Waymo 对决 Tesla:打造自动驾驶的两条技术路线

一辆以 40 英里/小时行驶的汽车，每秒大约前进 60 英尺。在这一秒内，软件必须判断车辆周围物理上有什么、对每一个物体分类、估计这些物体将如何移动、选出一条路径，并下达转向和制动指令。

快速完成这一切，大体上已经解决了。然而，在不可预测、千差万别的交通场景里正确地完成这一切，至今仍是开放问题。因为真实世界的交通产生的不同场景，比任何团队能预先穷举的都要多。例如 Waymo 描述过这样一个案例：前方路面上有一辆车正在燃烧，而可行驶车道在物理上依然是畅通的 [3]。这种场景的几何结构或许允许径直开过去，但它的真实含义却指向掉头或采取预防性动作。

Waymo 和 Tesla，两家都在自动驾驶上重金投入的公司，针对这些问题给出了不同类型的答案。

作为参照，Waymo 报告称，截至 2026 年 3 月，其“全无安全员”里程已达 2.206 亿英里。这些都是驾驶座上没有任何人的里程，覆盖五个都会区 [5]。另一方面，Tesla 报告称其在美国有超过 300 万辆车，每年累计行驶超过 300 亿英里，并在 2026 年第一季度拥有 128 万活跃的全自动驾驶（Full Self-Driving，简称 FSD）订阅用户 [10]。这些 Tesla 里程几乎都涉及一名仍对车辆负责的驾驶员。Tesla 的无人化服务是独立且规模小得多的部分，在奥斯汀、达拉斯和休斯顿以无安全监护员的方式运行，而湾区服务则使用安全驾驶员 [10]。

两套方案都重度依赖机器学习。但它们的分歧在于：有多少东西被提前固定下来。在本文中，我们将审视这两套方案，并尝试回答以下问题：

• 每个系统如何感知“周围物理上有什么”？
• 它们各自用这些数据构建了什么，以及为什么其中一方坚持让结果保持“可读”？
• 每个系统如何估计其他道路使用者会做什么？
• 路径如何被选定，在车辆行动前由什么来验证它？
• 各自公开了什么样的安全证据，以及为什么这些数字衡量的是不同的东西？
• 每个系统内部的知识，究竟来自哪里？

免责声明：本文基于各方公开分享的细节撰写，文末附参考文献。如发现任何不准确之处，欢迎在评论区指出。

感知（Sensing）

相机在一张像素网格上记录光的强度。距离并不存在于这张网格里，因此深度必须从像素的排布中计算出来，但这种计算可能出错。一个远处的庞大物体和一个近处的小物体，可以占据图像中完全相同的区域。

LiDAR 用另一条路径得出同一个答案。它发射激光脉冲，测量每个脉冲在物体表面反射后返回所花的时间，再把这段时间换算成距离。我们可以把它的输出想象成点云（point cloud）——一组描述车辆周围表面的三维测量点 [1]。在这里，距离不再是估计值，而是测量值。

Waymo 的第六代系统于 2026 年 2 月全面投入自动驾驶运营，搭载 13 个相机、4 个 LiDAR 单元、6 个雷达单元，以及一组用于探测警笛与铁路道口的外部音频接收器 [2]。覆盖范围在每一个方向上都有重叠，并延伸至 500 米。这种重叠是为雨天、路面污渍或结冰限制了相机捕获能力时的“兜底”场景准备的——此时由 LiDAR 和雷达维持感知能力 [2]。

Tesla 的车辆主要依赖相机。它完全采用“纯视觉”（pure vision）路线，仅使用外部相机与人工智能来导航。例如，Tesla 的文档将 Model 3 和 Model Y 描述为运行基于相机的 Tesla Vision，不含雷达，依靠相机与神经网络处理 [9]。

见下方图示：

这里还有一点值得注意。Waymo 第五代的 Jaguar I-PACE 车辆搭载了 29 个相机 [1]；第六代系统降到 13 个，Waymo 将这一变化归因于一颗 1700 万像素的成像器，用不到一半数量的相机覆盖了相同的区域 [2]。换句话说，Waymo 也在减少整体传感器数量，同时仍在把“冗余”描述为不可或缺。

这里的权衡是：直接测量要花钱，而且增加了一个可能明显失效的部件；而推导值或许成本不高，但同样可能出错。

表征（Representation）

总得有某种东西，把数以百万计的像素和点，转换成系统能够理解并据以行动的描述。这种描述的性质与形态，是自动驾驶架构中最关键的决策之一。

Waymo 把 Waymo 基础模型（Waymo Foundation Model）放在中心，它由两部分构成：

• 传感器融合编码器（Sensor Fusion Encoder）：随时间融合相机、LiDAR 与雷达数据，输出物体、语义属性与嵌入向量（embeddings）。这些是下游组件消费的、紧凑的数值摘要。
• 一个驾驶视觉语言模型（Driving VLM）：使用 Gemini 训练，并在 Waymo 驾驶数据上微调，覆盖那些需要背景世界知识的罕见情况，比如前面提到的“燃烧车辆”例子。

两者共同喂给一个世界解码器（World Decoder），它预测其他道路使用者的行为、生成高精地图（HD maps）、产出候选轨迹，并发出用于验证这些结果的信号。

系统维持紧凑的结构化表征，即显式的物体列表、它们的语义属性，以及描述车道与连接关系的道路图（roadgraph）元素。Waymo 工程团队为这一设计给出三点理由：

• 正确性与安全验证可以在推理时、也就是车辆行驶中运行；
• 仿真可以大规模高效运行，因为一个紧凑的世界状态回放和修改的成本很低；
• 训练反馈变得可验证，因为评估驾驶质量的组件有了具体的衡量对象。

比起纯端到端或纯模块化方案，这种设计带来了显著收益 [3]。

Tesla 的文档谈到，每个相机网络执行语义分割（为每一个像素分配类别），外加物体检测与单目深度估计（即从单个相机估计距离）[6]。它们再喂给鸟瞰视角（birds-eye-view）网络，输出俯视图下的道路布局、静态基础设施与三维物体。一次完整的构建涉及 48 个网络，耗费近 70,000 GPU 小时训练，每个时间步产出 1,000 个不同的张量 [6]。

见下方图示：

先验地图（prior mapping）也占据这个决策的一端。例如，Waymo 在运营某片区域前会先勘测，记录车道线、标志、路缘与人行横道，再把这些地图与实时传感器数据匹配以确立位置——因为 GPS 单独可能丢失信号 [1]。地图本质上是“一次性获取、反复复用”的知识，它在每次行程中省下计算，但也带来持续更新的义务。相比之下，Tesla 的路线跳过了勘测，在行驶途中推导出等效信息。

权衡在于：结构化表征可以被检视、记录、回放，并对照显式准则检查；但它也限制了系统能表达的内容。另一方面，习得式表征携带了任何模式都无法预料的细微差别。

预测（Prediction）

一旦系统持有对周边环境的描述，下一个任务就是估计这些物体将会做什么。在同一时刻，多个未来都是合理的。例如，一个驶近路口的骑行者可能直行、转弯或停下。安全的应对应当把所有可能性都考虑进来。

Waymo 将系统描述为：它为每个道路使用者产出许多条可能的路径，而非一条；它利用积累下来的驾驶数据，并考虑到汽车、骑行者与行人各自不同的移动方式 [1]。

2025 年 6 月，Waymo 发表了一项关于“预测质量是否能可预期地随规模扩展”的研究 [4]。借助一份横跨 50 万小时驾驶的内部数据集，研究发现运动预测（motion forecasting）质量在训练算力上遵循幂律（power law），与语言模型中观察到的规律一致。这里的幂律意味着：算力每翻一倍，就带来成比例、可预测的改善。数据规模的扩展被证明至关重要，而在推理时增加算力，也改善了在更难场景上的表现。

Waymo 在闭环（closed-loop）表现上也报告了同样的趋势——所谓闭环，是指系统的自身动作会改变接下来发生什么的仿真。这一趋势暗示，真实世界的驾驶随数据与算力的增长而改善，而不只是基准分数。

Tesla 描述了在 14.3 版本中一个升级的强化学习阶段，旨在覆盖长尾边缘案例（long-tail edge cases），即那些即便在极大里程中也极少出现的情况 [10]。

见下方图示：

一个押注于单一预测未来的系统，恰好在预测最关键的场景里变得脆弱。然而，携带多个带权重的未来，会在每个周期都消耗算力，却也能防范“异常情况”出现的可能。

规划（Planning）

握有环境描述与一组可能的未来之后，系统要选出一条轨迹。你可以把它想成一条附带了速度的具体路径。问题在于：在车辆执行它之前，由什么来验证这条轨迹？

Waymo 训练大型教师模型（Teacher models）来生成安全、舒适、合规的动作序列，再将其蒸馏（distil）成能在车载端实时运行的小型学生模型（Student models）[3]。蒸馏把行为从大模型迁移到紧凑模型上。学生模型的输出随后还要经过一个独立的车载验证层，它对生成式模型产出的轨迹进行验证 [3]。这意味着：在车辆移动之前，两个相互独立的组件必须达成一致。

Tesla 谈到要构建一个在不确定性下运作的规划与决策系统，其算法在整个车队规模上接受评估，并针对吞吐量、延迟、正确性与确定性（determinism）做优化 [6]。

对于今天路上行驶的 Tesla 车辆，验证来自一个人。全自动驾驶（监督版）（Full Self-Driving (Supervised)）要求一名保持专注的驾驶员，使车辆离真正的自主还差一点 [7]。系统通过“记过机制”（strikeout mechanism）来强制这一点：反复出现的注意力分散警告会让该功能在本趟行程剩余时间里失效；足够多的记过会暂停其使用权一周 [7]。在无人化服务中，这一角色由安全监护员或远程监管承担 [10]。

一个验证层能在不可接受的产出抵达执行器之前拦下它们，但它只能对照既定准则来评估。准则之外的任何东西都会未经审查地放行。这与生产代码中的断言（assertion）是同一个权衡——检查的有效性，只取决于它背后那条条件的有效性。

验证（Validation）

Waymo 的“安全影响”（Safety Impact）中心报告了截至 2026 年 3 月的 2.206 亿英里全无安全员里程，意味着其中没有任何一刻有人类坐在驾驶座上 [5]。与同一运营区域内的人类事故率（并按各城市内实际行驶位置做了调整）相比，报告中的事故降幅为：造成重伤及以上后果的碰撞下降 94%，造成人员受伤的碰撞下降 82% [5]。其方法论已发表于同行评审期刊，原始数据可下载，以便第三方复现这些数字 [5]。

Tesla 的《车辆安全报告》（Vehicle Safety Report）则采取另一种形式。它把开启了全自动驾驶（监督版）的 Tesla，与人工驾驶的 Tesla 做对比，两者使用同一条遥测（telemetry）管线，并报告：重大与轻微碰撞减少 7 倍，脱离道路的碰撞减少 5 倍 [7][8]。只要在碰撞前 5 秒内的任何时刻系统处于激活状态，该碰撞即被计入“系统开启时”发生——这个 5 秒窗口是为了捕捉“驾驶员在撞击前不久接管”的情况 [8]。Tesla 在报告数据中不归因责任，认为这种判定过于主观而不予纳入 [8]。

如你所见，两份报告回答的是不同的问题，我们无法简单做并排比较。差异归根结底在于各自所代表的人群：

• Waymo 衡量的是“没有任何人可介入”的里程上的结果；
• Tesla 衡量的是“在驾驶员仍负责任的条件下，一套辅助系统是否减少了碰撞”。

两家也都坦承了各自的局限。Waymo 表示，今天不存在自动驾驶数据与人类数据之间的完美比较，且其运营城市几乎没有明显降雪 [5]。Tesla 表示，其对“美国平均水平”的估计不可避免地包含假设，可能向任一方向偏斜 [8]。

Waymo 把两件容易被混淆的事分开了：安全影响在部署之后衡量；而一次发布是否“可接受、可以部署”，则通过安全框架（Safety Framework）与安全论证（Safety Case）在事前就确定下来 [5]。

训练（Training）

两套系统都在版本之间持续进步。然而，其底层机制的差异，不亚于架构本身的差异。

Waymo 在同一基础模型上运行三个组件：

• **驾驶者（Driver）**产出动作序列；
• **仿真器（Simulator）**生成用于训练与测试的场景；
• **评判者（Critic）**评估驾驶质量并暴露问题。

每个组件的大版本都被蒸馏成能按需规模运行的小版本。两条循环把它们连接起来：

• 内循环：在仿真内部应用强化学习，因为场景可以在那里廉价地生成与重复；
• 外循环：由评判者标记真实驾驶中的次优行为开始，把改进方案转成训练数据，在仿真中验证修复，只有当安全框架确认不存在不合理风险时才部署。

Waymo 表示，其完全自动驾驶里程如今已远超人工驾驶数据，而且任何规模的仿真或测试驾驶员操作，都无法复现系统在无驾驶员状态下运行时所遭遇的场景 [3]。

Tesla 的数据来自消费级车队。《车辆安全报告》描述了两条遥测路径 [8]。车辆挂入 P 挡时，会传输按控制类型与道路分类拆分的匿名里程；在检测到重大或轻微碰撞时，会传输一份与该车绑定的独立数据包。Tesla 报告仅在 2025 年第三季度就收到了 25 亿份遥测包。Tesla 还利用由匿名车队片段汇编成的测试套件构建了评估基础设施，同时辅以能生成传感器数据用于自动化测试的仿真 [6]。训练运行在 Cortex 1 上——其生产规模列明为超过 100,000 块 H100 等效 GPU；而 Cortex 2 在初期爬坡阶段已超过 130,000 块。

见下方图示：

结论（Conclusion）

同一个问题，在自动驾驶流程的每一阶段反复出现：

有多少东西被事先确定、并写成一种可被检视的形式；又有多少东西，由一套内部状态始终不可触及的模型，在行驶途中实时算出？

每个阶段都抛出了它的一个版本：

• 感知问：距离是作为测量值到来，还是作为推导值到来？
• 表征问：对世界的描述是否保持可检视？
• 预测问：系统一次携带多少个未来？
• 规划问：在执行前由什么来验证一条轨迹？
• 验证问：由此产生的证据能支撑怎样的安全主张？
• 训练问：是哪一段里程让系统变得更好？

在大多数阶段，Waymo 都更偏向“写定下来的知识”——这涉及逐城市的准备与专用硬件。Tesla 则更偏向“计算出来的知识”。两种立场都各有道理，只有未来才能告诉我们，哪一种路线会更占主导，抑或答案落在两者之间的某处。