Nvidia 和 Uber 支持的86亿美元自动驾驶 AI | Alex Kendall, Wayve

摘要

• Wayve 持续10年的逆向押注是：自动驾驶应通过一个通用 AI 驾驶员实现规模化，而不是依赖 HD maps、改装传感器和基础设施的车队。 Kendall 起步时只有150万美元，而行业正沿着他认为需要1000亿美元以上的“AV 1.0”范式前进；Wayve 最终打造的模型如今已“能够在任何地方驾驶任何车辆”，但尚未推出无人驾驶服务。

• Wayve 瞄准的规模机会是消费级汽车，而不只是 robotaxi。 全球每年大约生产1亿辆汽车，相比之下，“全世界的 robotaxi 不到1万辆”；Kendall 认为，将系统原生集成进3万-5万美元的大众车型，在每辆车最终都具备无人驾驶能力之前，就能创造数千万个车辆机会。

• 瓶颈已从证明模型会驾驶，转向验证、集成和商业化部署。 Kendall 表示，“性能已不再是关键路径”，但谨慎补充说，性能仍有“数量级”的提升空间；近期约束包括安全评估、监管证明、持续数年的汽车销售周期、车辆集成和部署运营。

• Wayve 最有力的技术证据，是在500多个城市、超过10种涵盖电动车、厢式车和 SUV 的车型上实现零样本运行，其中超过一半城市没有提供先前训练数据。 测试范围从北极圈以北持续22小时的黑暗，到导致东京列车和公交停运的台风；在一天的媒体试驾中，Kendall 称“没有任何人工接管，整天都是完美自动驾驶”，但在获得规模化安全证据前，他拒绝将 Wayve 称为超人类。

• 语言成为性能输入，而不只是对话界面。 2021-22年的一个项目训练了一个视觉-语言-动作模型，让它“看见世界、驾驶汽车并理解语言”；语言预训练帮助模型应对一辆闪灯示意让行的迎面车辆，也让它能够向消费者和汽车品牌解释行为并选择驾驶风格。

• Kendall 认为，包括 Wayve 在内的自动驾驶行业应拒绝电车难题强行制造的二元选择，而应始终保留“第三个更好的选项”。 这种最低风险操作会降低动能、保持可预测性，并停车或靠边；Kendall 表示 Wayve 自2018年开始运营以来没有发生事故，同时强调，困难故障通常是黑暗、高速、对抗性驾驶、恶劣天气以及可能的传感器失效共同叠加的结果。

• Kendall 最尖锐的复盘结论是，深度学习的执行力更多取决于系统，而不是新奇性：“算法占1%，基础设施占99%。” 干净的数据、可靠的学习闭环、测量、评估、仿真和稳健的车辆平台，比“闪亮性感的算法创新”更重要；Wayve 曾在一些方案上投入数百万美元和数月时间，后来发现更好的方法后将其删除。

精读

上游暂未提供，后续同步将继续补齐。