“純視覺實現不了完全自動駕駛。”
在最新一次公開演講中，Waymo聯合CEO給純視覺“判了死刑”。
他承認，人類駕駛員僅靠眼睛就能開車，這證明攝像頭方案具備可行性。純視覺系統也確實可以快速發展，甚至很快達到令人印象深刻的駕駛效果。
但問題在于，L4自動駕駛需要解決的目標，不止需要像人一樣開車，更要達到遠超人類駕駛水平的安全性。
在他看來，純視覺路線最大的挑戰，是性能提升可能在達到這一目標之前更早放緩，提前見頂。
一個字沒提“特斯拉”，句句指向特斯拉啊。
這場演講來自YC Startup School 2026，一個由硅谷頂級創業加速器Y Combinator主辦的免費線上課程與社群項目。
Waymo聯合CEO——Dmitri Dolgov（德米特里·多爾戈夫），以“The Demo Is Only 1% Of The Work”為題，進行了近50分鐘的演講，系統解釋了一遍為什么自動駕駛遲遲沒有真正進入無人時代。
這個標題其實已經點出了整場分享的核心判斷：自動駕駛最難的部分，是讓系統在數百萬、數千萬英里的真實道路中，持續穩定運行。
Dolgov分享了Waymo早期的一段經歷。
2010年前后，Waymo前身Google自動駕駛項目曾在較短時間內完成大量測試，包括10萬英里自動駕駛以及多條長距離零人工干預路線。
從技術展示角度看，自動駕駛似乎已經完成了突破。但從那之后，到真正面向公眾運營Robotaxi，Waymo又花費了超過十年的時間。
他認為，原因在于，自動駕駛真正困難的地方，是可靠性的提升。為了方便理解，Dolgov提出了一個“9”的概念：
系統從90%的可靠性提升到99%，已經需要大量工程投入；從99%繼續提升，小數點后每增加一個“9”，難度都會快速增加。
自動駕駛面對的是現實世界，車輛每周運行數十萬甚至數百萬英里之后，原本極低概率發生的問題，會逐漸變成運營過程中必須面對的問題。
因此，自動駕駛不能只看“平均表現”。真正決定駕駛員能否離開的，是那些極端場景——這也是Dolgov隨后談到純視覺路線時的出發點。
純視覺的支持者（尤其是特斯拉），最常提出的一個觀點是：
人類沒有激光雷達，也沒有毫米波雷達，僅憑雙眼和大腦就完成了駕駛。
Dolgov認可了這個邏輯的一部分。他表示，只憑借攝像頭當然可以完成大量駕駛任務。事實上，今天大多數輔助駕駛系統，很多時間都依賴攝像頭完成環境理解。
然而問題是，輔助駕駛和無人駕駛面對的是兩個不同的安全目標。
在L2輔助駕駛中，駕駛員仍然存在，系統遇到無法處理的情況，可以提醒駕駛員接管。
但在L4，例如Robotaxi中，車內沒有人負責最后判斷，系統需要自己處理所有情況，這意味著它需要達到遠高于普通駕駛員的安全水平。
Dolgov認為，純視覺路線面臨的核心問題，就是隨著能力不斷提高，性能曲線可能逐漸放緩、提前見頂，可能很難實現真正的無人駕駛。
早期階段，通過增加數據、訓練更大模型，系統能力提升明顯。但當目標從“接近人類駕駛”轉向“遠超人類駕駛”時，僅依靠攝像頭獲取的信息，可能成為限制因素。
簡單來說就是，攝像頭可以幫助機器看到世界，但攝像頭本身獲取的信息存在邊界。模型可以提高理解能力，卻無法完全彌補輸入信息的缺失。
對應到特斯拉的業務，這可能也是變相判斷，特斯拉能實現FSD，但是做Robotaxi或許會能力受限。
Dolgov還在演講中，展示了一些Waymo測試案例，其中包括夜間道路、低光環境以及復雜交通場景。
不過，這些案例想表達的重點，并不是激光雷達能夠替代攝像頭，其實Waymo也同樣依賴攝像頭獲取顏色、文字、交通標志等視覺信息。
他想傳遞的核心是，多傳感器融合路線中，不同傳感器面對環境變化時的退化方式不同：
因此，通過多個傳感器組合，系統可以降低單一感知方式失效帶來的風險。
例如夜晚、逆光、惡劣天氣或者復雜遮擋環境下，視覺系統需要根據有限信息推斷物體距離、速度和空間結構。
而激光雷達和毫米波雷達提供的是另一種維度的信息，一個負責直接測量空間距離，一個可以提供速度信息，其價值在于減少系統需要“猜測”的部分。
在Dolgov看來，在安全關鍵領域，可以直接測量的信息，不應該全部交給模型推斷。
這也是Waymo和純視覺路線之間最大的分歧。兩家公司長期以來的路線爭論，表面上集中在激光雷達，實際更深層的區別，在于兩家公司對自動駕駛發展的路徑設計不同。
Waymo從立項初期開始，就圍繞無人駕駛設計系統，車輛可以限定運行區域，可以先覆蓋少數城市，但進入運營范圍后，駕駛任務必須完全由系統承擔。
因此，Waymo需要優先解決的是，如何讓一輛沒有駕駛員的汽車，在限定范圍內安全運行。
這決定了它從傳感器、計算平臺，到測試體系和運營方式，都圍繞L4展開。
而特斯拉采用的是另一條路線，FSD首先進入量產車。
系統通過大量用戶車輛擴大數據規模，再利用模型訓練和軟件升級不斷提升能力，最終跨越到無人駕駛階段。
這種方式最大的優勢，是數據規模和迭代速度，數百萬輛汽車同時在真實道路中運行，可以提供傳統Robotaxi測試車隊難以達到的數據量。
但與此同時，當前FSD仍然屬于需要駕駛員監督的系統，駕駛員依然承擔最終責任。
因此，兩家公司真正爭論的問題，集中在了一套主要依靠駕駛員監督積累起來的能力，是否可以沿著同樣的技術路線繼續提升，最終達到無人駕駛要求的安全水平。
不過現在對路線成敗蓋棺定論還為時尚早，還是要等待更長時間段內的實際運營數據驗證。
除了純視覺爭議，Dolgov整場演講還分享了Waymo在自動駕駛研發過程中的一些關鍵思考。
其中包括物理AI與數字AI的區別、Waymo正在探索的基礎模型、端到端模型的應用，以及自動駕駛安全驗證體系。
這些內容，也反映出當前L4自動駕駛競爭正在從單純比拼算法能力，進入系統工程能力的競爭階段：
Dolgov在演講中多次強調，自動駕駛與傳統互聯網AI存在明顯區別。
聊天機器人生成錯誤答案，用戶可以重新提問；搜索結果不準確，用戶可以更換關鍵詞。
但自動駕駛系統做出的錯誤判斷，會直接影響現實世界中的車輛運動，系統沒有“撤銷”這個選項。
此外，自動駕駛還面臨實時性的要求。車輛高速移動過程中，感知、預測和決策必須在極短時間內完成，而且大量計算需要在車端執行。
這也是為什么自動駕駛的發展速度，比很多數字AI應用更慢。模型能力提升只是其中一部分，如何讓模型穩定運行在真實世界，是另一套完全不同的問題。
Dolgov在演講中提到，互聯網行業常說的“快速試錯”，并不完全適用于自動駕駛。
對于物理世界中的AI系統，安全需要從架構設計階段就被考慮，而不是等產品規模擴大以后再解決。
在模型方向上，Dolgov介紹了Waymo近年來的技術變化。早期自動駕駛系統通常由多個模塊組成：
隨著大模型技術發展，越來越多能力開始被整合到統一模型中。Waymo目前也在探索類似方向。
Dolgov介紹，Waymo正在開發能夠同時理解環境、預測行為并生成駕駛動作的多模態模型。
模型輸入包括攝像頭、激光雷達和毫米波雷達數據，輸出則涉及車輛如何理解當前環境，以及下一步如何行動。
從技術趨勢來看，自動駕駛正在經歷類似其他AI領域的變化：
過去依靠大量人工設計規則和模塊組合，如今越來越依賴數據驅動的大模型能力。
Dolgov還介紹了Waymo駕駛模型中的一個設計思路：快路徑與慢路徑。
快路徑負責處理實時、高優先級的駕駛事件。
例如突然橫穿道路的行人、前方車輛突然變道、障礙物突然出現等。這些情況需要車輛快速反應，減少決策延遲。
慢路徑則負責更復雜的理解。例如，車輛看到路邊停著一輛冒煙的汽車。
從幾何角度看，道路可能仍然可以通過。但系統需要理解，“車輛起火”意味著可能存在人員、消防車輛或者道路變化等后續風險。
因此，駕駛模型不僅需要識別眼前發生了什么，還需要理解事件背后的含義。
這種自動駕駛系統需要同時具備兩種能力，其實和人類駕駛中的“快速反應”和“復雜判斷”類似。
端到端自動駕駛近兩年成為行業熱點，特斯拉、Wayve、小鵬等公司，都在推動大模型直接從感知輸入生成駕駛動作。
Dolgov在演講中也談到了端到端，表示Waymo認可大模型帶來的能力提升，但并沒有完全采用“黑箱式”的端到端路線。
目前Waymo更傾向于一種帶有結構約束的端到端方案。簡單來說，模型可以負責大量復雜判斷，但系統仍然保留一些明確的規則、物理約束以及安全檢查機制。
原因在于，自動駕駛屬于安全關鍵系統。如果模型出現異常行為，工程團隊需要知道問題來自哪里，也需要能夠驗證系統為什么做出某個決定。
對于消費互聯網應用來說，模型偶爾出現錯誤可能只是體驗問題；但對于車輛而言，一個無法解釋、無法驗證的問題，可能意味著無法部署。
在演講后半部分，Dolgov花了大量時間介紹自動駕駛測試和驗證。
他認為，自動駕駛競爭不僅是模型能力競爭。隨著基礎模型快速發展，越來越多企業能夠訓練出表現不錯的駕駛模型。
真正困難的是，如何證明這個模型足夠安全。
Waymo目前采用真實道路數據、仿真環境以及自動評價體系結合的方式。真實車輛不斷運行，收集復雜場景；仿真系統生成現實中罕見但危險的情況；評價模型則分析系統表現，尋找薄弱環節。
其中一個重要方向是閉環仿真。
傳統測試通常給模型一個固定場景，看它是否做出正確判斷。但真實道路不是這樣，車輛改變路線后，其他車輛和行人的行為也會發生變化。
因此，仿真環境需要讓整個交通環境隨著車輛動作變化，而不是簡單判斷一個固定答案。
Dolgov在演講中引用Waymo公布的數據稱，基于超過2.2億英里的全無人駕駛里程，其系統在避免嚴重傷害事故方面，相比人類駕駛員有明顯提升。
這類數據，也是L4公司持續強調的核心指標。
因為對于無人駕駛而言，最終競爭的不是某一次演示效果，而是誰能夠積累足夠多真實運行經驗，并建立一套可信的安全評價體系。
Dolgov在演講開頭就提到，自動駕駛最重要的階段，是從技術演示走向真實運營。
真實運營的難點，往往難以在測試道路上預料。就像上個月Waymo遇到的小插曲：
畢竟在真的遇到之前，Waymo可能也沒想到能在路上碰到燃放的煙花啊。
— 聯系作者 —
— 完 —
【智能車參考】原創內容，未經賬號授權，禁止隨意轉載。
點這里??關注我，記得標星，么么噠～
