# 4个月学会在东京开车：Wayve用一个大模型开进了500座城市

> Training Data No. 72 中文精读

- 原标题：How End-to-End Learning Created Autonomous Driving 2.0: Wayve CEO Alex Kendall
- 发布日期：2025-11-18
- 主持：Sonya Huang · Pat Grady · Konstantine Buhler 等
- 网页版：https://trainingdata.qiaomu.ai/ep/072-how-end-to-end-learning-created-autonomous-driving-2-0-wayve-8x_O8B.html
- 精读字数：约 4547 字（阅读约 10 分钟）

> 本文为 trainingdata.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。

今年9月，东京。日产把一台新车开到媒体面前，请他们坐进副驾体验自动驾驶。这台车的AI来自一家英国公司，Wayve。而就在四个月前，这家公司的团队才第一次把车开进东京，第一次摸到这台车。

四个月，一个新国家，一台新车，从零到媒体试驾。

另一组数字：光今年一年，Wayve的车开进了500多座城市。而那些需要提前给城市画高精地图的自动驾驶公司，至今还在一个城市一个城市地铺。

把时间拨回2017年。Alex Kendall创立Wayve的时候，行业主流方案是庞大的手写C++代码库，工程师把「路边有双排停车」这类情况一条条写成规则。他的种子轮材料里写的是：把这些全扔掉，用一个端到端的神经网络开车。

最近，红杉资本的播客「Training Data」请到了这位Wayve CEO，和主持人Pat Grady、Sonya Huang聊了整整一期，从自动驾驶1.0到2.0的架构之争，聊到世界模型、传感器路线，再聊到具身智能的下一步。下面按话题把干货拆开。

## 1.0和2.0，差在哪

Kendall对1.0的定义：把自动驾驶拆成感知、规划、建图、控制几个模块，每个模块大量手工工程，依赖高精地图，再堆一堆硬件。Wayve的赌注是2.0：传感器输入，运动输出，中间一个巨大的神经网络，端到端训练。

Pat Grady总结得很直白，Wayve就是传感器进、动作出，中间一个巨型神经网络。Kendall说对，但开车比语言模型多了两个麻烦。

第一个是安全。**安全必须由架构本身保证，不能靠往模型里灌更多数据、然后祈祷幻觉消失。**系统要做到功能安全，还要能构建经得起审查的行为安全案例。第二个是算力，模型要在车规芯片里实时运行，车载传感器和算力都有硬约束。

但大叙事和语言模型、下棋AI是同一条：**端到端的数据学习，正在击败一切手写规则。**

这个判断当年有多冷门？Kendall说，这样的会议他能数出几百场。

> 「不安全。不可解释。没法理解它在干什么。甚至有人说：这讲不通，我们没听说过这个AI的东西。」

关于「不可解释」，他今天的回应分两层。五到十年前这么说还算合理，现在已经有不少工具能洞察深度学习系统如何推理。更深一层，**想造一台智能机器，却指望指着某一行代码说「就是它导致了这个结果」，这个想法本身太天真。**智能机器的美妙之处就在于它的复杂，理解它的方式只能是数据驱动的。

他也不看好折中方案。有人想把手写规则栈和端到端学习栈捏在一起，觉得既有智能又有安全兜底。Kendall的看法是，这类混合架构经常两头的好处都没拿到，只留下成本和复杂度。

那风向是什么时候变的？Sonya问是不是FSD 12带动的。Kendall把最大的功劳给了大语言模型的突破，说它们让全世界对这项技术好奇了起来。再加上Wayve自己把车开出了伦敦，上了高速，进了欧洲、日本、北美，上周车还在纽约街头跑。但他补了一句，就在录制当天早上，他还在会上遇到有人说「我们要端到端AI」，但得加上硬约束、要有安全保证。市场里，跑得快的和需要补课的，分化还在。

## 泛化：四个月拿下东京的底气

Kendall说，自动驾驶的全部要义是泛化：对没见过的东西做出正确判断。他举了当天早上的例子，路上有个施工人员在人行横道上铺东西，人不想走出来，车得判断能不能不停车让行直接绕过去。每次开车都会遇到新情况，训练数据永远覆盖不完，**安全的前提，是能推理没见过的事**。

日产合作就是泛化的直接展示。新国家、新车、新的传感器布局，模型直接扛住了，因为它在全球多元数据上训练过，见过各种传感器组合，也见过复杂路况。Kendall的野心也在这里：**做全球车企和车队的具身智能基座模型，用同一个大智能摊薄成本，快速适配每个客户**，而不是给每个应用单训一个网络。

他把驾驶拆成三块：

- 安全：安全攸关的行为；
- 流畅：开得顺不顺、坐得舒不舒服；
- 效用：导航和道路语义，路牌、语言、驾驶文化。

前两项在全球表现几乎一致，各国指标基本均匀。难的是第三项。从英国到美国，Wayve用了几百小时的数据，才把表现拉到自家最前沿水平的10%以内。到了德国，因为在美国已经学会右侧通行，数据需求少了一大截，但要重新学「红灯不能右转」，还要学会在德国高速上开到140公里每小时。**每进一个新市场，需要的数据量都在指数级下降**，因为很多东西之前见过。

支撑这一切的是数据策略。自动驾驶的数据量远超语言模型：一台典型自动驾驶车有十几个百万像素摄像头，加雷达、激光雷达，聚合起来是几十上百PB。Wayve的做法有两层，一是成为行业信任的伙伴，从行车记录仪、车队、车企、机器人运营商那里聚合多元数据；二是用无监督学习给数据聚类，找出异常场景和系统表现差的地方，再据此安排训练课程。

团队配置也值得记一笔：50个模型开发者，共同维护一个主力生产模型。整个公司的数据基础设施、仿真、上路前的安全审批，都是从零为端到端深度学习搭建的文化。Kendall的原话是，一切围绕迭代速度。

## 世界模型：先在脑子里开一遍

Sonya问，推理是被刻意训练出来的，还是自然涌现的。Kendall的回答：在物理世界，推理最好的表达形式就是世界模型。

Wayve在2018年就把第一个世界模型上了路。那是个只有10万参数的小网络，能模拟车前方30×3像素的画面，被当作内部模拟器，用来训练基于模型的强化学习。快进到今天，他们有了GAIA，一个完整的生成式世界模型，能模拟多路摄像头和传感器，还能被控制、被提示，改变场景里的智能体。

把这种能力装上车，会冒出一些漂亮的涌现行为。当天试驾时，车遇到被遮挡的无保护转弯，先往前蹭，直到自己能看清路况，再完成转弯。伦敦起雾，车会减速，只开到它能推理清楚的程度。**训练时给了模型「预测接下来会发生什么」的能力，上车之后就会长出这些行为**，尤其在复杂的多智能体场景里。Sonya追问，世界模型是不是教模型推理新场景的关键，Kendall回了句，百分之百。

世界模型还有个更实际的作用：数据效率。Kendall算过账，如果只靠堆真实数据，理论上也能堆出L5级驾驶，但那等于一张巨大的查找表，经济和技术上都不可行。出路是效率，效率来自数据课程、学习算法，还有世界模型。**合成数据替代不了真实数据，它的价值在于把真实经验重新组合、放大**，让罕见场景可以反复演练。

## 8800万辆车的生意，和一场问错了的争论

Wayve的商业模式一句话能说清：把自动驾驶技术栈卖给车企，类似特斯拉FSD，但装在非特斯拉的车上。市场账这么算：全球每年生产9000万辆车，特斯拉自己造几百万辆，剩下的8800万辆，都是潜在的合作对象。Kendall说，很多人带着怀疑上车，无一例外笑着下车。他等这一天很久了，让自动驾驶从少数城市的观光体验，变成每个城市的人都能用的东西。

车企这两年发生了关键变化：软件定义汽车开始普及，车上有了GPU、环视摄像头、环视雷达，有的还有前向激光雷达。基础设施到位了，市场信心也到位了。而且车企不想停在辅助驾驶，大家在往脱手（eyes-off）方向走，系统要能为驾驶承担责任，把时间还给用户。路线上的关键选择是原生集成，不在车上后装硬件。**原生软件集成意味着快速规模化、低成本整车、全球法规认证**，这才是让几十万辆价格可负担的无人出租车跑起来的路径。

具体怎么一套模型服务多家车企？所有车队共用同一个模型家族，定期训练超大规模模型，逐月迭代，针对特定传感器或车载芯片再做优化。**99%以上的成本和时间花在基座模型上，客户定制只占很小一部分**，这是他们能同时服务多家车企的账本基础。定制甚至包括驾驶风格，从人类驾驶数据里能看出一条清晰的线，从「得体的果断」越过去就是「不合适的激进」，模型可以在这条线内调节。运动品牌的车，开起来就该像个运动品牌。

跟车企合作这几年，Kendall自己也被改造了不少。造几百万辆车需要的可靠性和平均无故障时间，是另一个量级的要求。**技术和产品之间的差距，就是可靠性**。这是汽车行业教给他的事。

聊到推特上每隔一阵就爆发一轮的摄像头派和激光雷达派争吵，特斯拉说多传感器会让系统困惑，Kendall的回应很干脆：这是错误的问题，不在前沿上。特斯拉之外的行业已经形成共识架构：环视摄像头、环视雷达，加一个前向激光雷达。**这套车规级方案的成本已经降到2000美元以内**，能提供必要冗余，是做L3、L4脱手驾驶的好平台。他的论证分两步：纯视觉确实能做到人类水平，而95%以上的事故本来就是人为失误造成的，光消除分心就走了一大步；但**目标是超越人类，要消灭剩下那部分长尾事故，就需要视觉之外的感知能力**。Wayve自己的立场是通吃，纯摄像头的、加雷达的、加激光雷达的，全都训练，当天试乘的车就是纯视觉方案。

## 会聊天的车，和自动驾驶之外的世界

2021年，团队提出要做语言，Kendall第一反应是拒绝，创业公司要专注。团队说服了他，后来有了Lingo，自动驾驶领域第一个视觉语言动作模型（VLA）。它不光能开车，还能对话：问它觉得哪里有风险、接下来会发生什么，它都能答，甚至能给驾驶做实时解说。

好处有三个。语言进预训练，表征能力更强；对齐语言之后能做出「和司机聊天」的产品体验，想让车开快一点，直接说就行；还有个容易被忽略的用途，**语言成了内省工具，监管机构和工程师可以直接问模型为什么这么做**，让它解释自己的推理。这恰好回应了当年「不可解释」的质疑。目前Lingo的演示在车下跑，下一代开发车会用英伟达Thor芯片，算力够大，可以上车。

再往外看一步，就是具身智能。Kendall的判断：**移动会先于操作成熟**。操作难在数据获取、硬件供应链，连触觉传感都还是硬问题，成熟度大概相当于2015年的自动驾驶。而他们的系统正在变成一个通用的导航智能体：给它任意的传感器视角和一个目标，它就能输出安全轨迹。乘用车、无人出租车、卡车，任何移动场景的机器人都能用。

通往物理AGI还缺什么？Kendall列了四个因子：数据、算力、算法能力、本体（机器人硬件），四个都要推。算法侧他最看重测量：怎么量化系统表现、快速发现回退、造一个能弥合真实世界差距的高效仿真器。

> 「如果你有一个完美的仿真器，你就解决了自动驾驶；反过来，解决了自动驾驶，你也就有了完美的仿真器。」

AlphaGo已经证明过，仿真器足够好，搜索就能解决问题。至于AV 3.0，他给了一个猜想：当自动驾驶车成为主流，智能可以走出车外。车与车通信协同，路口还需要红绿灯吗？跟前车「借」一下视野，就能看见拐角。他承认这会带来网络安全和通信延迟的新问题，但方向值得想。

## 三件明天就能用的事

听完这期，有三件事可以直接拿走。

第一，评估任何一家自动驾驶公司，问三个问题就够：要不要高精地图？进一个新城市要多久？换一家车企的车型要多久？Wayve的答案是几个月、几百小时数据。答案越依赖「提前铺基础设施」，泛化能力越弱。

第二，看AI产品的数据策略，别只看数据总量，看数据课程。Wayve的做法是先用无监督聚类找出系统表现差的场景，再针对性训练。做AI产品的团队明天就可以把「找出模型最差的1%场景」排进日程。

第三，把「技术和产品的差距是可靠性」这句话记住。Kendall被车企教育了几年才真正消化这一点。互联网出身的团队做硬件产品，先问自己能不能接受车规级的平均无故障时间要求，再谈智能不智能。