#74 孟醒：Waymo 和它的对手们——我暗中考察了四个月

原文讲解：孟醒怎样从 Waymo 的“老巢”讲到 L4 的商业终局

音频 00:00–00:54 是后段内容的预告：孟醒描述追踪 Waymo 运营中心、在凤凰城酷热郊区做现场观察，以及信息为什么会不对称。正式片头约 00:54 开始。自动转写把 Waymo 识别成“Vamo”、把 FSD 识别成“FSC”等，以下按节目标题、官方章节和上下文统一为 Waymo、FSD；不把机器转写的错字当成原文引语。

一、节目先把路线之争摆在桌面上：L2 与 L4 不是同一个产品

张小珺回顾前几集：以 Tesla 为代表的辅助驾驶，核心是让一辆由人负责的车在更多场景里得到软件帮助；以 Waymo 为代表的 L4，则要在限定区域和条件内让乘客把驾驶责任交给系统。过去十年，行业一直把两条路线放在同一张排行榜上比较，但孟醒一开始就提醒，这个比较很容易失真。Waymo 的车使用昂贵得多的硬件、远程协助和运营体系，目标是无人服务；Tesla 的优势是覆盖范围、车辆数量和成本，它可以把车开进个人车库和停车场，但人仍在责任链上。两者都在做自动驾驶，却没有相同的约束和成本函数。

这一集的重心因此转到 Waymo 和它的对手。孟醒不是只讲公司宣传，而是把自己的凤凰城调研拿出来：他带队在现场待了四个月，反复叫车、找难停的位置、做边界测试，甚至追踪车辆回到运营中心。他想回答的不是“它能不能演示”，而是“它在一个真实城市里如何每天工作”。

二、Waymo 的起点：2009 年 Google X，以及一个非常具体的城市挑战

孟醒把 Waymo 的正式起点放在 2009 年。当时 Sebastian Thrun 带着 Stanford 团队进入 Google，Thrun 是 2005 年 DARPA Grand Challenge 的获胜者；项目最初还不叫 Waymo，而是 Google X 里的 Chauffeur（司机）项目，2016–2017 年间才以 Waymo 的名字独立出来。至于 Google 为什么被无人驾驶吸引，孟醒没有把猜测说成事实，只推测 Sergey Brin 对机器人长期感兴趣，而汽车是机器人最容易先落地的形态之一。

一个更能说明早期工作方式的故事发生在 2011 年。Larry Page 给团队设了一个内部挑战：让车在硅谷两个城市之间穿过两百多个红绿灯，全程不接管。节目里孟醒说，团队当时用过一些今天看起来不“优雅”的办法，比如遇到识别困难的路牌，就下车用布把牌子遮住，让车继续完成目标。这个细节不是为了证明作弊可取，而是为了说明早期工程的真实状态：目标必须足够清楚，团队才会用各种临时、具体、可迭代的手段，把系统从不能工作推到可以工作。

到 2016–2017 年，能做到类似事情的公司仍然很少。Waymo 的领先不只是“最早宣布”，而是它从一个研究项目变成了多年持续的组织，背后有 Google 的资源和耐心。

三、孟醒被“无人车之父”这个称呼纠正：行业其实有一百年上下的前史

孟醒讲了一个自我修正的经历。他曾经采访 Thrun，把视频标题写成“我跟无人车之父”，发到 AI 前辈群里后被批评：无人驾驶已经有五十多年甚至更长的历史，Thrun 只是接过了最后一棒。孟醒承认自己以前只知道近十几年的产业周期，于是重新去看历史。这个插曲让节目从“Waymo 的公司史”转为“无人驾驶的知识史”。

他讲到 1925 年就出现过接近无人驾驶的遥控车辆，1939 年通用汽车在展览中用地下线圈和道路信号引导车辆；随后是 Stanford Cart、Shakey 等早期机器人项目。这里的关键不是把这些项目都叫作今天的 L4，而是看到一个持续存在的问题：如何让机器获得感知、定位、规划和行动能力。真正把现代产业推上快车道的，是 DARPA Grand Challenge。

2004 年第一届 DARPA 比赛给出百万美元级奖金，让车在加州和内华达之间的荒漠道路上跑两百多公里；没有一支队伍完成，最好的车只跑了十几公里。2005 年第二届比赛马上出现跃迁：Stanford 获胜，CMU 位居前列，几支队伍完成了全程。孟醒尤其喜欢讲第四名——路易斯安那一家保险公司的队伍。创始人因为读到比赛报道，拿出约 65 万美元，找公司里最懂计算机、原本负责搭网站的人带队；团队没有博士，也不是机器人专家，只能一边买书学 AI、一边准备参赛。飓风 Katrina 还摧毁了他们所在的校园，但他们仍然完成比赛，成绩离 Stanford 只差约半小时。

2007 年 DARPA 把比赛从沙漠移到城市，要求车辆处理更复杂的交互，CMU 的 Chris Urmson 参与并获胜。孟醒用这段历史说明：自动驾驶并不是某个明星创始人的突然发明，而是比赛、研究、失败、人才流动和资金耐心共同积累的结果；“敢不敢做一个自己完全不懂但愿意学的事”，有时是早期突破的真实起点。

四、Waymo 的领导层变化：技术、商业化与组织治理不断重新配重

Waymo 的管理层沿着不同阶段变化：Sebastian Thrun 约在 2009–2013 年负责早期探索；Chris Urmson 在 2013–2016 年承担技术领导；John Krafcik 在 2015–2021 年担任 CEO，带来汽车产业和商业化背景；之后由 Dmitri Dolgov 与 Tekedra Mawakana 等共同承担管理，再逐步调整为技术和产品运营的组合。节目里年份和职位有部分口述重叠，应把它当作阶段性路线，而不是一张经过公司公告逐项校准的任职表。

孟醒认为，换人不一定意味着技术方向推倒重来，但每次换人都在重新回答一个问题：当前最重要的是继续探索、快速迭代、做功能安全，还是证明可以商业化。Anthony Levandowski 是其中一个极端例子。他早期在 Waymo 做激光雷达和系统工作，后来离开创办 Otto，卖给 Uber 后负责 Uber 自动驾驶；Waymo 随后起诉 Uber，争议涉及技术机密和人员流动。孟醒对他的评价是“天才但过于激进”，只看结果而不够在乎过程。这个故事把技术能力与组织信用分开：一个人可能极强，却仍然给公司带来不可承受的法律和治理风险。

另一条线是 Chris Urmson 等技术负责人离开、创办 Aurora。节目并没有把它简单解释成“商业化必然错误”，而是指出 L4 同时属于汽车、AI、软件和出行，技术与合规、量产、运营之间的权重会随着阶段变化。一个技术领导者觉得功能安全和合规太早，另一个管理层却可能认为没有这些就无法进入汽车体系；这不是纯技术争论，而是公司何时把研究项目变成受责任约束的产品。

五、技术架构的迭代：从规则逐步把数据驱动引入最难的部分

孟醒把 Waymo 和整个行业的技术进化讲成一个“分模块、分阶段引入数据驱动”的过程。2009 年左右，系统更多依赖传统机器人和规则：传感器读到什么，规则就决定怎么走。2012 年 AlexNet 代表的深度学习浪潮改变了视觉感知，Waymo 在 2014 年左右把数据驱动引入感知。到了 2017–2019 年，预测也逐步从“根据速度和车道线套规则”转向从人类驾驶数据中学习。2021 年左右，规划控制这块也开始更多使用模仿学习和数据驱动。

这条演化线有两个方向：一是从容易的感知进入更难的预测、规划和控制；二是从某一个模块逐步走向端到端。端到端之所以让工程师着迷，是因为它用一套模型直接把大量问题连接起来，减少模块之间的信息损失，形式上更简单、更漂亮。但 L4 的底线要求很高，系统必须在极端情况下稳定、可解释、可验证；端到端在底线控制上的不稳定，决定了 Waymo 即使在研究层面高度重视，也不会轻易把完全端到端的系统直接当作今天的生产方案。

孟醒估计 Waymo 当时约有两千到两千五百人，属于美国 L4 团队的常见规模；国内 L4 也可能上千人，辅助驾驶团队则因公司口径差异很大。这个数字的意义不是“人越多越强”，而是提醒听众：一个能在城市里长期运行的 L4 系统，远不只是一个模型，还包括数据、仿真、车辆、地图、运维、客服和安全治理。

六、凤凰城的第一次完整体验：从“演示车”变成“我自己叫来的服务”

孟醒在凤凰城 Chandler 体验 Waymo 的关键转折，是把自己从行业从业者身份中抽离出来。他在晚上接近午夜，把车停到 Costco 附近，故意选一个难停的位置，然后像叫 Uber 一样叫 Waymo。车从远处没有司机地开来，车顶有灯，灯上显示乘客姓名缩写；它驶入停车场、绕过复杂路径，最后把服务完成。对他而言，之前看过很多测试和演示，但这是第一次在开放城市里自己发起一趟 24/7 的无人服务。

他把体验拆成三层。第一层是安全：车不能撞，也要能在不确定环境里停下来。第二层是效率：不能因为安全就开得极慢、让周围车辆无法判断。第三层是服务体验：站点不能只在固定路边，车辆要能在一个允许范围内找到合适的上下客位置。Waymo 在 Chandler 的运营区域约为 7 英里乘 10 英里、约 70 平方英里；节目时期已经可以全天候运行，且大多数位置都能上下客，只排除一个“不能停车”的负面清单。

困难场景不在普通道路，而在规则不完整的地方。大型购物中心和 Costco 停车场里有倒车的车辆、推购物车的人和突然出现的小孩，没人能靠车道线直接告诉系统路权。美国住宅区的垃圾日也很考验系统：一排垃圾桶会被摆到道路边，车辆要像躲障碍物一样绕过去，还要找到能停下来的位置。孟醒惊讶的是，Waymo 不只是“能处理”，而且速度没有慢到明显不像人类驾驶。

七、极限测试暴露的不是“有没有 Bug”，而是异常由谁接住

孟醒和团队做了很多不应被普通乘客模仿的边界测试：遮挡传感器、喷水、弄脏设备、故意不关车门、在夜间制造车内异常，还把车辆叫到周末会锁门的停车场。这里的目的不是鼓励破坏运营车辆，而是找系统的边界：什么时候车辆会停车，是否能自检，远程人员是否能理解情况，乘客遇到问题后有没有清晰的退出路径。

一次锁门停车场的测试很能说明问题。车辆按照地图反复尝试进入，发现门锁后停下，却因为默认不能倒车而无法离开；它先绕了几圈，之后请求远程协助。客服系统负责安抚乘客、询问需求，但不能控制车辆；远程协助系统可以帮助车辆脱困，却不一定直接和乘客沟通。于是现场形成乘客、客服、远程协助三方之间的信息链。早期服务人员可能会把内部故障讲得太多，后来随着培训和流程成熟，话术更专业。孟醒观察到，真正的运营能力是在持续迭代，而不是部署车队那天就完成。

他还把 Waymo 和 Cruise 的同类体验作对比：如果乘客突然打开车门，Cruise 可能需要线下安全员到场处理；节目时期的 Waymo 可以在车门关闭后重新自检，确认车辆没有异常，再继续运行。孟醒说 Waymo 在约九成问题上可以在线解决，只有碰撞、硬件损坏、激光雷达停止转动等情况才需要线下人员。这个“九成”是嘉宾现场经验的估计，不是公开运营指标，但它准确指出了 L4 的隐藏工作：无人驾驶并不等于没有人，而是把司机的即时处理拆成车端自检、云端协助、客服、线下维修等角色。

八、追到运营中心：看见车辆怎样回到“母舰”

孟醒没有停在乘车体验。他们根据车辆活动追踪到 Waymo 在凤凰城郊区的运营中心，隔着合法可进入的范围观察车辆进出。节目把它比作一个五六千平方米的大仓库，外面停着上一代、已经有些破旧的测试车，里面有新车型、自动门和充电设施；一辆车出去运行，回来就像小飞船回到母舰补能。

这个画面对听众很重要，因为它把“自动驾驶”从车上的模型拉回车队基础设施：车辆要充电、清洁、检修、更新传感器，还要被调度到需求更高的区域。孟醒说，信息不对称不仅来自公司不公开数据，也来自很少有人愿意在凤凰城四十五度的夏天跑到郊区，观察这些非演示环节。他选择亲自去，一方面因为作为投资和产业从业者需要一手了解领先公司的运营，另一方面是出于对机器人“巢穴”的好奇；他尤其关心边界，而不是公司声称的最好状态。

九、Waymo 与 Tesla 的比较：不是谁更聪明，而是哪一千件事被选择了

孟醒后来在旧金山反复体验 Waymo，也开 Tesla 的 FSD。他的感受是：Tesla 的适配范围和自由度更大，车主可以把车开到任何自己决定的地方，遇到不同场景的覆盖能力很强；但在旧金山市中心，FSD 可能让人紧张，仍会出现必须接管的场景。Waymo 的运行区域受到限制，却把区域内的体验做得稳定、舒适，他多次乘坐没有遇到乘客接管。

这不是“Waymo 全面胜出”的证据。Waymo 用了更贵的硬件、远程协助和专门车队，Tesla 则把成本、覆盖和车主自用放在更重要的位置；Waymo 进不了用户家里的车库，Tesla 在某些场景可以尝试。孟醒给出一个很有用的比喻：如果人类驾驶要解决一万件事，一家公司十年可能只能精力做一千件；Waymo 和 Tesla 各自选择了不同的一千件，中间有交集，但也有大量彼此独立的取舍。评价产品时，不能只问谁“更接近人”，要问它为谁完成了什么任务、把责任放在哪里、用什么成本完成。

十、Cruise 的上升与坠落：从两年四十人到车企重注

Cruise 最早是 Kyle Vogt、Dan Kan 等连续创业者创办的团队，Vogt 有 MIT 机器人背景，团队大约做了两年、四十人左右，就被通用汽车以约十亿美元的价格收购。这个交易在 2016 年形成巨大示范效应：如果两年做出的自动驾驶创业公司可以被传统车企高价买走，那么更多创业者、车企、投资人自然会认为退出路径已经出现。

进入 GM 后，Cruise 仍保留创业团队气质，又获得造车能力、改造车辆和资金；它还做了没有方向盘和后视镜、前后对称的 Cruise Origin。公司为了超过 Waymo 在旧金山这个最难的城市扩张，长期给出行业顶级薪酬，大量吸引人才。孟醒说，Cruise 选择从旧金山开始，逻辑是“只要能搞定最难的地方，其他地方也会更容易”，但这也意味着一旦事故发生，暴露面和外部压力都更大。

事故之后，L4 的责任无法像 L2 那样部分交还给驾驶员。L4 车少、区域可控，理论上可以管理风险；但一旦一个公司把数百辆车放上公共道路，事故会同时触发监管、舆论、客户和董事会的反应。Kyle Vogt 离开，Cruise 的组织势能下滑；孟醒认为它后来“恢复不起来”，不是因为技术瞬间归零，而是创业团队、人才吸引力、GM 的耐心和公众信任构成的正反馈被打断了。

十一、Waymo 为什么低调，Uber 为什么退出：母公司结构会改变耐心

孟醒把 Waymo 与 Cruise 的差异归因于母公司与起点不同。GM 需要证明：为什么一家传统车企要长期养着薪资远高于传统体系的自动驾驶团队，因此 Cruise 的管理层必须不断拿出业绩。Waymo 则是 Google X 内部的长期项目，起初像一个“登月计划”，不是被收购创业公司立刻要向董事会证明独立利润。两者都受到母公司资源和治理影响，但证明压力的时间尺度不同。

他并不因此得出“内部孵化一定比创业公司好”的结论。Aurora、Zoox、Cruise 都是独立创业后被大公司收购或控股，很多技术突破来自创业团队；更准确的判断是，创业公司可能更适合把技术跑出来，但要把技术变成车队、出行平台和长期资产管理，往往需要大公司提供车辆、资金、制造、监管和用户入口。Waymo 是 Google 内部孵化跑得很靠前的例子，但不是唯一可行结构。

Uber ATG 的退出则叠加了几件事：收购 Otto 后卷入 Waymo 诉讼；创始人 Travis Kalanick 在作证和治理变化中离开；Dara Khosrowshahi 更擅长成本和经营，不愿无限期给一个看不到终点的业务投入；更直接的是 Uber ATG 曾发生测试致死事故，暂停测试一年多。孟醒认为，这些因素共同造成了资金、管理、信任和人才的连续损失，最后 Uber 把业务卖给 Aurora。

十二、Zoox、Aurora 与 L4 的商业终点：不是一个“模型时刻”就够了

Aurora 由 Chris Urmson 创办，先获得丰田等投资，后来收购 Uber ATG；节目时期把更多精力放在卡车业务，因为长途运输的单位经济可能比 Robotaxi 更清晰，但它并未完全放弃出行。Zoox 则由独立创业团队发展后被 Amazon 收购，长期坚持自造没有方向盘的车辆，既要做车又要做自动驾驶，还要自己承担车队测试。孟醒认为 Zoox 仍在前进，但测试城市、规模和公开运营都无法与 Waymo 相比。

问到“投入了近百亿美元，Waymo 未来能否赚钱”，孟醒把商业模型拉回美国的劳动力价格：司机成本高且仍在上涨，而传感器、计算芯片和车辆成本长期有下降空间；只要技术能稳定工作，Robotaxi 和自动驾驶卡车在美国存在跑通单位经济的可能。但技术能过关、车辆能量产、车队能运行、单位经济能成立，是四个不同的验证阶段。Waymo 在单车体验和一部分量产上有进展，规模化运营和完整财务闭环仍需时间。

因此他不认为 L4 会有一个类似 ChatGPT 的单日爆发时刻。技术层面，Waymo 在旧金山让一辆车像 Uber 一样 24/7 服务，已经可以被某个乘客体验到；商业层面，真正接近“XGPT 时刻”的标准可能是一家公司运营一万辆车，跨一个或多个城市，订单能填满，价格有竞争力，单位经济为正。它更像一个逐渐向上的业务曲线，而不是一次发布会的陡升。

Waymo 要不要挑战 Uber，也取决于它选择做平台还是只做供给。早期 Waymo 同时做车和打车平台，现在更可能接入 Uber，把自动驾驶车辆作为供给侧接入需求平台。直接重建司机与乘客双边市场的成本，可能比做 L4 技术还高；但 Google 既有用户入口、又面对 Uber 与 Lyft 的分裂市场，仍然存在战略选择。至于 Tesla Robotaxi，孟醒认为它在有限时间内实现复杂环境、24/7 全无人服务非常困难；Tesla 可以宣布自己的“L4”，但行业必须继续追问它是否承担同样的责任和运营约束。

节目最后没有预测谁一定做到 L5。孟醒只说，低成本硬件加上极强软件在遥远未来可能把 L2 与 L4 的差异重新合并，但今天没有证据说明这条路已经清晰。节目用一首歌收尾，提醒听众：真正重要的是把这段很长的路走完，而不是提前把终点写成新闻标题。

以上是原文讲解。下面才进入本文自己的结构化抽象、证据审计与独立判断。

核心判断：L4 的竞争不是“模型最强”，而是“异常、责任与成本都能被接住”

这期最重要的转折，是把自动驾驶从车上的算法重新放回一整套服务：车辆要在开放环境工作，远程人员要处理异常，运营中心要完成补能与维护，平台要找到订单，母公司要承受多年投入，事故发生后还要有能力修复信任。Waymo 的领先更像是在这些环节上没有犯致命错误，并且把系统不断做稳，而不是因为它在每一项技术上都拥有神秘的差异化。

问题背景：为什么“无人驾驶”最容易把一次体验误读成一个行业终局

普通乘客一次坐得很顺，只能证明当天、那条路线、那辆车完成了任务；它不能直接证明整个城市所有时段都安全，也不能证明车队能在没有额外线下成本的情况下持续运转。L4 的难点恰恰在那些没有被演示剪掉的部分：停车场、垃圾桶、锁门的场地、乘客突然开门、传感器被遮挡、车辆没电、远程人员如何说话、谁承担事故。

节目把这些问题讲清楚之后，Waymo 与 Tesla 的差异也不再是简单的“谁领先”。Waymo 选择更小的运行域、更昂贵的设备和更强的责任闭环；Tesla 选择更大的覆盖、更低的单位硬件成本和由车主承担接管责任的产品。两条路线都可能有价值，但必须用不同的证据评价。

机制拆解：L4 公司的真实交付链

把访谈里的隐含逻辑写成一条链，就是：感知与规划 → 车辆执行 → 无人运行 → 云端协助 → 车队运维 → 乘客服务 → 订单密度 → 单位经济。任何一环的失败，都会把“自动驾驶技术”重新变成一个需要人补洞的昂贵系统。

这也解释了为什么“一辆车能跑”与“万辆车能赚钱”之间不是线性关系。规模越大，车辆、订单、服务人员和异常事件同时增加，原本被单车体验遮住的成本会被放大；只有当车端可靠性、运营流程和需求密度一起提升，规模才会把单位成本压低。

关键证据与口径审计

以下把节目中的数字和历史叙述拆成不同证据等级。节目本身可以证明“孟醒这样讲过、并用它支持了什么判断”，但不能自动把他的估算变成独立统计。

术语解释：读懂这期节目需要先分开的几个概念

边界与风险：这期节目没有证明什么

同样，Waymo、Cruise、Uber、Zoox 和 Aurora 的人员、融资、估值与时间线中有不少来自节目时期的口述，不能在没有逐项核对公司公告的情况下当作完整行业数据库。

独立判断：L4 的真正护城河，是把“异常”变成可管理的日常工作

我的判断是，这期节目最有价值的地方不在于它把 Waymo 讲得多神，而在于它把 L4 的护城河从“模型准确率”移到了异常管理。停车场没有路权、垃圾桶挡路、车门突然打开、地图过期、场站锁门，这些场景每一个都不够宏大，却共同决定一辆车能否成为服务。

因此，判断一个 L4 团队是否接近商业化，可以优先看三类数据：第一，失败是否能被系统及时发现并安全收敛；第二，远程协助是否从人工救火变成结构化流程；第三，线下车队成本是否随规模下降而不是同步爆炸。模型能力当然重要，但如果每一次异常都需要派人到现场，所谓无人只是把司机换成更昂贵的运营链条。

这也给 L2/L4 路线争论提供了一个更精确的答案：不是问谁“更先进”，而是问谁愿意承担哪种责任。L2 把开放世界的复杂性部分交回人，换取更大覆盖和更低成本；L4 把责任收回系统，换取在限定区域内的无人服务。只要责任分配不同，路线就不应被强行压成一条线。

证据边界与资料索引

本文以节目完整音频为主要材料，按官方章节和正式片头约 00:54 之后的问答重建；开头预告单独标注。Waymo、Cruise、Uber ATG、Zoox、Aurora 的历史、管理层、投入、估值、车辆数量和运营比例，凡未由独立一手资料在正文中另行说明，均保留为孟醒在节目时期的口述、估算或判断。专名按节目语境和公开标题校正，不把自动转写错误当作原文。

• 张小珺商业访谈录 #74：从蒸汽机到无人驾驶4｜Waymo 和它的对手们
• 小宇宙节目页：#74 Waymo 和它的对手们
• 系列关联节目：#70 和何小鹏聊 FSD 与大模型
• 系列关联节目：#71 和楼天城聊 Robotaxi
• 系列关联节目：#72 孟醒谈 Tesla Robotaxi