Waymo 2亿英里自动驾驶十大AI心得：纯视觉不够，Gemini负责“慢思考”

Waymo近日公布累计超过2亿英里（约3.2亿公里）的完全无人驾驶里程后，整理出十项AI开发经验。值得注意的是，其中不少结论与当前生成式AI的发展高度重叠，包括Foundation Model、Scaling Law、Vision-Language Model（VLM）、强化学习（RL）、AI Critic以及数据飞轮。

Waymo在涉及生命安全的L4自动驾驶场景中，选择的是大模型+多模态传感器+独立验证系统+模拟+治理的混合架构。Waymo首先直接回应自动驾驶产业最长期的争论之一：Camera-only是否足以实现完全自动驾驶？在超过2亿英里的实际无人驾驶经验后，Waymo认为，要安全、大规模部署完全自动驾驶，必须同时结合摄像头、LiDAR激光雷达与Radar雷达。三者各有不同角色：激光雷达负责精确建立3D几何信息；摄像头识别交通信号、标志与颜色等语义信息；雷达则能测量速度，并在大雨、浓雾或灰尘等摄像头受限的环境中提供信息。Waymo并不认为单一传感器最终能‘学会一切’，而是刻意保留不同传感器之间的信息冗余。这也与以纯视觉路线闻名的Tesla形成鲜明的技术哲学差异。

Waymo的第九与第十项经验，则点出了自动驾驶产业可能最难复制的竞争壁垒。车队每周累积数百万英里的道路数据后，Waymo通过Critic与用户反馈找到需要改善的情境，再由Auto-labeler整理数据、重新训练模型，接着进入Simulation与安全验证，最后重新部署。这形成一套持续循环的Data Flywheel，而Waymo表示，整个系统已经需要处理Exabyte级别的数据。但公司最后强调，即使跑了数十亿英里的Simulation，也无法完全取代真正的Fully Autonomous Miles。Waymo甚至将‘把L2驾驶辅助一路升级成L4’称为一座False Summit（假高峰）：真正的L4系统必须从一开始就以完全自动驾驶为目标设计，并实际承担没有真人驾驶员介入时的全部决策责任。这也是Waymo认为自身超过2亿英里完全无人驾驶里程真正有价值的地方。