难的不是快,是怪
算得快这一关自动驾驶早就过了,真正卡住它的是那些没人提前想到的场面。
时速 40 英里的车,每秒往前走 18 米。在这 18 米里,软件得判断周围有什么、把每个东西归类、估计它们接下来往哪动、挑一条路,然后打方向踩刹车。这套流程跑得够快,基本已经不是问题。难的是在没见过的场面里跑得对。
真实路面每天都在生产没人写进需求文档的情况。Waymo 举过一个例子:前方路上有一辆车着火了,但可以开的车道在物理上是通的。纯看几何,直着开过去完全成立。看这件事的含义,正确做法是掉头或者提前避开。
两家都在用机器学习解这个问题。分歧在于,有多少东西是提前定好、写下来的,又有多少是开的时候现算的。
两家的里程不是一回事
Waymo 累计 2.206 亿英里驾驶座上没有人,特斯拉一年 300 亿英里,但几乎每一英里都有个司机在负责。
截至 2026 年 3 月,Waymo 报告 2.206 亿无人里程,驾驶座上没有任何人,分布在五个都市区。
特斯拉的数字是另一个量级:美国路上三百多万辆车,一年跑超过 300 亿英里,2026 年第一季度有 128 万个 Full Self-Driving 的付费订阅。但这些英里里,几乎每一英里都坐着一个对车负责的司机。特斯拉真正没有安全员的服务规模小得多,只在奥斯汀、达拉斯、休斯顿跑;湾区那套还配着安全驾驶员。
所以「谁跑得多」这个问题本身就问错了。300 亿说的是「有人兜底时软件参与了多少路」,2.206 亿说的是「没人兜底时软件独自扛了多少路」。两个数不在一个坐标系里。
距离是测的还是猜的
摄像头记录的是光,距离得靠推算;激光雷达直接把距离量出来,贵,但不会把远处的大卡车看成近处的小盒子。
摄像头拍下的是一格一格像素的亮度,里面根本没有「距离」这个量。距离只能从像素的排布反推出来,而反推会错:远处一个很大的东西和近处一个很小的东西,在照片上可以占同样大的一块。
激光雷达(朝四周打激光脉冲、量脉冲打到物体再返回用了多久、再换算成距离的设备)走的是另一条路。它输出的是点云,也就是车周围各个表面上成千上万个被实际量过的三维点。这里的距离不是估计值,是测量值。
Waymo 第六代系统 2026 年 2 月起全自动运营,车上装了 13 个摄像头、4 台激光雷达、6 部毫米波雷达,还有一圈对外的麦克风,专门用来听警笛和道口铃。各个方向的覆盖互相重叠,最远到 500 米。下雨、路面泥浆、结冰会让摄像头看不清,这时候由激光雷达和雷达顶上。Waymo 自己的说法是,多种传感器合成一套系统,是为了应对每周几百万英里里那些百万分之一概率的事件,目标是不把任何东西留给单个镜头去想象。
特斯拉走的是反方向。Model 3 和 Model Y 跑的是纯摄像头的 Tesla Vision,连毫米波雷达都拆了,全部靠外部摄像头加神经网络。
还有一个容易被忽略的细节:Waymo 上一代的捷豹 I-PACE 车上有 29 个摄像头,第六代只有 13 个。靠一颗 1700 万像素的传感器,用不到一半的数量覆盖同样的范围,热稳定性还更好。连最信冗余的那一方,也在往下减硬件。
这笔账的本质是:直接测量要花钱,而且多一个会坏的部件;推算出来的值便宜,但可能是错的。
世界要不要写成清单
Waymo 坚持把周围世界存成一份人能打开看、能回放的清单;特斯拉让 48 个神经网络直接输出一张俯视图。
得有东西把几百万个像素和点,变成系统能操作的一份「世界描述」。这份描述长什么样,是整个架构里最关键的一个决定。
Waymo 的中心是一个基础模型,由两半组成。一半是传感器融合编码器,负责快反应:把摄像头、激光雷达、雷达的数据按时间合到一起,输出物体、物体的语义属性,以及一些压缩过的数字摘要供下游使用。另一半是驾驶 VLM(能同时看图像和处理文字的模型),负责复杂的语义判断,它基于 Gemini 训练、再用 Waymo 自己的驾驶数据微调,专门对付需要常识才能理解的罕见场面,比如前面那辆着火的车。
两半都喂给同一个世界解码器,由它预测其他人接下来怎么走、生成高精地图、产出候选路线,并输出用来校验这些路线的信号。
关键在于,Waymo 坚持让这份世界描述保持成一份看得懂的清单:有哪些物体、每个物体是什么属性、车道怎么连接。Waymo 工程团队给了三条理由:
- 车还在开的时候,就能实时检查输出对不对、安不安全
- 仿真能便宜地大规模跑,因为一份紧凑的世界状态复制和修改都不贵
- 训练反馈可以被核实,因为评价驾驶质量的那个部件有具体的东西可测
特斯拉这边,每个摄像头各跑一组网络,做像素级分类、物体检测,以及从单个摄像头估距离。这些结果汇进鸟瞰图网络,输出道路布局、固定设施和三维物体的俯视图。完整一套要 48 个网络,训练花掉将近 7 万 GPU 小时,每个时间步产出 1000 个不同的张量。
地图是同一个分歧的极端体现。Waymo 进一座城市之前先把它量一遍:车道线、标志、路缘、斑马线全部录下来,开的时候拿实时传感器数据去和这份地图对齐,因为光靠 GPS 会丢信号。这份地图是一次性获得、反复使用的知识,每趟车都省下一堆计算,代价是必须一直维护它的新鲜度。特斯拉跳过勘测,同样的信息在开的过程中现推。
这笔账是:写成清单的东西可以被检查、被记录、被回放、被拿去对照明确的标准,但它能表达什么也被这份清单的格式限死了;学出来的表示能装下任何格式预想不到的细微差别,代价是你没法直接打开它查。
未来不止一个
路口的骑车人可能直行、可能拐弯、可能停下,Waymo 让系统同时带着这几种未来往下算,而不是押一个。
周围有什么搞清楚之后,下一步是猜它们要干什么。麻烦在于,同一时刻有好几个未来都成立:一个骑车人接近路口,他可能直着过去、可能拐弯、也可能停下。安全的做法是三种都算上。
Waymo 的系统对每一个路上的人或车都生成多条可能路径,而不是一条,并且区分小汽车、自行车、行人各自不同的运动方式。
2025 年 6 月 Waymo 发了一项研究,问的是预测质量能不能可预测地随投入变好。他们用了一份 50 万小时驾驶数据的内部数据集,结论是:训练算力每翻一倍,运动预测的质量提升幅度是可以提前算出来的,和大语言模型身上观察到的规律一样。数据量的增长同样关键,而在车上多花一点计算,对越难的场面帮助越大。更要紧的是,这个趋势在闭环测试里也成立。闭环是指在仿真里,系统自己的动作会改变接下来发生的事,比单纯跑分更接近真实驾驶。
特斯拉在 14.3 版里升级了强化学习(让系统在反复试错中自己调整策略的训练方法)环节,目标就是覆盖长尾:那些跑再多英里也难得遇上一次的情况。
代价很清楚。只押一个未来的系统,恰好会在预测最要紧的时候最脆弱;同时拎着好几个加权的未来,则是每一个计算周期都要多花算力。
两个部件必须同意
Waymo 车上跑的小模型给出一条路线后,还有一个独立的校验层要点头,车才动。
有了周围的描述和几种可能的未来,系统要选一条具体路线,一条带着速度的路径。真正的问题是:车执行之前,谁来确认这条路线可以。
Waymo 先训练大的教师模型,让它生成安全、舒适、合规的动作序列,再把这些行为蒸馏(把大模型学到的行为压进一个小模型,让它能在车上实时跑)到小的学生模型里。学生模型在车上实时产出轨迹,而这个输出还要经过一个独立的车载校验层,由它核对生成模型给出的轨迹。也就是说,两个互不相同的部件都同意,车才动。
特斯拉的公开描述停在另一个层面:一套在不确定条件下做规划和决策的系统,算法在整个车队的规模上评估,优化吞吐、延迟、正确性和确定性。
校验层能挡掉一类不可接受的输出,但它只能拿已经定义好的标准去比。标准之外的东西照样过。这和代码里的断言是同一回事:检查的有效性,完全取决于你写的那个条件够不够全。
批准的人是你
特斯拉今天卖的 Full Self-Driving 后面跟着一个括号 Supervised,批准每一条路线的不是软件,是坐在驾驶座上的人。
今天路上跑的特斯拉,验证这一环由人承担。Full Self-Driving (Supervised) 要求驾驶员全程把注意力放在路上,离「自动驾驶」差的正是这一步。
特斯拉用一套记过机制来强制执行:反复收到分心警告,这趟行程剩下的时间就不许再用这个功能;记过攒够了,停用一周。
在特斯拉那个真正无人的服务里,这个角色由安全员或者远程监控接手。
所以看到 Full Self-Driving 这几个字要小心:它描述的是这套系统被设计去做的事,不是今天允许你放手不管的凭据。
94% 和 7 倍不能比
Waymo 说重伤及以上事故少 94%,特斯拉说碰撞少 7 倍,这两个数测的根本不是同一件事。
Waymo 的安全影响页面给的是:截至 2026 年 3 月的 2.206 亿无人里程,和同一运营区域的人类司机撞车率对比,并按服务实际开在城市哪些位置做过调整,结果是严重受伤及以上的事故少 94%,造成人员受伤的事故少 82%。方法论发在同行评审期刊上,原始数据可以下载,第三方能自己把这个数字重算一遍。
特斯拉的车辆安全报告是另一种东西。它拿开着 Full Self-Driving (Supervised) 的特斯拉,去比手动驾驶的特斯拉,两边走同一条遥测管线,结论是大小碰撞少 7 倍、非高速碰撞少 5 倍。这里有两个必须知道的口径:碰撞前 5 秒内只要系统激活过,就算作系统在用时发生的碰撞,这个窗口是为了把司机在撞击前一刻接管的情况也收进来;以及特斯拉不判定事故责任,认为那太主观,干脆不写进数据。
Waymo 测的是:没有人可以接管的时候,结果如何。特斯拉测的是:在人依然负责的前提下,这套辅助系统能不能减少碰撞。两个问题,两套人群。
两家也都自己承认了边界。Waymo 说今天不存在自动驾驶和人类数据之间的完美对比,而且它运营的城市基本不下雪。特斯拉说,它对美国平均水平的估算包含了无法避免的假设,可能往任何一个方向偏。
还有一层区分值得记住:Waymo 把「部署之后的安全影响」和「一个版本到底该不该被放出去」分开了。后者在部署之前就由一套安全框架和安全论证决定,不靠事后的统计追认。
哪些里程在教系统
Waymo 说它无人驾驶的里程已经远超有司机开出来的数据,而且车上没有司机时遇到的情况,靠仿真和测试车根本复现不出来。
两套系统都在版本之间变好,但变好的机制差得和架构一样远。
Waymo 用同一个基础模型撑起三个角色:
- 驾驶员:产出动作序列
- 仿真器:生成用于训练和测试的场景
- 评论员:评估驾驶质量,把问题挑出来
每个角色的大版本再蒸馏成能跑在所需规模上的小版本。两条回路把它们连起来。内环在仿真里做强化学习,因为场景在仿真里可以被便宜地造出来、反复跑。外环从真实驾驶开始:评论员标出表现不够好的行为,把更好的替代方案变成训练数据,在仿真里验证修复有效,最后由安全框架确认不存在不合理风险,才准部署。
Waymo 特别强调了一点:它全自动驾驶的里程现在已经远远超过人工驾驶采集的数据,而且不管跑多少仿真、派多少测试车,都复现不出车上没有司机这个前提下真正会遇到的情况。
特斯拉的数据来自消费者车队。车挂到 P 档时上传一次匿名里程,按控制方式和道路类型分类;检测到大小碰撞时,单独上传一个和车辆绑定的数据包。光是 2025 年第三季度,特斯拉就收到 25 亿个遥测数据包。它还把匿名的车队片段拼成测试套件,配合能生成传感器数据的仿真来做自动化测试。训练跑在 Cortex 1 上,公开口径是超过 10 万张 H100 等效 GPU 已在生产;Cortex 2 超过 13 万张,还在爬坡。
写下来,还是现算
六个环节问的其实是同一个问题,Waymo 在大多数环节选了提前写下来,特斯拉选了开的时候算,而今天的公开证据不足以判谁赢。
把六个环节并排看,它们是同一件事的六个版本:有多少知识被提前确定下来、写成一种能被检查的形式,又有多少是开车时由一个内部状态没人看得见的模型当场算出来的。
感知问的是距离到底是量出来的还是推出来的;表示问的是世界的描述还能不能被人打开看;预测问的是系统同时拎着几个未来;规划问的是执行之前谁签字;验证问的是攒出来的证据能支撑什么样的安全主张;训练问的是哪些里程在让系统变好。
Waymo 在大多数环节上偏向写下来:一座城市一座城市地提前勘测,用专门定制的硬件。代价是扩张慢、成本高、每进一座新城都得重来一遍。特斯拉偏向现算:同一套摄像头装在所有车上,靠车队规模和算力硬推。代价是你没法在事前检查它学到了什么,出问题时也更难定位到某个可以修的部件。
今天的公开证据不足以判定哪条路更对。能确定的只有一件事:两家都在用自己定义的口径证明自己更安全,而这两套口径彼此不兼容。在出现一个中立的、双方都认的测量标准之前,「谁更安全」这个问题,读者手里其实没有答案,只有两个各自成立、却拼不到一起的数字。