摘要：Waymo与Tesla的核心分歧并不只是激光雷达与纯视觉，而是自动驾驶系统在感知、世界表示、预测、规划和放行环节中，究竟保留多少可检查、可回放、可验证的中间状态。这个差异决定了企业如何证明系统安全，也决定了监管者能够提出什么问题。
谈到 Waymo 与 Tesla，人们最熟悉的对立是“激光雷达对纯视觉”。这个说法直观，却把真正困难的问题放到了硬件采购清单上：装了激光雷达不等于安全，只用摄像头也不等于不可行。自动驾驶真正要回答的是，当车辆在一秒内完成感知、理解、预测、规划和控制时，系统内部究竟留下了什么可以被检查的证据。
ByteByteGo 8 月 17 日发表的《Waymo vs Tesla: Two Ways to Build Self-Driving Cars》提供了一个很好的分析框架：从传感、表示、预测、规划、验证和训练逐层比较两条路线。核对 Waymo 与 Tesla 的官方材料后，更准确的结论不是“模块化战胜端到端”，而是：Waymo正在主动把学习能力与可物化的结构化世界状态结合，并公开强调独立车载验证层；Tesla则更强调以车队数据、神经网络和统一学习系统把感知到控制连接起来，而其公开材料没有展示一个可以与Waymo逐项对应的独立验证架构。“没有公开”不等于“内部不存在”，但它会直接影响外部如何审计和监管。
激光雷达之争，其实是“测量”与“推断”的分配
摄像头记录像素中的光强，距离、速度和三维形状需要模型从多帧图像中推断；激光雷达通过飞行时间直接测距，雷达则对距离和相对速度有不同的物理敏感性。Waymo 第六代系统公开配置为 13 个摄像头、4 个激光雷达、6 个雷达和外部音频接收器，视野相互重叠，最远覆盖约 500 米。Waymo 还明确说明，当雨水、污泥或结冰限制摄像头时，激光雷达和雷达承担感知冗余。
这不是简单的“传感器越多越好”。更多模态增加成本、标定、清洁、故障诊断与供应链负担。Waymo也在减少硬件数量：第六代以更高分辨率成像器，用不到上一代一半的摄像头覆盖相近范围。其设计原则是，关键变量尽量不要只从同一种证据推断。
Tesla 的量产 FSD（Supervised）则以摄像头和神经网络处理为主。它的优势是硬件一致性、规模化成本和数据回流：大量车辆可以持续提供复杂道路片段，模型也能学习人类难以手写的视觉线索。但传感器路线并不是安全结论。摄像头可能受逆光、遮挡和污染影响，激光雷达也可能遭遇雨雪、反射和点云噪声；真正的问题是，当一个输入失真时，系统是否有异构证据发现矛盾，是否知道自己的置信度已经下降，以及是否会进入降级状态。
因此，传感器冗余的价值不只是“多看一次”，而是制造可检查的不一致：不同模态结论冲突时，系统必须记录冲突并选择保守策略。共享同一故障模式的两个“备份模型”，并不构成真正冗余。
世界模型的关键，不是有没有神经网络，而是有没有可物化状态
Waymo 2025 年底公布的 Foundation Model 并非传统意义上的纯模块流水线。它允许 learned embeddings 在组件之间传递，也支持训练时端到端反向传播；但同时保留对象、语义属性、道路图元素等“物化的结构化表示”。传感器融合编码器把摄像头、激光雷达和雷达的时序输入转成对象、语义与嵌入；基于 Gemini 训练并用 Waymo 驾驶数据微调的 Driving VLM，则用于理解罕见而需要常识的场景。二者进入 World Decoder，后者预测其他道路参与者、生成地图和候选轨迹，并输出用于轨迹验证的信号。
这套结构最值得注意的不是“用了大模型”，而是中间世界仍能被写下来：对象在哪里、道路如何连接、系统认为有哪些可能未来。结构化状态可以被记录、回放、修改和断言检查，帮助工程师定位错误发生在感知、预测还是规划。
Waymo举过一个“前方车辆起火”的例子。道路几何上车道仍然畅通，纯几何规划可能继续前进；语义理解却应把火灾视为需要绕行的危险。这个例子也说明结构化表示的局限：如果预先定义的对象和属性表达不了新情况，检查层就可能看不见它。Waymo的答案不是退回纯规则，而是让丰富的学习嵌入与可检查状态并存。
Tesla公开的技术材料曾描述逐摄像头网络进行语义分割、目标检测和单目深度估计，再由鸟瞰视角网络形成道路布局与三维对象表示；其后续产品叙事越来越强调端到端神经网络。这里必须谨慎：外界无法从产品宣传准确还原当前 FSD 的全部内部图结构，也不能据此断言 Tesla“没有世界模型”或“完全没有规则”。合理的判断只能是，Tesla把更多知识放进模型内部表示和大规模数据闭环，而Waymo公开强调把部分世界状态物化，供推理时验证、仿真和Critic评价使用。
预测与规划：不是猜一个未来，而是管理一组风险
道路参与者不会按唯一剧本行动。接近路口的骑车人可能直行、转弯或突然停车；被遮挡的行人可能出现，也可能没有。安全系统不能只输出“最可能未来”，还要保存若干带概率的候选未来，并让规划对低概率、高损失事件保持敏感。
Waymo公开说明会为不同道路参与者生成多条可能轨迹。其2025年研究使用50万小时内部驾驶数据，发现运动预测质量随训练算力呈幂律改善；增加数据与推理算力，对困难场景和闭环规划同样有效。这说明“可检查”不等于反对规模化学习：结构化预测照样需要海量数据和大模型，只是预测结果能够成为规划与验证的显式输入。
规划环节的差异更关键。Waymo先训练高容量Teacher模型产生安全、舒适、合规的动作序列，再把能力蒸馏到可实时车载运行的Student模型。蒸馏解决的是算力约束，却不自动保证安全：学生模型可能丢失教师在罕见样本上的边界能力。因此Waymo明确披露，生成式驾驶模型产出的轨迹还要经过独立、严格的车载验证层。换句话说，模型负责提出行动，验证层负责判断行动是否越过已定义的安全边界。
这层验证也不是魔法。它只能检查被形式化的碰撞余量、道路边界、动态约束和安全不变量，未被定义的危险仍可能通过。其价值是区分“坏方案被拦截”和“检查条件不完整”，后者要求修改安全论证。
Tesla FSD（Supervised）在量产车上仍要求驾驶员持续监督并随时接管，人类因此是当前产品的最终验证层之一。这与无人驾驶服务不是同一个问题：当产品走向无人监督，原先由人承担的“最后检查”必须被可证明的系统机制替代。
两家的安全数字为什么不能放进同一张排行榜
截至2026年3月，Waymo安全影响中心报告了2.206亿英里rider-only里程，即车内没有人类驾驶员。它把运营区域内的Waymo事故率与经过地理位置等因素调整的人类基准比较，报告严重伤害或更严重事故减少94%，致伤事故减少82%。Waymo同时公开方法、可下载数据和同行评审论文，也承认不存在完美的“苹果对苹果”比较：当前运营城市几乎没有显著降雪，人类事故存在漏报，时间、道路与运营设计域也难以完全对齐。
Tesla的FSD（Supervised）车辆安全报告回答的是另一道题：在仍由驾驶员负责的Tesla车队中，启用FSD与人工驾驶相比，碰撞频率如何变化。Tesla把系统在碰撞前五秒内曾启用的事件归入FSD，以覆盖临近撞击前接管或系统退出；它按重大碰撞和轻微碰撞统计，不判断事故责任，并使用同一车队遥测管线比较不同控制模式。Tesla还说明，其美国平均基准包含不可避免的假设，可能把结果向任一方向推偏。
所以，Waymo数字描述的是限定运营设计域内、无人可接管的ADS表现；Tesla数字描述的是有人监督的驾驶辅助系统在庞大消费车队中的相关表现。两者在责任主体、道路组合、事件定义、严重程度、分母、地理范围和接管条件上都不同。把Waymo的“伤害事故减少比例”与Tesla的“每次碰撞里程”直接横比，没有统计意义。更不能仅凭某一家公司发布的汇总数字，宣布某条技术路线已经成为行业共识。
安全影响是部署后的回顾性证据，不能代替发布前的判断。Waymo把Safety Impact与Safety Framework/Safety Case分开：前者观察结果，后者在部署前论证不存在不合理风险。Tesla遥测强在规模和速度，但独立复核仍需要更细的暴露量、场景和版本数据。
长尾数据竞争，最终是“谁能把失败变成可验证测试”
Tesla最大的结构性资产是消费车队。大量车辆让它能够发现低频片段、按触发条件回传数据、构建测试集，再把改进快速推送到广泛硬件平台。Waymo车队较小、运营域受限，但其rider-only数据直接来自系统完全负责的运行状态；这种数据会暴露安全员存在时可能被提前掩盖的问题。
Waymo公开的训练闭环由Driver、Simulator和Critic共享基础模型：内循环在仿真中用强化学习训练；外循环由Critic从真实无人驾驶日志中标出不理想行为，生成更好动作作为训练数据，在仿真中验证修复，再经安全框架放行。Teacher—Student蒸馏使大模型能力进入车端和大规模仿真，但每次蒸馏、量化和模型更新都应重新证明边界行为没有退化。
长尾的关键不是累计多少英里，而是能否把异常转成可重放场景、失败标签、反事实变体、版本化回归测试和上线证据。只有里程或模型评分，没有场景覆盖与闭环后果，都不足以构成安全工程。
对监管与企业AI系统的启示
监管不应规定“必须激光雷达”或“不得端到端”，因为具体传感器和网络结构会迅速变化。更有效的问题是：系统的运营设计域是什么；遇到传感器冲突如何降级；内部状态能否记录和回放；候选轨迹由谁检查；验证规则覆盖哪些危险；模型更新、蒸馏或数据分布变化后如何重新认证；事故统计的事件定义和暴露量能否由第三方复核。
这也是Waymo路线对企业AI最重要的启示。银行风控、医疗决策、工业控制和智能体执行，不必拒绝端到端模型，但应在关键动作前保留“可物化状态+独立验证层”：把模型识别出的对象、约束、证据、候选行动和置信度写成可审计记录；用确定性规则、权限系统、仿真或第二种异构机制检查高风险动作；把模型建议与最终放行分离；让每次失败进入可重放的回归集。
真正的路线分歧从来不是“规则还是神经网络”，而是企业愿意把多少关键判断锁在不可见的内部表示里，又愿意为多少判断建立可检查接口。端到端学习可以提高能力上限，结构化状态、冗余证据和独立验证层则提高发现错误、解释错误和阻止错误的概率。
自动驾驶的终局很可能不是Waymo或Tesla任何一方的纯粹版本，而是更强的学习系统与更严格的可验证外壳不断融合。但在安全关键系统里，有一条原则不会过时：不能因为模型越来越会开，就减少对“它为什么被允许这样开”的检查。
参考资料
- ByteByteGo，2026-08-17，Waymo vs Tesla: Two Ways to Build Self-Driving Cars
- Waymo，2024-08，Meet the 6th-generation Waymo Driver
- Waymo，2026-02-12，Beginning fully autonomous operations with the 6th-generation Waymo Driver
- Waymo，2025-12，Demonstrably Safe AI for Autonomous Driving
- Waymo，2025-06，New Insights for Scaling Laws in Autonomous Driving
- Waymo，Safety Impact
- Tesla，Full Self-Driving (Supervised) Vehicle Safety Report
- Tesla，AI & Robotics
- Tesla Support，Full Self-Driving (Supervised)
- NHTSA，Standing General Order on Crash Reporting
注：ByteByteGo文章属于第三方技术解读，本文将其作为分析线索而非行业共识；涉及产品状态、系统结构和安全统计的方法性事实，以Waymo、Tesla及监管机构公开材料为准。两家公司披露范围不同，未公开的信息不能据此推定为不存在。