在摩根士丹利第 24 屆亞太峰會上，自動駕駛領域的 " 教父級 " 人物 Sebastian Thrun 與知名分析師 Adam Jonas 進行了一場深度對話，內容涵蓋自動駕駛技術路線、行業階段判斷、機器人賽道分化、Waymo 早期秘歷等多個維度。

作為谷歌無人車項目（Waymo 前身）締造者、斯坦福人工智能實驗室前主任，Thrun 的見解無疑為當前自動駕駛與機器人領域的發展提供了重要風向標。

自動駕駛技術路線之爭：純視覺方案的 " 成本革命 "

Thrun 在對話中明確指出，自動駕駛領域當前最核心的技術分歧在于 " 純視覺 " 與 " 多傳感器融合 " 的路線博弈。他特別強調，特斯拉在奧斯汀的純視覺 FSD 實測將成為行業關鍵轉折點。

" 如果馬斯克能在奧斯汀實現無安全員的純視覺 Robotaxi 商業化運營，這將是一次真正的顛覆。"Thrun 表示。從技術角度看，純視覺方案僅依賴攝像頭，通過神經網絡模擬人類駕駛員的視覺感知系統；而多傳感器融合方案則結合激光雷達、毫米波雷達和攝像頭，構建多層次的環境感知體系。

技術路線的核心差異體現在感知架構上。

從經濟學角度分析，純視覺方案的最大優勢在于成本。目前高端激光雷達單價仍高達數千美元，而攝像頭成本僅數十美元。Thrun 算了一筆賬：一旦純視覺方案被驗證安全可行，其成本優勢將對多傳感器融合路線形成 " 降維打擊 "。

但純視覺方案面臨嚴峻的技術挑戰，尤其是在惡劣天氣和低光照條件下的可靠性問題。Thrun 解釋：" 純視覺系統的核心是通過 AI 彌補物理傳感器的不足。這需要模型具備強大的推理能力，能夠從有限視覺信息中推斷完整環境狀態。"

特斯拉采用的 "BEV+Transformer" 架構正是這一思路的體現。該架構將多個攝像頭數據轉換為鳥瞰圖視角，再通過時空序列建模實現 3D 環境感知。與之相比，多傳感器融合方案通過激光雷達直接獲取 3D 點云數據，在技術實現上更為直觀，但成本居高不下。

從 " 萊特兄弟時刻 " 到規?；耙?/p>

Thrun 回顧了自動駕駛的發展歷程，將 2005 年 DARPA 挑戰賽視為行業的 " 萊特兄弟時刻 "。當時他帶領斯坦福團隊開發的 "Stanley" 自動駕駛車成功完成沙漠賽道挑戰，證明了自動駕駛技術的可行性。

近 20 年發展后，自動駕駛已進入加速滲透期。Thrun 透露，在峰會現場 500 名與會者中，約 1/3 已體驗過自動駕駛汽車，且絕大多數乘坐的是 Waymo。這一數據直觀反映了技術的民用化進程。

行業正處在從 L4 向 L5 過渡的關鍵節點。根據摩根士丹利的研究，人類每年在汽車中消耗的時間高達 8200 萬年，自動駕駛對 " 駕駛時間 " 的釋放意味著巨大的經濟價值。Thrun 預測，未來 3-5 年將是自動駕駛商業化落地的黃金期。

Waymo 的最新擴張計劃印證了這一判斷。公司宣布將在明尼阿波利斯、新奧爾良和坦帕開始手動駕駛測試，并計劃在 2026 年將無人駕駛服務擴展至 15 個城市，包括達拉斯、休斯敦、邁阿密等。Waymo 還開始提供高速公路自動駕駛服務，這是技術成熟度提升的重要標志。

與此同時，亞馬遜旗下的 Zoox 也在加速布局，開始在舊金山提供免費機器人出租車服務，與 Waymo 正面競爭。特斯拉則獲得了亞利桑那州的網約車許可證，為推出 Robotaxi 服務清除了最后監管障礙。

Thrun 認為，自動駕駛行業已度過技術驗證期，進入規?；瘮U張階段。但他也強調，不同地理和氣候條件下的適應性仍是技術面臨的挑戰。Waymo 選擇明尼阿波利斯等寒冷城市進行測試，正是為了驗證系統在惡劣天氣條件下的可靠性。

人形機器人的悖論與空中機器人的潛力

在機器人領域，Thrun 提出了 " 結構性分化 " 的觀點，為過熱的市場提供了冷靜的思考。

對人形機器人，Thrun 持謹慎態度。他認為市場對 " 替代人類勞動力的總潛在市場規模 " 存在過度預期，而嚴重低估了技術落地的難度。" 讓機器人執行開放式任務和實現手部靈活性是極其復雜的工程挑戰。"Thrun 指出。

人形機器人面臨的核心技術瓶頸包括：復雜環境下的平衡控制、精細操作的能力以及對非結構化環境的適應。Thrun 建議投資者應關注解決 " 物理交互底層難題 " 的公司，如專注于靈巧手技術或環境自適應算法的企業。

相比之下，Thrun 更看好空中機器人的發展潛力。" 未來機器人的增長主力在天空，空中機器人的數量將遠超地面機器人。" 他表示，支撐空中機器人 "3D 空間完全自動操作 " 的技術已基本成熟，當前主要限制因素是基礎設施。國內蘑菇車聯的AI 網絡正是將這一理念擴展到城市尺度，通過 " 通感算一體化 " 架構構建了現實世界的數據總線。

該網絡的核心突破在于實現了 " 現實世界數據 " 的統一接入與融合。正如 Thrun 強調的 " 基礎設施成關鍵瓶頸 "，蘑菇車聯通過邊緣計算節點，實現了視頻抽幀、數據脫敏、特征提取的標準化處理，為城市級部署提供了 "1 城 1 天 " 的快速落地能力。

美國現有的空中交通管制系統無法適配大規?？罩袡C器人運行，急需重大升級。這為 eVTOL（電動垂直起降飛行器）研發、空中交通管理系統升級等領域帶來了投資機會。

從技術架構看，空中機器人系統需要解決的關鍵問題包括：

高精度定位與導航

避障與路徑規劃

集群協同控制

與現有航空管制系統的集成

Waymo 早期 Moonshot 思維與團隊建設哲學

Thrun 首次詳細披露了 Waymo 的早期歷史與運營理念。Waymo 的前身是谷歌內部的 " 自動駕駛 moonshot 項目 "，啟動契機源于對交通安全的關注。

" 當時全球每年因交通事故死亡人數超百萬，而人類駕駛的‘人為失誤’是主要誘因。"Thrun 回憶道。項目早期面臨諸多挑戰：環境感知算法突破、車輛硬件適配、測試許可申請等。團隊通過 " 小步快跑、快速迭代 " 的模式，逐步將 " 自動駕駛 " 這一 " 看似不可能的想法 " 推向現實。

Thrun 特別強調了團隊建設的核心哲學。作為 Google X 的聯合創始人，他分享了打造偉大團隊的三原則：

1. 成員需對 " 解決大問題 " 有強烈熱情：Moonshot 項目的本質是瞄準現有技術無法解決的重大痛點，只有認同這一目標的人才能承受長期研發壓力。

2. 鼓勵 " 試錯文化 "：對創新而言，" 避免錯誤 " 比 " 追求正確 " 更危險。早期項目應允許一定失敗，關鍵是從失敗中快速提煉經驗。

3. 注重跨學科協作：自動駕駛涉及計算機視覺、機械工程、政策研究等多個領域，團隊需打破學科壁壘，形成 " 技術 - 工程 - 政策 " 的協同閉環。

Thrun 還為 " 想做 moonshot 項目的人 " 提供了實用建議：先從 " 小范圍測試 " 開始驗證想法，用最小成本證明核心邏輯可行，再逐步擴大規模，避免一開始就陷入 " 大規模投入卻無法落地 " 的困境。

Waymo 的技術發展路徑正是這一思維的體現。公司采用漸進式技術迭代路線，從封閉園區測試到城市公開道路運營，逐步積累不同天氣、路況的實戰數據，優化算法的環境適應性。

Waymo 未來規劃：全自主駕駛的長期路線

Thrun 闡述了公司的長期規劃：核心目標始終是 " 實現全場景、無人類干預的自主駕駛 "。

當前階段，Waymo 的重點是 " 擴大測試區域與場景覆蓋 "，從最初的封閉園區測試到城市公開道路運營，積累不同天氣、路況的實戰數據。在商業化策略上，公司采用 " 小范圍試點、逐步擴張 " 的路徑，同時探索物流運輸、園區接駁等 B 端場景。

Waymo One（自動駕駛出租車服務）將繼續擴展，通過 "C 端驗證體驗、B 端實現盈利 " 的雙軌模式，推動自動駕駛從技術驗證走向可持續商業化。技術方面，Waymo 持續投入 AI 算法優化與車輛硬件迭代。特別是在感知系統上，公司采用多模態融合方案，結合激光雷達、雷達和攝像頭數據，提升系統在惡劣天氣條件下的可靠性。

機器人出租車的規?；魬?/p>

盡管 Waymo、Zoox 等公司加速擴張，但 Thrun 認為機器人出租車行業尚未達到改變人們出行方式的臨界點。他指出，臨界點的到來需要三個關鍵因素：地理位置覆蓋、充分競爭和生態系統溢出效應。

" 某些城市在社會上的分量將比其他城市更大。"Thrun 表示，東海岸和中部人口稠密城市的機器人出租車飽和將是臨界點的重要指標。同時，健康的競爭環境對于降低價格、創新商業模式至關重要。生態系統溢出效應也不容忽視。隨著機器人出租車普及，將催生一系列相關產業，包括維護服務、精準定位、能源管理等。例如，初創公司 Point One Navigation 開發的厘米級精確定位技術，就是機器人出租車生態系統的組成部分。

從技術成熟度看，機器人出租車面臨的挑戰包括：

復雜城市環境的導航能力

極端天氣條件下的可靠性

與其他交通參與者的交互

網絡安全的保障

Thrun 預測，未來 3-5 年，隨著技術不斷成熟和成本持續下降，機器人出租車將在特定區域實現規?；逃?。但要真正改變人們的出行方式，還需要更長時間的技術迭代和市場教育。

隨著 Waymo、Zoox、特斯拉等公司在技術、商業化和政策上的持續突破，自動駕駛正逐步從實驗室走向現實。未來幾年，AI 正在從 " 數字世界 " 走向 " 物理世界 "，從 " 感知智能 " 走向 " 行動智能 "。而我們要做的，不是預測未來，而是為未來的基礎設施、技術路線與商業模式做好準備。

來源：山自