界模型和VLA则是继续扩大泛化能力的重要方向，但三者并不是一套已经定型、所有公司完全照搬的标准架构。
行业真正形成的共识，是从规则驱动转向数据驱动；至于使用真实车队还是仿真数据、是否引入语言、世界模型放在车端还是训练端，各家公司仍在选择不同的工程答案。
只不过，语言模型预测的是词与词之间的关系，自动驾驶系统要面对的是一辆几十吨重的卡车、真实传感器、真实制动距离、真实道路参与者，以及一旦出错就可能伤人的现实后果。
Waabi也试图避免让系统变成黑箱。虽然它采用AI-first路线，但自动驾驶栈仍保留模块化结构，并产生中间可解释表征，以便追踪和验证每个决策。
它需要同时处理模型泛化和安全验证。保留中间表征，是为了让工程团队定位错误来源，并为安全评估提供可检查的输出。
把模型装进量产卡车
2022年11月，Waabi推出Waabi Driver时，目标就是把自动驾驶系统做成可以面向卡车制造商集成的东西，而不是永远停在原型阶段。
Waabi Driver被设计成一套可供半挂卡车制造商集成的自动驾驶系统。Waabi提供软件、传感器和计算单元，主机厂负责车辆平台和工厂集成，物流网络负责实际运营。
其硬件方案强调即插即用、轻量、易维护和空气动力学设计。物流客户还会考察工厂集成、维修条件、油耗、车辆可用率和停运成本，这些指标决定系统能否进入常态运营。
2024年3月，Waabi宣布将把英伟达DRIVE Thor集成到自己的生成式AI无人卡车方案中。
DRIVE Thor需要在车端同时承担传感器处理、模型推理和驾驶决策，其算力、功耗、散热和车规可靠性都会直接影响系统部署。
这个车载中央计算平台可以提供1000 teraflops算力，并具备面向AI的推理能力。对高度依赖模型训练与车端推理的Waabi而言，英伟达的芯片构成了这条技术路线的计算底座。
在这项合作中，Waabi负责自动驾驶模型和系统集成，英伟达提供车端计算平台。
2025年2月，Waabi与沃尔沃自动驾驶解决方案公司（Volvo Autonomous Solutions）宣布合作，把Waabi Driver集成到沃尔沃VNL自动驾驶卡车（Volvo VNL Autonomous）上。
按照双方公告，两家公司已经为Waabi Driver集成到Volvo VNL Autonomous打下基础，并准备在2025年开展测试。该自动驾驶卡车平台由沃尔沃位于美国弗吉尼亚州都柏林的New River Valley工厂制造。
这项合作将Waabi带入主机厂的工厂级开发、验证和集成体系，而不再局限于测试车的传感器后装。合作并非排他性，Waabi仍在寻求把技术集成到其他卡车制造商的车辆上。
让真实与虚拟一起参加测试
在得州达拉斯郊区的兰开斯特，Waabi于2024年4月租下一座占地8英亩以上的旗舰自动驾驶卡车终端。这里配备高速数据卸载、加油、称重、发车前检查和收车后检查等设施，还包括约2.47万平方英尺的办公室和维修车间。
自动驾驶卡车的运营还包括装货、称重、发车前检查、回场、数据卸载和车辆维护。终端建设表明Waabi开始处理这些仿真系统之外的运营环节。
2025年，Waabi推出混合现实测试，把真实卡车放在封闭测试场中运行，同时让车端系统面对由仿真生成的复杂交通参与者和危险场景。
更有意思的是，在Waabi的混合现实测试里，危险并不一定真的存在。
真实卡车在封闭测试场里行驶，轮胎压过地面，制动系统真的响应，车身真的转向，硬件反馈也是真的。
但在Waabi Driver眼中，这个空旷的测试场可以突然长出一段拥堵车流，一辆摩托车从盲区里钻出来，一个行人横穿道路，一只动物闯入车道，前方又出现碎片、施工区、救护车和警察指挥交通。
测试员不必在场地中真实复现危险，Waabi Driver仍需根据虚拟交通参与者作出刹车、转向和让行决策，控制指令由真实车辆执行。
这种方法介于纯仿真和公开道路测试之间：车辆动力学、制动、转向和硬件响应来自真实卡车，危险场景由仿真系统生成。它可以测试软硬件闭环，又不需要让人员和车辆实际进入高风险冲突。
Waabi把这种方法类比为“增强现实眼镜”。人戴上眼镜后，仍然站在真实房间里，却能看到虚拟物体叠加在眼前。Waabi Driver则是在真实测试轨道上行驶，同时面对一群由仿真系统生成、会彼此反应、也会对真实车辆反应的交通参与者。
纯软件仿真无法完整覆盖真实车辆的重量、惯性、制动距离和执行器延迟。混合现实测试将这些硬件响应纳入闭环，同时避免在测试场中真实制造高风险冲突。
2025年3月，Waabi表示，通过配对测试（paired tests）验证神经仿真器后，Waabi World的真实度达到99.7%。这里的“真实度”，指车辆在仿真与现实中的同一场景下，执行轨迹的接近程度。
仿真真实度不应只看画面，而要看自动驾驶系统在仿真和现实中面对同一场景时，是否会产生相近的轨迹和行为。如果一套仿真系统只是视觉逼真，却无法复现车辆动态、传感器延迟、误检、漏检和周围交通参与者的行为，就很难真正承担安全验证任务。
因此，仿真评估的重点不是视觉效果，而是行为一致性：同一套系统面对对应的真实与虚拟场景时，是否产生接近的轨迹、制动时机和控制输出。
从科学家到经营者
乌尔塔孙后来回忆，在Uber近四年学到的不只是自动驾驶技术，还有怎样经营一家公司、怎样成为一名管理者。
在Uber，她开始直接处理工程延期、技术路线争议、安全压力和商业目标，也接触到大型技术团队的管理问题。Uber首席执行官达拉·科斯罗萨西（Dara Khosrowshahi）是她职业生涯的导师。
2023年9月，Waabi与Uber Freight宣布战略合作，计划在未来十年部署数十亿英里的Waabi Driver运力。首批自动驾驶商业货运任务随即在达拉斯和休斯敦之间定期展开。
需要注意的是，到了2026年，Waabi尚未完成无人卡车的大规模商业化验证，Robotaxi的车型、城市和时间表也尚未披露。
这说明Waabi进入了真实物流网络，但驾驶座上，人类安全员还没有真正离开。
2024年6月，Waabi完成2亿美元B轮融资，由Uber和科斯拉风投领投，英伟达、沃尔沃集团风险投资、保时捷汽车控股、斯堪尼亚投资、英卡投资（Ingka Investments）等战略投资方参与。
科斯拉风投代表硅谷对AI-first路线的押注，英伟达代表车端算力和AI芯片，沃尔沃和斯堪尼亚代表重卡制造体系，保时捷汽车控股代表传统汽车资本的长期眼光，Uber代表平台、订单、运力匹配和Robotaxi入口，英卡投资背后则带着物流需求和供应链想象。
这些投资方覆盖芯片、整车制造、物流平台和潜在货主，为Waabi提供的不只是资金，还包括车端算力、工厂集成、运营网络和客户资源。
货运网络补上生意的另一半
Waabi故事的前半段，需要一位科学家证明自动驾驶可以被重新训练。后半段，它需要一位物流操盘手把这种训练出来的能力放进客户网络、运营流程和商业合同里。
2025年8月，利奥尔·罗恩（Lior Ron）走进Waabi，坐到首席运营官的位置上。他曾掌管Uber Freight这块数十亿美元级业务，并服务过三分之一的《财富》500强托运人。
罗恩的加入说明Waabi的管理重点开始从模型研发扩展到客户网络、运营流程和商业合同。
无人卡车不是把安全员拿下来就结束，真正难的是让客户相信这套系统可以准时、稳定、可维护、可计价。毕竟，货主不关心你的仿真器有多聪明，只关心货能不能准时到，成本能不能降下来，风险能不能被控制住。
罗恩加入后不久，Waabi提出了direct-to-customer模式。要理解这个模式，先要理解无人卡车行业里更常见的hub-to-hub模式。
所谓hub-to-hub，可以理解为“枢纽到枢纽”。自动驾驶卡车主要跑两个物流枢纽之间的固定高速干线，比如从达拉斯附近的一个货运终端开到休斯敦附近的另一个货运终端。高速路段交给自动驾驶系统，两端从仓库到枢纽、从枢纽到客户的地面道路，则仍然需要人工驾驶员或传统车辆接驳。
它的好处是技术边界清晰，路线相对固定，场景更容易控制。问题也很明显，一趟货被切成几段，中间多了换车、交接、等待和调度，成本和摩擦都会被重新加回去。
direct-to-customer则更进一步，可以理解为“直接到客户”。Waabi想让自动驾驶卡车不仅能跑高速干线，还能处理货运旅程开头和结尾的地面道路，直接进入客户的仓库、园区、装卸区或配送节点。这样一来，自动驾驶不再只是中间那段高速公路上的替代司机，而是更接近一套完整运输服务。
Waabi因此把direct-to-customer视为更完整的商业模式。
hub-to-hub只覆盖两个物流枢纽之间的干线，两端仍需人工驾驶员或传统车辆接驳。direct-to-customer试图取消这部分交接，要求自动驾驶卡车完成起步、并线、转弯、进场、靠近月台以及最后几百米的低速机动。
相应的技术难度明显增加。高速干线上的变量相对少，客户设施周边则可能出现行人、骑行者、叉车、临停车辆、复杂路口、不同交通灯模式，以及狭窄且缺乏统一标准的装卸区。
Waabi选择direct-to-customer，是为了覆盖更完整的运输流程，减少中途换车、交接、等待和额外调度成本。
地面道路意味着更高的交通密度和更多不可预测因素，包括行人和骑行者、复杂路口、视野受限的无保护转弯、不同交通灯模式，以及进出设施和装卸区时的紧凑机动。Waabi称，自己在2025年第一季度完成了高速和一般地面道路自动驾驶核心功能开发。
三星电子美国公司高级经理马特·多（Matt Do）在Waabi官网中评价称：“像Waabi提供的这种direct-to-customer模式，是自动驾驶卡车部署唯一真正可扩展的方式。”
然而，自动驾驶卡车商业化存在一个现实悖论。只跑高速，技术难度相对可控，但商业价值会被两端接驳吃掉。要把价值吃完整，就必须进入更复杂的地面道路。
这条路线扩大了可获取的商业价值，也扩大了需要验证的运行设计域。
高速公路上的能力，能迁移到城市道路吗
2026年1月，Waabi官方宣布获得合计最高10亿美元新资金支持，其中包括已关闭的7.5亿美元C轮融资，以及Uber围绕Robotaxi部署提供的最高2.5亿美元里程碑式资本。
伴随融资公布的还有技术定位变化。Waabi声称自己开发了一套统一AI系统，可以运行卡车和Robotaxi，未来甚至可能延伸到无人机、仓储机器人和人形机器人。
如果这个说法成立，Waabi不光是一家正在接近商业化的无人卡车公司，也是一家急于证明“物理AI平台”可以跨场景迁移的基础模型公司。
乌尔塔孙的逻辑是，卡车需要到特定地点装卸，Robotaxi需要到特定地点接送乘客，两者在“去到某个地点并安全停靠”这件事上存在相似性，因为系统不是记住某一类车的规则，而是学会了与物理世界互动的通用能力。
但相似不等于相同。Waabi与Uber的合作目标是逐步部署至少2.5万辆Robotaxi，但具体时间、目标市场和车辆平台尚未披露。Waabi要证明的不再是几辆无人卡车能跑，而是一个技术平台能否跨越车型和运营场景。
无人卡车过去常被理解为高速干线、上下匝道、货场和固定装卸点问题，但Waabi自己的direct-to-customer路线，已经把它推向一般地面道路。Robotaxi则进一步进入乘客上下车、骑行者、行人、城市路口、临停车辆、复杂责任归属和更高公众关注度之中。
城市道路的交通参与者密度、交互频率和行为不确定性都高于高速公路。骑行者从车辆右后方接近、行人在无信号灯路口反复试探等行为可以在仿真中批量生成，但模型仍需在真实城市中证明其预测和响应能力。
Waabi最有争议的地方，也正在这里。它还没有在商业货运路线上真正拿掉安全员，却已经把故事推向2.5万辆Robotaxi。
这项扩张有两层含义。技术上，Waabi需要证明模型可以跨车型和运行设计域迁移；商业上，Robotaxi扩大了平台的潜在市场，也提高了资本市场对公司的想象空间。
过去几年，自动驾驶卡车的资本故事已经经历了一轮退潮。TuSimple退出美国市场并转向生成式AI娱乐，Waymo也收缩了卡车业务。干线物流场景清晰，却面临重资产、长验证周期和商业闭环迟迟难以兑现的问题。仅靠卡车，越来越难支撑一家自动驾驶公司的平台想象力。
在这个背景下，“统一物理AI平台”扩大了Waabi可以定义的市场边界。Robotaxi的市场规模和关注度都高于单一的自动驾驶卡车技术供应，Uber承诺的最高2.5亿美元又与Robotaxi部署里程碑挂钩，新业务已经被写进融资结构。
因此，Waabi向Robotaxi扩张同时包含两套逻辑：技术上，它需要证明同一个模型能够跨越车型与场景；资本上，它需要证明卡车只是平台能力的第一个落点，而非增长边界。问题在于，Waabi尚未完成无人卡车的大规模无安全员商业验证，也没有披露2.5万辆Robotaxi计划的整车制造伙伴和明确时间表。
目前还无法判断，Robotaxi是统一驾驶模型自然形成的第二个应用，还是在卡车商业化尚未跑通时开启的新增长叙事。判断依据不会是融资规模，而是无安全员运营、跨车型迁移和城市道路表现。
物理世界能被训练吗
达拉斯到休斯敦，近400公里，是Waabi最早在Uber Freight网络上定期运行商业货运任务的线路之一。
卡车出发，卸货，返回，驾驶座上仍然坐着安全员。
这条线路是虚拟训练和真实道路之间那道还没有完全打通的墙。Waabi在仿真器里已经给系统出过无数道题，但这段路上那个人能不能最终离开驾驶座，才是整个故事真正的考场。
它已经拿到了不少筹码。
2021年，Waabi以8350万美元A轮融资出场。
2023年，它与Uber Freight达成十年合作，把Waabi Driver放进真实货运网络。
2024年，它拿到2亿美元B轮融资，Uber、科斯拉风投、英伟达和沃尔沃等进入更深关系。
2025年，它与沃尔沃自动驾驶解决方案公司合作，进入沃尔沃VNL Autonomous平台，又通过混合现实测试、99.7%仿真真实度、罗恩加盟和direct-to-customer模型强化商业化叙事。
2026年6月，Waabi公布了一项更能对应其技术主张的进展：在Peterbilt 579卡车上训练的Waabi Driver，被直接迁移到Volvo VNL Autonomous；整个过程无需新增真实道路数据、仿真数据、微调或专项工程，实现了所谓“零样本”车型迁移。
这仍是公司披露的结果，而不是独立第三方验证，却比再讲一次融资数字更接近Waabi真正需要证明的命题——同一个驾驶模型能否跨车型泛化。
目前，Waabi的公开道路无安全员商业运营能力尚待证明，Robotaxi的具体车型、城市和时间表也尚未披露。
在Waabi的“记忆”里，那辆卡车可能已经驶过无数场雨、经历过无数次横切，避让过无数个突然出现的行人，也穿过无数段被仿真系统故意搅乱的道路。
但当它真正驶上公路，面对雨水、眩光、尘土和无法预先穷尽的人类行为时会怎样，Waabi还没有给出最终答案。
主要参考资料：
1.TechCrunch: AI pioneer Raquel Urtasun launches self-driving technology startup with backing from Khosla, Uber and Aurora（2021年6月）
2.The Verge: Waabi, the rare autonomous vehicle startup with a woman CEO, raises $83.5 million（2021年6月）
3.Waabi官网：Waabi secures $1 Billion in new funding to lead Physical AI revolution（2026年1月）等
4.The Verge: Waabi World, the “ultimate simulator” for autonomous vehicles（2022年2月）
5.TechCrunch: Waabi’s new simulator could scale autonomous vehicle tech faster（2022年2月）
6.Axios: A new way to teach robots to drive（2022年2月）
7.The Verge: Waabi announces “plug-and-play” autonomous trucking solution（2022年11月）
8.Uber Freight官网: Uber Freight and Waabi introduce industry-first autonomous truck deployment solution（2023年9月）
9.Reuters: Autonomous trucking startup Waabi raises $200 mln（2024年6月）
10.Reuters: Waabi ties up with Volvo to roll out self-driving trucks（2025年2月）
11.TechCrunch: Waabi raises $1B and expands into robotaxis with Uber（2026年1月）
12.Axios: Self-driving truck company Waabi raises $1B to expand into robotaxis（2026年1月）
13.The Verge: Self-driving truck startup Waabi is teaming up with Uber on robotaxis（2026年1月）
14.Business Insider: Uber’s new plan to deploy 25,000 robotaxis will come from an autonomous trucking company — led by an Uber alum（2026年1月）
15.Tesla官网：Full Self-Driving (Supervised)，关于真实车队数据与模型训练
16. 华为官网：HUAWEI ADS 及2025年度研发资料，关于World Engine、World Action Model与端到端生成式建模
17.CreateAI公告：TuSimple Announces Rebranding to “CreateAI” and Unveils Major Advances in Generative AI（2024年12月）
18.Momenta、元戎启行公开技术资料：关于端到端自动驾驶模型与量产数据闭环
19.Waabi：Waabi crosses the next frontier of generalization, unlocking truly scalable AVs（2026年6月）
10个月宝宝每天需要喝多少奶粉？
