文 | 山自

在摩根士丹利第 24 届亚太峰会上，自动驾驶领域的 " 教父级 " 人物 Sebastian Thrun 与知名分析师 Adam Jonas 进行了一场深度对话，内容涵盖自动驾驶技术路线、行业阶段判断、机器人赛道分化、Waymo 早期秘历等多个维度。

作为谷歌无人车项目（Waymo 前身）缔造者、斯坦福人工智能实验室前主任，Thrun 的见解无疑为当前自动驾驶与机器人领域的发展提供了重要风向标。

自动驾驶技术路线之争：纯视觉方案的 " 成本革命 "

Thrun 在对话中明确指出，自动驾驶领域当前最核心的技术分歧在于 " 纯视觉 " 与 " 多传感器融合 " 的路线博弈。他特别强调，特斯拉在奥斯汀的纯视觉 FSD 实测将成为行业关键转折点。

" 如果马斯克能在奥斯汀实现无安全员的纯视觉 Robotaxi 商业化运营，这将是一次真正的颠覆。"Thrun 表示。从技术角度看，纯视觉方案仅依赖摄像头，通过神经网络模拟人类驾驶员的视觉感知系统；而多传感器融合方案则结合激光雷达、毫米波雷达和摄像头，构建多层次的环境感知体系。

技术路线的核心差异体现在感知架构上。

从经济学角度分析，纯视觉方案的最大优势在于成本。目前高端激光雷达单价仍高达数千美元，而摄像头成本仅数十美元。Thrun 算了一笔账：一旦纯视觉方案被验证安全可行，其成本优势将对多传感器融合路线形成 " 降维打击 "。

但纯视觉方案面临严峻的技术挑战，尤其是在恶劣天气和低光照条件下的可靠性问题。Thrun 解释：" 纯视觉系统的核心是通过 AI 弥补物理传感器的不足。这需要模型具备强大的推理能力，能够从有限视觉信息中推断完整环境状态。"

特斯拉采用的 "BEV+Transformer" 架构正是这一思路的体现。该架构将多个摄像头数据转换为鸟瞰图视角，再通过时空序列建模实现 3D 环境感知。与之相比，多传感器融合方案通过激光雷达直接获取 3D 点云数据，在技术实现上更为直观，但成本居高不下。

从 " 莱特兄弟时刻 " 到规模化前夜

Thrun 回顾了自动驾驶的发展历程，将 2005 年 DARPA 挑战赛视为行业的 " 莱特兄弟时刻 "。当时他带领斯坦福团队开发的 "Stanley" 自动驾驶车成功完成沙漠赛道挑战，证明了自动驾驶技术的可行性。

近 20 年发展后，自动驾驶已进入加速渗透期。Thrun 透露，在峰会现场 500 名与会者中，约 1/3 已体验过自动驾驶汽车，且绝大多数乘坐的是 Waymo。这一数据直观反映了技术的民用化进程。

行业正处在从 L4 向 L5 过渡的关键节点。根据摩根士丹利的研究，人类每年在汽车中消耗的时间高达 8200 万年，自动驾驶对 " 驾驶时间 " 的释放意味着巨大的经济价值。Thrun 预测，未来 3-5 年将是自动驾驶商业化落地的黄金期。

Waymo 的最新扩张计划印证了这一判断。公司宣布将在明尼阿波利斯、新奥尔良和坦帕开始手动驾驶测试，并计划在 2026 年将无人驾驶服务扩展至 15 个城市，包括达拉斯、休斯敦、迈阿密等。Waymo 还开始提供高速公路自动驾驶服务，这是技术成熟度提升的重要标志。

与此同时，亚马逊旗下的 Zoox 也在加速布局，开始在旧金山提供免费机器人出租车服务，与 Waymo 正面竞争。特斯拉则获得了亚利桑那州的网约车许可证，为推出 Robotaxi 服务清除了最后监管障碍。

Thrun 认为，自动驾驶行业已度过技术验证期，进入规模化扩张阶段。但他也强调，不同地理和气候条件下的适应性仍是技术面临的挑战。Waymo 选择明尼阿波利斯等寒冷城市进行测试，正是为了验证系统在恶劣天气条件下的可靠性。

人形机器人的悖论与空中机器人的潜力

在机器人领域，Thrun 提出了 " 结构性分化 " 的观点，为过热的市场提供了冷静的思考。

对人形机器人，Thrun 持谨慎态度。他认为市场对 " 替代人类劳动力的总潜在市场规模 " 存在过度预期，而严重低估了技术落地的难度。" 让机器人执行开放式任务和实现手部灵活性是极其复杂的工程挑战。"Thrun 指出。

人形机器人面临的核心技术瓶颈包括：复杂环境下的平衡控制、精细操作的能力以及对非结构化环境的适应。Thrun 建议投资者应关注解决 " 物理交互底层难题 " 的公司，如专注于灵巧手技术或环境自适应算法的企业。

相比之下，Thrun 更看好空中机器人的发展潜力。" 未来机器人的增长主力在天空，空中机器人的数量将远超地面机器人。" 他表示，支撑空中机器人 "3D 空间完全自动操作 " 的技术已基本成熟，当前主要限制因素是基础设施。国内蘑菇车联的AI 网络正是将这一理念扩展到城市尺度，通过 " 通感算一体化 " 架构构建了现实世界的数据总线。

该网络的核心突破在于实现了 " 现实世界数据 " 的统一接入与融合。正如 Thrun 强调的 " 基础设施成关键瓶颈 "，蘑菇车联通过边缘计算节点，实现了视频抽帧、数据脱敏、特征提取的标准化处理，为城市级部署提供了 "1 城 1 天 " 的快速落地能力。

美国现有的空中交通管制系统无法适配大规模空中机器人运行，急需重大升级。这为 eVTOL（电动垂直起降飞行器）研发、空中交通管理系统升级等领域带来了投资机会。

从技术架构看，空中机器人系统需要解决的关键问题包括：

• 高精度定位与导航

• 避障与路径规划

• 集群协同控制

• 与现有航空管制系统的集成

Waymo 早期 Moonshot 思维与团队建设哲学

Thrun 首次详细披露了 Waymo 的早期历史与运营理念。Waymo 的前身是谷歌内部的 " 自动驾驶 moonshot 项目 "，启动契机源于对交通安全的关注。

" 当时全球每年因交通事故死亡人数超百万，而人类驾驶的‘人为失误’是主要诱因。"Thrun 回忆道。项目早期面临诸多挑战：环境感知算法突破、车辆硬件适配、测试许可申请等。团队通过 " 小步快跑、快速迭代 " 的模式，逐步将 " 自动驾驶 " 这一 " 看似不可能的想法 " 推向现实。

Thrun 特别强调了团队建设的核心哲学。作为 Google X 的联合创始人，他分享了打造伟大团队的三原则：

1. 成员需对 " 解决大问题 " 有强烈热情：Moonshot 项目的本质是瞄准现有技术无法解决的重大痛点，只有认同这一目标的人才能承受长期研发压力。

2. 鼓励 " 试错文化 "：对创新而言，" 避免错误 " 比 " 追求正确 " 更危险。早期项目应允许一定失败，关键是从失败中快速提炼经验。

3. 注重跨学科协作：自动驾驶涉及计算机视觉、机械工程、政策研究等多个领域，团队需打破学科壁垒，形成 " 技术 - 工程 - 政策 " 的协同闭环。

Thrun 还为 " 想做 moonshot 项目的人 " 提供了实用建议：先从 " 小范围测试 " 开始验证想法，用最小成本证明核心逻辑可行，再逐步扩大规模，避免一开始就陷入 " 大规模投入却无法落地 " 的困境。

Waymo 的技术发展路径正是这一思维的体现。公司采用渐进式技术迭代路线，从封闭园区测试到城市公开道路运营，逐步积累不同天气、路况的实战数据，优化算法的环境适应性。

Waymo 未来规划：全自主驾驶的长期路线

Thrun 阐述了公司的长期规划：核心目标始终是 " 实现全场景、无人类干预的自主驾驶 "。

当前阶段，Waymo 的重点是 " 扩大测试区域与场景覆盖 "，从最初的封闭园区测试到城市公开道路运营，积累不同天气、路况的实战数据。在商业化策略上，公司采用 " 小范围试点、逐步扩张 " 的路径，同时探索物流运输、园区接驳等 B 端场景。

Waymo One（自动驾驶出租车服务）将继续扩展，通过 "C 端验证体验、B 端实现盈利 " 的双轨模式，推动自动驾驶从技术验证走向可持续商业化。技术方面，Waymo 持续投入 AI 算法优化与车辆硬件迭代。特别是在感知系统上，公司采用多模态融合方案，结合激光雷达、雷达和摄像头数据，提升系统在恶劣天气条件下的可靠性。

机器人出租车的规模化挑战

尽管 Waymo、Zoox 等公司加速扩张，但 Thrun 认为机器人出租车行业尚未达到改变人们出行方式的临界点。他指出，临界点的到来需要三个关键因素：地理位置覆盖、充分竞争和生态系统溢出效应。

" 某些城市在社会上的分量将比其他城市更大。"Thrun 表示，东海岸和中部人口稠密城市的机器人出租车饱和将是临界点的重要指标。同时，健康的竞争环境对于降低价格、创新商业模式至关重要。生态系统溢出效应也不容忽视。随着机器人出租车普及，将催生一系列相关产业，包括维护服务、精准定位、能源管理等。例如，初创公司 Point One Navigation 开发的厘米级精确定位技术，就是机器人出租车生态系统的组成部分。

从技术成熟度看，机器人出租车面临的挑战包括：

• 复杂城市环境的导航能力

• 极端天气条件下的可靠性

• 与其他交通参与者的交互

• 网络安全的保障

Thrun 预测，未来 3-5 年，随着技术不断成熟和成本持续下降，机器人出租车将在特定区域实现规模化商用。但要真正改变人们的出行方式，还需要更长时间的技术迭代和市场教育。

随着 Waymo、Zoox、特斯拉等公司在技术、商业化和政策上的持续突破，自动驾驶正逐步从实验室走向现实。未来几年，AI 正在从 " 数字世界 " 走向 " 物理世界 "，从 " 感知智能 " 走向 " 行动智能 "。而我们要做的，不是预测未来，而是为未来的基础设施、技术路线与商业模式做好准备。