Waymo 從超過 2 億英里全自動駕駛經驗總結 10 項 AI 核心教訓

☘️ Article

孟恭觀點

• 看起來在大模型、閉環模擬、資料飛輪上是 T 家和 W 家的共識
• 但 W 家還是有一些堅持
• 感測冗餘去處理尾部風險，還是要用 lidar, 相機和雷達
• HD Map 作為先驗來降低感知和運算負擔
• 保留獨立安全驗證層
• 如果拿去隨便問路人，很少有人會否決 " 多一層保護不好嗎 " 的想法。商業考量是另一回事情了，如果人家用更簡單的解方可以做出類似的效果，那天秤就會倒向他
• https://waymo.com/blog/2026/08/10ailessons/

✍️ Abstract

三句話總結

• 自駕架構方向收斂：Tesla、Waymo 在 大型模型、閉環模擬、資料飛輪 等 AI 訓練方向逐漸收斂。
• Waymo 堅持多重防護：Waymo 保留 lidar、相機、雷達 的 感測冗餘、HD Map、獨立安全驗證層，用多層安全網降低尾部風險。
• 商業勝負取決成本：若 Tesla 能以 更簡單、低成本 的方案達到接近 Waymo 的安全效果，商業優勢將明顯偏向 Tesla。

Waymo 從 > 2 億英里全自動駕駛經驗總結 10 項 AI 核心教訓

• 累積里程：Waymo 已累積超過 2 億英里全自動駕駛里程。

1. 結合多種感測器：整合攝影機、光達、雷達，提供單一感測器無法取代的豐富、備援世界觀。
2. 採用高解析地圖：將 HD Map 作為輔助記憶，在視線不佳、複雜路段提供指引，使運算資源專注於動態變化。
3. 整合大型模型：取代繁雜的專用模組，利用大規模數據、算力，發展出更複雜的推理能力。
4. 建立獨立驗證層：避免純端到端系統的黑箱風險，透過物理限制、交通法規等規則，嚴格把關自動駕駛軌跡。
5. 進行閉環模擬：重現真實世界的因果反應、車流互動，提前發掘、測試罕見的極端駕駛情境。
6. 建構自動評論員：持續檢視龐大里程的駕駛行為，避免系統自我評分，並精準揪出不良決策。
7. 結合視覺語言模型：採用快慢思維架構，結合即時控制、深層語意推理，理解複雜場景中的語意與暗示。
8. 嚴謹的安全治理：結合量化數據引擎、模擬驗證與專家判斷，確保系統部署決策都有實證依據。
9. 驅動數據飛輪：透過持續蒐集資料、自動標記、重新訓練、驗證，系統化解決長尾駕駛情境。
10. 堅持全自動駕駛：唯有移除人類監督，讓系統實際承擔駕駛責任，才能發掘未知情境並真正驗證 L4 系統成熟度。

孟恭觀點分析

• 業界共識：Tesla、Waymo 皆認同 大模型、閉環模擬、資料飛輪 為發展方向。
• Waymo 堅持：Waymo 強調感測冗餘 (結合 lidar、相機、雷達)，以處理尾部風險，將 HD Map 作為先驗，降低 感知、運算 負擔，並保留獨立安全驗證層。
• 商業考量：多層保護在直覺上合理，但在商業現實中，若對手能以更簡單的解方達成類似效果，將具備市場競爭優勢。

專有名詞

• T 家：Tesla。
• W 家：Waymo。
• Foundation models：大模型，整併為少數高容量的專業基礎模型，利用 龐大資料集、大規模運算，發展複雜推理能力。
• Closed-loop simulation：閉環模擬，模擬真實世界的 因果關係、交通互動，用於 發掘、測試 罕見的邊緣案例。
• Data flywheel：資料飛輪，利用 自動化系統、回饋機制，持續提取資料、重新訓練模型，並透過驗證達到持續改善的循環。
• Multimodal sensors：感測冗餘，結合 相機、lidar、雷達 等感測器，創造單一感測器無法複製的豐富世界觀，以提升安全性。
• lidar：提供公釐級精準度 3D 幾何結構的感測器。
• HD maps：高精地圖，作為先驗的額外資訊來源，讓車載電腦能將即時運算能力專注於動態事物上，以降低負擔。
• Independent onboard validation layer：獨立安全驗證層，獨立的 AI 安全系統，依據 物理限制、交通法規 監控、把關 駕駛決策。