Waymo、Zoox与物理AI栈：当前Robotaxi热潮背后的驱动力

Robotaxi已从谨慎的试点项目跨越到商业规模部署——原因在于AI架构的根本性转变。Waymo现在每周在美国多个城市完成超过15万次付费行程，而亚马逊旗下的Zoox正准备公开上线。实现这一飞跃的AI栈，正是正在重塑各行各业具身机器人的同一类模型家族。

• 从原型到平台：AI栈发生了什么变化
• Waymo和Zoox如何构建感知与决策系统
• 自动驾驶车队背后的硬件经济
• 全球扩张与竞争格局
• 这对机器人领域意味着什么
• 常见问题解答

从原型到平台：AI栈发生了什么变化 {#from-prototype-to-platform-what-changed-in-the-ai-stack}

在过去十年的大部分时间里，自动驾驶车辆可以应对受控环境，但在边缘情况——那些使真实驾驶变得困难的不可预测场景——面前往往会崩溃。突破口并非单一模型，而是基于Transformer的感知、大规模仿真训练以及足够强大的车载计算能力的融合，使得实时推理成为现实。

早期的自动驾驶系统高度依赖手工编码规则和高清地图。如果地图出错——例如道路封闭或新车道标记——车辆就会犹豫或失败。转向端到端学习驾驶模型，即神经网络直接处理原始传感器数据并输出驾驶决策，几乎不经过中间规则层，这才是真正实现可扩展性的关键。

可以把这想象成用显式规则编程的国际象棋引擎与通过自我对弈从零学习国际象棋的AlphaZero之间的区别。两者都能下棋，但只有AlphaZero能够泛化到从未遇到的新局面。当然这个类比并不完美，因为驾驶涉及物理安全约束，而纯粹的游戏没有——但架构原理是相通的。

这种架构上的成熟正是为什么Robotaxi部署现在加速，而不是五年前。

Waymo和Zoox如何构建感知与决策系统 {#how-waymo-and-zoox-build-their-perception-and-decision-systems}

Waymo和Zoox代表了自动驾驶AI的两种不同理念——两者对于关注具身AI领域的人士都具有启发意义。

Waymo的方法以其自研的Waymo Driver堆栈为核心，通过专有感知系统融合来自LiDAR、摄像头和雷达的数据，该系统基于数十亿英里的真实和模拟驾驶数据进行训练。其最新的第五代硬件平台将传感器处理集成到定制计算模块上，降低了延迟和系统复杂性。关键在于，Waymo在闭环仿真上投入了大量资源——这是一种训练范式，AI在合成重现的困难真实场景中驾驶，从失败中学习而无需承担物理风险。

Zoox在亚马逊旗下，采取了不同的工业路线：它从零设计了一款双向车辆，没有方向盘，座椅向内相对。这意味着必须构建一个无法从传统车辆架构继承假设的AI堆栈。Zoox系统负责360度全向责任——没有传统意义上的车“前”——这迫使其采用完全对称的传感器和决策框架。

两家公司都使用Transformer架构（与大型语言模型底层相同的模型类别）进行场景理解——处理传感器帧序列以预测行人、 cyclists和其他车辆的行为。这种时间推理能力——不仅理解物体当前的位置，还理解它们即将去往何处——是最直接类比于人形机器人运动规划进展的部分。

自动驾驶车队背后的硬件经济 {#the-hardware-economy-behind-autonomous-fleets}

Robotaxi热潮正在催生一个重要的二级市场，即实现自动驾驶功能的硬件组件——而这正是这个故事与更广泛机器人行业直接交汇的地方。

每辆Waymo车辆当前生产成本的传感器和计算硬件估计在10万至15万美元之间，尽管公司正在积极降低这一数字。传感器套件通常包括：

• 多个LiDAR单元（用于环境的3D点云地图）
• 高分辨率摄像头（用于色彩、纹理和语义理解）
• 雷达阵列（用于速度测量和恶劣天气下的鲁棒性）
• 定制AI推理芯片（用于以低延迟运行感知和规划模型）

降低单车硬件成本的推动力正在带动固态LiDAR的创新——这种形态没有运动部件、成本更低、耐久性更高——以及领域专用AI加速器（专门设计用于高效运行神经网络推理的芯片）。这些相同的组件正流入工业机器人、仓库自动化系统和人形平台。

NVIDIA的Drive平台和Orin SoC（片上系统）出现在多个Robotaxi项目中，并且同一款芯片越来越多地被用于在工厂车间导航的自主移动机器人（AMR）。Robotaxi硬件的供应链与工业机器人的供应链正在趋同——这一趋势将同时压缩两个领域的成本。

全球扩张与竞争格局 {#global-expansion-and-the-competitive-landscape}

竞争格局已发生显著变化，形成了鲜明的地区领先者。

在美国，Waymo在运营上拥有领先优势，累计无人驾驶里程超过任何竞争对手。其与Uber在叫车分销方面的合作使其无需从头构建消费者应用即可获得需求渠道。Zoox仍处于商业化前测试阶段，但受益于亚马逊的物流基础设施和数据资源。

在中国，百度的Apollo Go和小马智行已在多个城市实现商业Robotaxi运营，其监管框架在某些方面比美国州级审批更快。小马智行最近的上市为该行业的公开市场估值提供了基准。

在欧洲，监管环境仍较为分散，国家层面的型号批准流程延缓了部署时间，相对于亚洲和美国部分地区。

竞争动态不再是单纯比拼谁的算法最优，而是谁能以最快速度积累最多样化的真实驾驶数据——因为数据是训练下一代模型的关键。

这对机器人领域意味着什么 {#what-this-means-for-robotics}

Robotaxi行业正充当物理AI的加速研发项目——其溢出效应已在相邻机器人市场中显现。

对于硬件买家与车队运营商：Robotaxi经济压力下得以精炼的传感器和计算组件，正以日益下降的价格向工业机器人集成商开放。三年前售价超过1万美元的固态LiDAR单元，现在在Livox和Ouster等制造商处已低于500美元，这直接得益于自动驾驶项目驱动的规模。

对于机器人工程师：Waymo及其同行开发的基于Transformer的感知模型和闭环仿真框架，正被适配到仓库AMR、手术机器人和人形平台。如果你的团队正在构建具身AI系统，Robotaxi行业已发表的研究和开源工具（百度的Apollo平台保持部分开放）代表了一条重要捷径。

对于投资者与采购团队：自动驾驶车队扩张需要支撑基础设施——维护设施、远程运营中心、充电网络、地图服务。每一项都为制造和物流应用中服务AV供应链的二手工业机器人创造了采购机会。

更广泛的含义：Robotaxi并非一个消费科技故事。它们是一个大规模物理AI部署故事——在旧金山、凤凰城和深圳积累的经验将塑造下个产品周期中机器人在医院、仓库和建筑工地的导航方式。对自主导航如何重塑硬件市场感兴趣的人士，也可在Botmarket浏览人形机器人，了解类似的AI堆栈如何应用于腿式和轮式平台。

常见问题解答 {#frequently-asked-questions}

Waymo目前每周完成多少趟行程？

Waymo公开报告称，在包括旧金山、凤凰城和洛杉矶在内的商业运营城市，每周完成超过15万次付费行程。这一数字代表完全无人驾驶操作，车内无安全驾驶员。

现代Robotaxi系统由哪些AI模型驱动？

当前Robotaxi领导者使用基于Transformer的神经网络进行感知和场景理解，结合强化学习和模仿学习进行运动规划。端到端模型直接从原始传感器输入生成驾驶命令，正逐步取代模块化流水线。Waymo使用专有堆栈；百度的Apollo平台部分开源。

一辆Robotaxi的硬件成本是多少？

目前主流平台生产型Robotaxi的传感器和计算硬件估计为每辆车10万至15万美元，但成本正在快速下降。固态LiDAR消除了昂贵的机械组件，是关键的成本降低杠杆——在最近的产品迭代中，单价从超过1万美元降至低于500美元。

哪些国家拥有最先进的Robotaxi部署？

美国（由Waymo引领）和中国（由百度Apollo Go和小马智行引领）拥有最成熟的商业部署。中国的监管环境在部分地区实现了更快的城市级别审批。欧洲因各国监管分散而滞后，但在德国、英国和法国已有试点项目。

Robotaxi AI与仓库和工业机器人有何关联？

为Robotaxi开发的相同Transformer架构、LiDAR传感器堆栈和仿真训练框架正被直接适配到自主移动机器人（AMR）、人形机器人和工业自动化。机器人出租车大规模采购带来的硬件成本降低正直接流入工业机器人供应链。

您认为美国还是中国的Robotaxi市场将为下一代工业机器人设定主导AI堆栈？

Robotaxi行业在压缩的时间框架内从科学项目演进为商业基础设施——得益于真正的AI架构进步，而非渐进式迭代。Waymo、Zoox及其中国同行现在正充当世界上最大的物理AI试验场，他们正在精炼的技术将定义自主系统如何在后续每一个复杂物理环境中导航。