每周 10 万次出行，安全气囊事故少六倍：Waymo 联席 CEO 谈十八年的全自动驾驶

Sarah Guo 在 No Priors 节目上介绍了 Waymo 联席 CEO Dmitri Dolgov。这家公司起步于 2009 年谷歌内部的 Chauffeur 项目，2017 年初独立出来。如今，它在旧金山、洛杉矶、奥斯汀和凤凰城每周完成超过 10 万单付费出行。Guo 本人也坐过这些车，还半开玩笑地一直在争取南湾（South Bay）的覆盖范围。Dolgov 在这个领域大约已经干了十八年。

他把自己的起点追溯到 2006 年和 DARPA 大挑战。第一届沙漠赛要求参赛队伍自动驾驶约一百英里，没有一支队伍完赛，但取得了很多进展。之后的一届比赛终于有了完赛者。DARPA 随后在一座模拟城市里举办了城市挑战赛，模拟真实的公共道路。Dolgov 当时在斯坦福团队。他说，那一刻他想通了：他看到了未来和它的好处，此后再也没有回头。

谷歌项目 2009 年以一个小团队的形式开始，后来发展成 Waymo。Elad Gil 指出，几乎整个行业都能追溯到少数几个实验室：Sebastian Thrun 在斯坦福的团队、卡内基梅隆大学，以及从这些团队走进谷歌的人。Dolgov 的回答很简短：确实是个小圈子。那时没有 ImageNet，没有卷积网络（conv nets），没有 Transformer，车上的计算机小得和手机比起来不值一提。他们在设定第一个里程碑的十八个月后，居然还是做到了。

Gil 提醒他，这在当时被认为是件疯狂的事。AlexNet 当时还没有出现。人们说它永远不可能成功。Dolgov 坦率地说出了团队内部的怀疑：大家不确定自己是不是有点疯，还是彻底疯了。在大学做 DARPA 比赛时，那还只是一个研究项目。到了谷歌，大家相信他们能把它做成；如果能做成，这个使命就值得。他们几乎没有数据，不知道要花多久，也不知道会有多难。

他们没有把最初几年当作一个有截止日期的产品计划。头两年里，既没有明确的产品，也没有目标日期。首要任务是探索这个领域。他们设定的里程碑，唯一的作用就是做原型、学习，以及弄清楚问题的边界。两年之后，他们判断这里面确实有东西，而他们当时认为最可能可行的第一款产品，是现在人们所说的高级辅助驾驶系统，并给出了几年的时间预测。

他们沿着这条路继续推进，核心技术也有了更多进展，然后判断这条路走错了。他们想要的是完全自动驾驶。转向大约发生在 2013 年。在 Dolgov 的表述里，辅助驾驶与无人驾驶汽车之间隔着几个数量级，二者处在完全不同的曲线上。这个判断比行业在公开场合这样谈论，大约早了十年。接下来对话里的所有内容，都建立在这个决定之上。

Gil 把话题拉回现在：每周约 10 万单，按年计算约 500 万单，每周超过 100 万英里，而且还在指数级增长。转折点在哪里？Dolgov 讲的是从 2013 年的决定到今天之间，一步一步、不连续的代际跃迁。从 5 万单增长到 10 万单只用了大约三个月。他这里说的是英里数，主持人一直在说单量，但重点是这种翻倍很近、很快。

2015 年是从零到一的时刻：第三代硬件套件，包括传感器和计算机，装在一辆他们叫 Firefly 的定制车上。他们进行了几次没有人坐在方向盘后面的乘车。下一次跃迁是第四代司机，装在克莱斯勒 Pacifica 商务车上，在亚利桑那州的钱德勒完全自动化部署，并在 2020 年向公众开放。那一代的重点，是反复做同一件事：打磨司机，对它进行评估，按固定节奏发布，把它放到真实客户面前，听取反馈，然后迭代。

然后他们跳到了第五代，搭载在捷豹 I-PACE 车上，也就是目前在凤凰城、旧金山、洛杉矶和奥斯汀运营的车队，他们认为这个平台可以规模化。城市的选择取决于时间尺度。对于研发，你想要最难的问题：最密集的街道、最高的车速、最恶劣的天气。他点名的极端情况是冬季的纽约。对于部署，第四代需要一个中等复杂度的区域，以便跑完整个闭环并降低风险，这就是钱德勒先上线的原因。旧金山适合学习，也是真正的商业市场；凤凰城市中心则增加了更多高速道路。他们考虑的是运行设计域（ODD），而不是邮编。未来的城市要从三个角度来评估：商业市场、技术复杂度，以及监管环境。

被问到是什么突破了可规模化的第五代司机时，Dolgov 说得很直接：归根结底，一切都是 AI。每一代硬件都变得更强、更简单，这是助力，但最后一次跃迁，靠的是 Transformer、更大的模型和算力。AlexNet 之后的卷积网络，大约在 2013 年给了他们一次提升，然后就停在了错误的位置。他一再强调，架构只是使能因素。在他们关心的层面上，真正需要的是它周围的一切：数据引擎、训练与评估的飞轮，以及模拟器。你必须把评估司机和打造司机放在一起考虑。

在内部，这要先决定哪些指标重要，然后用数据来支撑它们。他们有几百个指标。有些可以在记录下来的数据上做开环评分。有些则需要闭环模拟，这意味着需要一个真实且可扩展的模拟器。这些指标指导 Waymo Driver 的训练，并汇入验证环节。整套方法论的总和，就是他们所说的就绪与安全框架。打造和评估是必须同步推进的两个问题。这部分是他很高兴主持人问到的，因为它难得离谱，而且在演示里很容易被略过。

在对话后面，Gil 描述了一个研究生版本的技术栈：拿一个现成的视觉语言模型（VLM），输入图像或视频，然后微调，让解码器输出轨迹而不是文字，再开上几十甚至几百英里，结果会让你大吃一惊。Dolgov 表示同意。Transformer 和视觉语言模型确实令人惊叹，任何一个优秀的计算机专业学生今天都能做出这样的东西。然后他提出了一个把原型和产品区分开来的问题：只要去掉司机、跑上数百万英里，并拿出一份明显优于人类的安全记录，就够了吗？不够。

Dolgov 说，他们现在可以用经验数据谈论超过人类基准的事了。Waymo 称之为安全中心的最新公开数据，基于 2200 万英里完全自动化、只载乘客的行驶里程。按碰撞严重程度与人类基线比较，在较低严重程度的结果上，他们约好两倍，而且随着严重程度上升，差距会拉大。在安全气囊弹出的碰撞上，他们约好六倍。这一比较不考虑因果，也不考虑责任归属。如果把责任归属算进来，剩下的大多数事件，在他看来都是无法避免的。

一项更严苛的第三方检验，来自他口中的全球最大再保险公司：瑞士再保险（Swiss Re）。Waymo 提供数据，瑞士再保险进行分析。在一个规模较小、略不到 400 万英里的样本里，相比人类基线，他们发现财产损失理赔减少了约 4 倍，人身伤害理赔减少了 100%。从瑞士再保险的角度看，这个结果在统计上是显著的。这是 Dolgov 第一次显得愿意把这项使命当作路上正在发生的事来谈，而不只是幻灯片上的数字：受伤的人更少。

那为什么不再快一点、再大一点？美国每年行驶的车辆里程略超过 3 万亿英里，Waymo 每周 100 多万英里只是零头。他们正在以指数速度扩张，从 5 万单到 10 万单只用了三个月，而且他们拿到了许可。他点出的限制是流程。技术和产品都是新的，也是不同的。这必须是一场透明、迭代、循序渐进的对话，对象是监管机构、社区和乘客，靠的是赢得信任，而不是拨一下开关。坐过车的人用的词是“魔法”；没坐过的人则感到焦虑。这种差距不可能一步跨过去。Gil 把它比作当年电梯操作员的例子：同样的适应过程，只是换成了下一代基础设施。

Andrej Karpathy 曾在同一档节目中说，特斯拉看起来更偏软件驱动，Waymo 则偏硬件。Dolgov 并不真正认同这种划分。一切都是 AI，仅此而已，再加上一点：你必须在物理世界里运行，所以看得清楚就是优势。人可以闭着一只眼开车，或者不戴矫正镜，但他不会是个好司机。硬件依然重要，每一代都在提升能力的同时简化结构、降低成本。从第四代到第五代是这样，第六代的重点也是这样，同时还要围绕乘客设计车辆：更大的空间、平地板、更低的踏入高度、滑门。雷达过去很贵；装在足够多的车上，它就会沿着硬件的常规成本曲线下降。

他在意的那种质变，不是一个新的传感器。多年来，行业一直在攀登，看似到达了山顶，又发现了另一座山脉，这是他一贯的比喻。他们还没啃下硬骨头，所以每一次突破都只是一个关于产出的假设。现在他们有了一个能用的司机，也有了能评估它的机制，这意味着他们可以用数据而不是理论来回答传感器的问题。去掉激光雷达（LiDAR）和雷达，只靠摄像头开车，它还能开吗？当然能。但在全自动、规模化、对照他们的就绪与安全标准时，表现够好吗？不够。如果把产品改成由人类在环路上监督的辅助驾驶，工作点就会改变。辅助驾驶和无人驾驶并不是少几个传感器的同一个答案。

近期的业务是网约车。他们是一家技术公司，正在打造一个通用的司机，使命是成为全世界最值得信赖的司机。潜在市场规模（TAM）在美国超过 3 万亿英里，全球超过 10 万亿英里，涵盖配送、长途货运和私家车。他们从来不做整车制造这门生意。他们与整车厂（OEM）、一级供应商、运营公司和网络平台合作，因为机会太大，单干不了。在人口密集的城市，年轻人本来就想少开车；自动驾驶只是延续了这一趋势。原本浪费在停车和每天有 90% 时间处于闲置状态的汽车上的土地，可以得到更好的利用，但这些好处只有规模化之后才会出现。安全是他们觉得终于有资格谈论的首要好处。

他说，这种驾驶系统仍然可以装进不同的车型：城市叫车车辆、卡车，或者用于长途旅行的家用车。这与整车厂已经在做的产品是互补的。在他们运营的城市里，他们还在补贴 Waymo 前往公共交通枢纽的行程，把 robotaxi 和公交车当作互补关系。他们没有照搬 Zoox 那种面对面的座椅布局：晕车是实实在在的限制，而朝前坐有它的好处。他们每天看到的，是隐私方面的需求。乘客在车里开工作会议、大声放音乐、在后座打电话。车厢里没有另一个人，这个假设正在反馈中体现出来。在他看来，每周十亿英里的瓶颈，是在人们还不习惯的产品上一步一步赢得信任；芯片问题已经不是主要矛盾。

Guo 问，同样脱胎于 Waymo 的团队为什么要去做卡车或本地配送，这些看起来似乎更容易；为什么更多的自动驾驶里程仍然发生在 Waymo 的乘用车上。Dolgov 的首要划分，是规模化的全自动驾驶与辅助驾驶之间的区别，轿车和卡车的区别排在其后。慢速配送和高速公路卡车运输会改变长尾的轮廓，但它们并不能让你绕过核心：一个通用、可评估的司机，一个嘈杂的物理世界，人们做出的各种怪异行为，以及争分夺秒的决策。没有银弹。

高速公路在常规情况下看起来更有结构。但罕见事件依然存在，而且速度更快、严重程度更高：施工、前车掉下的烧烤架和床垫、车辆打滑、鲁莽驾驶、摩托车、横穿马路的行人。如果某种事件每百万英里才发生一次，原型车就根本见不到它，于是早期的乐观就这样被制造出来。这就是为什么高速公路自动驾驶并不像人们想象的那样容易。回到 2009 年：十来个人，十条路线，每条约一百英里，包括高速公路、旧金山市中心和太浩湖周边，全程没有人工接管。那大概花了十八个月，当时没有 ImageNet，没有卷积网络，没有 Transformer，计算机也很小。起步一直很容易。每一次技术浪潮都让曲线的前半段变得更陡。复杂性藏在长尾的那些 9 里，原型和辅助驾驶系统从来不必为之付出代价。

如今的迭代循环，是不是就只是找出坏案例、补充数据、重新训练，就像其他 AI 公司一样，还是他们仍在改变架构？他说两者都有。飞轮是核心。最简单的版本是一个只训练来模仿人类司机的端到端模型：像素输入，行为输出，再平衡数据，甚至可能完全不用模拟器。你会取得进展。你可能会停在对辅助驾驶来说正确的位置上，但对全自动系统来说，你会停在错误的位置。要走完全程，你仍然要围绕新数据不断循环，只不过循环中的东西必须改变：合成数据、闭环模拟，然后是在中间表示层上的模拟，因为大规模地把一切都走一遍传感器级模拟，并不现实。

近二十年之后，他比以往任何时候都更兴奋。愿景一直都在。真正存在的生存性问题是：他们能不能造出这个东西，能不能定义什么叫足够好并评估它，人们会不会用它，以及它能不能在商业上成立。现在达到了这个规模，他们已经证明能够造出来，他们为安全记录感到自豪，乘客在用，而且可以用成本高效的方式做到。剩下的是优化、扩展，以及把司机带给更多的人、去到更多的地方。感知能力、安全关键的实时系统和真实的模拟器，都会外溢到其他机器人领域，但他们会始终专注于驾驶，因为数万亿英里的机会就在这里。