2026年5月，Sequoia Capital（红杉资本）的旗舰播客《Training Data》放出了一段27分钟的访谈，对谈人是Waymo联席CEO Dmitri Dolgov。表面看，这是一次标准的"创始人回顾+数据秀肌肉"——20 million次全自动驾驶出行、170 million英里零死亡、比人类司机安全13倍。但真正值得反复咂摸的，是Dolgov在访谈中段抛出的一句反潮流的话："端到端，然后呢？"（It's end-to-end, and then what?）。
在当下整个AI圈几乎把"端到端"（end-to-end，从原始像素直接到转向信号）当成宗教信条的时候，跑得最远的自动驾驶公司却公开说：纯端到端不够用。这不是技术保守，而是一个做了16年、每周跑400万英里真车的团队，用血泪换来的工程判断。这篇文章要拆的，就是Waymo这套"看起来不像最先进、却最敢说自己安全"的自动驾驶内核——以及它给所有做AI系统的人提的一个醒：能在真实世界里被验证、被追问、被追责的智能，才算数。
| 项目 | 内容 |
|---|---|
| 视频标题 | Waymo's Dmitri Dolgov: 20 Million Rides and the Road to Full Autonomy |
| 频道 | Sequoia Capital（《Training Data》播客，主持人 Konstantine Buhler） |
| 发布日期 | 2026年5月1日 |
| 时长 | 约27分钟 |
| 播放量 | 红杉旗舰AI播客新发访谈，受众以投资人与技术决策者为主 |
| 核心主题 | Waymo如何从"线性去风险"跃迁到"指数级全球商业化"，以及支撑它的Waymo Foundation Model架构 |
整段访谈最值钱的一句话，是Dolgov对纯端到端的"宣战"。他的原话大意是："基础版的纯端到端系统，如果你想要一个真正能大规模部署、达到超人类安全水平的完全无人驾驶产品，那它是不够的。"
这话放在2026年听很刺耳。毕竟从2023年开始，端到端几乎成了自动驾驶的"政治正确"——特斯拉的FSD、一堆中国新势力的智驾、乃至很多学术论文，都在比谁的模型更"纯"：摄像头进去、方向盘出来，中间不要任何手工设计的模块。极简、优雅、可扩展。
但Waymo偏不。他们的Waymo Foundation Model是一个"world-action-language"（世界-动作-语言）多模态大模型，确实大量用到了端到端式的学习表征——但它刻意保留了结构化的中间表征（structured intermediate representations）：显式的物体轨迹（object trajectories）、占据栅格（occupancy grids）、行为预测（behavioral predictions）。
为什么要"逆潮流"保留这些看起来"老派"的模块？Dolgov给出三条纯端到端做不到、而L4（完全无人）必须做到的事：
一句话：端到端擅长"模仿"，不擅长"负责"。而无人驾驶这门生意，卖的就是"负责"。这是全文最重要的认知升级，建议先记下。
如果说上一节是"为什么"，这一节是"凭什么"。Dolgov讲了一个他自己一开始都不敢信的故事。
旧金山街头，一个行人被一辆大公交车完全挡住——对人眼来说，这个人根本不存在。但Waymo Driver还是提前减速、避让了。Dolgov第一反应是困惑："我以为Waymo Driver再超人类，也不可能看穿实体。"
真相是：Waymo的LiDAR（激光雷达）捕捉到了公交车底盘下方漏出来的一点点稀疏回波——那个行人的脚在动。 就这么一点点信号，喂给训练过数亿英里数据的AI，它不仅判断出"那里有个人"，还预测了这个人接下来要干什么，于是提前制动保住了所有人。
这个故事之所以重要，不在于它多神奇，而在于它揭示了Waymo和特斯拉路线最本质的分歧。特斯拉走的是纯视觉（camera-only）路线——理由是"人靠两只眼睛就能开，AI凭什么不能"。Waymo走的是多传感器融合：摄像头负责纹理和颜色，LiDAR负责精确测距和三维结构，毫米波雷达负责恶劣天气和速度。三者各有盲区，融合之后能互补出"超人类"的感知。
纯视觉的逻辑听起来哲学上很优美，但它有一个致命弱点：它把感知能力的天花板，锁死在了"人类眼睛能看到的"这条线附近。而LiDAR那"钻进车底看脚"的能力，恰恰是人类没有、但能救命的能力。Waymo的判断很务实——我不追求"像人一样开车"，我追求"比人开得安全"。
把前面的逻辑串起来，Waymo Foundation Model在架构上是一个"铁三角"。这三个角色共用同一个底座模型，但各司其职：
这个三角的关键不在Driver——那只是前台演员。真正的工程智慧在Critic身上。
大多数自动驾驶团队都在拼Driver：谁的模型跑得准、谁的数据多。但Waymo专门养了一个"给Driver打分的AI"。为什么？因为你无法用"路上跑了多少英里没出事"来可靠地评估一个系统——很多严重事故十年才遇到一次，等真路测撞了再改进，黄花菜都凉了。Critic的作用，是在仿真和真实回放里，对Driver的每一个决策做"安全审计"，把那些"这次没出事纯属运气好"的危险动作揪出来。
这套设计本质上把"安全"从一个事后统计指标，变成了一个事前可计算的工程量。这是Waymo敢对外说"我们可验证地安全"（demonstrably safe）的底气。普通公司说安全，靠的是"没出大事"；Waymo说安全，靠的是"我有一个AI专门在找自己同类的茬"。
Simulator这一极，在2026年2月被Waymo单独拎出来升级成了Waymo World Model，这是理解它"安全飞轮"的另一块拼图。
公开数据：Waymo在真实道路上跑了近2亿英里——已经是个天文数字。但Dolgov透露，在虚拟世界里，这个数字是数十亿英里。真实里程解决"常见场景"，虚拟里程解决"一辈子都遇不到一次的长尾场景"。
Waymo World Model建立在Google DeepMind的Genie 3通用世界模型之上，并针对驾驶域做了专门适配。它的杀手锏有三个：
为什么这一节重要？因为它回答了一个自动驾驶行业的终极难题：长尾问题（long-tail problem）。真实路测永远跑不遍所有罕见情况，而World Model让Waymo能"主动制造不可能"，在司机撞上龙卷风之前，先在虚拟世界里撞过一万次。这是从"被动等数据"到"主动造数据"的范式转变，也是Waymo扩张新城市时"驾驶员泛化能力惊人"的底层原因。
把上面四节放在一起，你就能理解Dolgov访谈里反复出现的那个词——相变（phase transition）。Waymo的增长曲线，在2025-2026年经历了一次质变：
| 里程碑 | 用时 | 语境 |
|---|---|---|
| 前1亿英里全自动驾驶 | 约16年 | 研发与早期商业化 |
| 第二个1亿英里 | 约6个月 | 相变后的指数增长 |
| 前1000万次出行 | 约8年 | 仅4座城市运营 |
| 第二个1000万次出行 | 7个月 | 车队与城市加速扩张 |
| 单日新开城市数 | 4座 | 2026年初 |
| 当前每周自动驾驶里程 | >400万 | 覆盖美国11座城市 |
注意第二个1000万次只用了7个月，而第一个花了8年——这条曲线不是线性的，是弯曲的。Dolgov把过去16年概括为"有意识的、顺序的去风险"（intentional sequential de-risking），把现在概括为"快速的、并行的全球化商业化"（rapid parallel global commercialization）。
更耐人寻味的是他这句："开一座新城，已经不再是重新工程化驾驶员，更多是运营执行和社区沟通。" 换句话说，Waymo的AI已经泛化到"换个城市不用重练"的程度，剩下的只是把车队开过去、做验证、和当地人建立信任。2026年，伦敦和东京将成为Waymo首批国际落地点。
这背后是Ohai——基于极氪（Zeekr）平台的新车。第六代传感器套件（更先进的LiDAR、雷达、1700万像素摄像头、更低的成本）+ 滑动门、客厅级内饰、车内屏幕，外形却和Jaguar I-PACE差不多大。硬件从"堆料"转向"为乘客体验而造、为量产而降本"，这是Waymo从实验室走向真生意的信号。
所有技术选择，最终都要兑现在一个数字上。Dolgov在访谈里给了一组足以载入行业史的数据：
这组数据的份量在于它的可验证性（verifiability）。回到第一节的核心论点——Waymo拒绝纯端到端、坚持结构化中间表征——其根本回报就在这里：只有当一个系统是可拆解、可审计的，你才敢对公众说"我比人安全13倍"，并且经得起监管和保险公司的追问。
事实上，这份"13倍"来自Waymo与瑞士再保险（Swiss Re）合作的一项独立精算分析——把Waymo的真实里程和同等条件下的人类驾驶基线做对照。一个保险公司敢用精算模型背书你的安全性，这本身就是"安全从工程问题变成金融问题"的标志。纯端到端的黑盒，是永远拿不到这种背书的——因为没人能向精算师解释清楚"它在那个路口到底为什么那么决策"。
这也呼应了Dolgov反复强调的安全文化：安全不是Waymo的卖点，而是Waymo的"非协商前提"（non-negotiable foundation）。 产品必须先比人安全，才"够格"被部署。这个顺序是反直觉的——很多公司是先上线、再优化安全；Waymo是先证明安全、才允许上线。
最后，必须把Waymo放进竞争格局里看，才完整。Dolgov访谈里顺带点了两个对手：
这里Dolgov点破了一个被很多人忽略的真相：监督驾驶（L2）和无人驾驶（L4）之间的鸿沟，不只是技术差距，更是法律责任差距。 特斯拉可以把风险转嫁给"那个没盯住路的车主"，Waymo没有这个挡箭牌——它的每一次刹车、每一次避让，都是公司自己的法律责任。
所以Waymo宁可慢、宁可保留"老派"的中间表征、宁可养一个Critic专门挑自己的毛病——因为它的商业模型里没有"甩锅给人类"这个选项。这恰恰解释了为什么Waymo的架构选择看起来不性感，却跑得最稳：它的技术形态，是被它的责任形态倒逼出来的。
flowchart TB
subgraph Sensor["多传感器融合输入"]
CAM[摄像头 纹理/颜色]
LIDAR["LiDAR 三维/测距<br/>钻车底看脚"]
RADAR[毫米波雷达 天气/速度]
end
subgraph FM["Waymo Foundation Model<br/>world-action-language 多模态"]
REP["学到的表征<br/>+ 结构化中间表征"]
OBJ[物体轨迹]
OCC[占据栅格]
BEH[行为预测]
REP --> OBJ & OCC & BEH
end
subgraph Triad["铁三角 共用同一底座"]
DRIVER["Driver 驾驶员<br/>规划与控制"]
SIM["Simulator 模拟器<br/>World Model + Genie 3<br/>数十亿虚拟英里"]
CRITIC["Critic 评估者<br/>事前安全审计"]
DRIVER <--> CRITIC
SIM -.闭环训练.-> DRIVER
end
Sensor --> FM
OBJ & OCC & BEH --> DRIVER
DRIVER --> OUT["输出 安全驾驶动作<br/>170M+ 英里 / 比人安全13倍"]
CRITIC -.审计/打分.-> DRIVER
classDef plain fill:#eef,stroke:#335,stroke-width:1px;
classDef core fill:#fee,stroke:#c33,stroke-width:2px;
classDef key fill:#efe,stroke:#393,stroke-width:2px;
class CAM,LIDAR,RADAR plain;
class DRIVER,SIM,CRITIC core;
class OUT key;
这篇解读对三类人有不同的"带走"：
对做AI系统的工程师： 别再把"端到端"当默认的最优解。Waymo的判断非常清晰——端到端是手段，不是目的；当你构建的是一个要被部署、被追责、被审计的系统时，可解释的中间结构往往比最优雅的黑盒更值钱。在你自己的项目里，问自己Dolgov那个问题："端到端之后呢？"——如果答案是"然后我就没法验证它了"，那你该重新考虑要不要留中间表征。
对做产品和投资的决策者： Waymo给了一个评估AI公司极有价值的框架——看它的"责任形态"。一个能把责任甩给用户的系统（L2/辅助驾驶），和一个必须自己扛全部责任的系统（L4/完全无人），对技术架构的要求天差地别。判断一家AI公司是真硬核还是PPT硬核，看它敢不敢把"出事了算谁的"写进架构。能拿到保险公司精算背书的公司，护城河最深。
对普通人和城市管理者： 每26秒全球就有一人死于车祸——自动驾驶不是"酷炫科技"，而是一个能切实减少死亡的公共卫生工具。Waymo"每8天避免一起重伤"这个数字，会随着车队扩张而指数放大。当它进入你所在的城市（2026年是伦敦、东京），值得用开放但审慎的态度去了解——这不是一个关于"机器人取代司机"的叙事，而是一个关于"用工程换人命"的叙事。
延伸到方法论层面，Waymo这套"Driver-Simulator-Critic"三角，其实是一种可迁移的自我对抗（self-play）+ 自我审计范式：让一个智能体做事（Driver），让另一个智能体制造极端场景考验它（Simulator），再让第三个智能体给它打分找茬（Critic）。这种"自己为难自己"的结构，不只适用于开车，也适用于任何需要高可靠性的AI系统——从机器人到代码生成到医疗诊断。
Waymo用17年的固执证明了一件事：在要为每一条人命负责的领域里，"可被验证、可被追问、可被追责"的智能，永远比"看起来最先进"的黑盒更值钱——端到端只是开始，"然后呢"才是分水岭。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。