2026-06-18 — views
实体AI能源足迹——自动驾驶车辆与人形机器人的环境成本
LIDAR传感器、训练算力、稀土材料：自动驾驶车辆与人形机器人的完整生命周期环境成本全面解析。
实体AI基准系列第70篇——环境成本
自动驾驶车辆和人形机器人通常被定位为清洁技术的胜利：电动马达取代燃油发动机、软件智能取代易错的人类行为。这一框架部分正确，但它仅捕捉到驱动能耗——一旦加入LIDAR传感器套件、传感器融合计算堆栈、数十亿模拟训练里程，以及砷化镓激光二极管和钕磁铁执行器的采矿足迹，驱动能耗便不再是全貌。
随着AV车队规模超过数千辆商业车辆，人形机器人生产接近有意义的制造规模，实体AI的完整生命周期环境成本正成为监管机构、机构投资者和注重可持续发展的采购团队的重要关注点。本文从五个维度绘制这一成本图：每英里运营能耗、训练算力碳排、传感器制造材料、车队规模电网影响，以及两家领先AV运营商的不同可持续发展定位。
第一节——每英里能耗：AV vs 人驾EV vs 燃油车
任何车辆最直接的环境问题是每英里消耗多少能量。对于AV而言，这一计算有两个传统EV不具备的组件：传感器阵列，以及实时处理传感器数据所需的车载计算堆栈。
| 车辆类型 | 驱动能耗 (kWh/英里) | 车载计算能耗 (kWh/英里) | 总能耗/英里 | 备注 |
|---|---|---|---|---|
| 燃油轿车（美国平均） | ~1.1 kWh/英里（等效） | ~0 | ~1.1 kWh/英里equiv. | 汽油；33.7 kWh/加仑等效；平均30 mpg |
| 消费者EV（Tesla Model 3） | ~0.25 kWh/英里 | ~0.002 kWh/英里 | ~0.252 kWh/英里 | 高效率；最低车载计算 |
| 搭载FSD的EV（HW4） | ~0.25 kWh/英里 | ~0.005–0.008 kWh/英里（估） | ~0.257 kWh/英里 | FSD HW4计算增加约2–3%能耗（估） |
| Waymo Gen 5（捷豹I-PACE） | ~0.35 kWh/英里（I-PACE基准） | ~0.08–0.15 kWh/英里（估） | ~0.43–0.50 kWh/英里（估） | LIDAR套件+全传感器阵列+计算负载显著 |
| Waymo Gen 6（专用车） | ~0.28 kWh/英里（估，更轻车体） | ~0.05–0.10 kWh/英里（估） | ~0.33–0.38 kWh/英里（估） | 专用车体降低基础能耗；计算效率提升 |
| Tesla Cybercab（目标） | ~0.20 kWh/英里（估，2座专用车） | ~0.005–0.008 kWh/英里（估） | ~0.205–0.208 kWh/英里（估） | 纯视觉方案——无LIDAR耗电；最小计算足迹 |
全栈AV相对简单消费者EV最主要的能源溢价来源是LIDAR——既包括传感器本身，也包括实时处理其点云数据所需的算力。单个旋转式机械LIDAR装置可持续消耗8–25W。Waymo完整传感器套件——LIDAR阵列、雷达、摄像头，以及实时融合所有数据的计算堆栈——估计持续功耗为1–3 kW（估），相比同类EV平台，每英里能耗增加约30–60%。
Tesla的纯视觉方案完全消除了这一传感器能耗开销。Cybercab在专用轻量硬件上运行视觉方案，目标是所有商业机器出租车平台中最低的每英里能耗。这是纯视觉架构被低估的环境优势之一——在车队规模下，这一优势将成倍放大。
第二节——训练算力：教会AV驾驶的碳排成本
商业AV在现实中安全行驶的每一英里，背后都有数量级更多的模拟里程作为支撑。训练驱动现代AV系统的神经网络——以及运行生成训练数据的模拟管线——所消耗的算力规模媲美最大的基础模型。
| 系统 | 训练算力（估） | 能源消耗（估） | CO2当量（估） | 备注 |
|---|---|---|---|---|
| GPT-4（参考点） | ~2.1x10²⁵ FLOPs（OpenAI公开估计） | ~50 GWh（估） | ~25,000吨CO2（估） | 规模参考 |
| Tesla FSD（累计，2024） | 未披露；Dojo集群~1 exaFLOP算力 | 未披露 | 未披露 | Tesla Dojo使用自研D1芯片；相比GPU集群效率优势（估） |
| Waymo（累计） | 未披露 | 未披露 | 未披露 | 使用Google Cloud TPU；能源结构来自Google可再生能源承诺 |
| Waymo模拟 | ~200亿模拟英里/年（估） | 大量云计算 | 部分被Google 100%可再生电力采购协议抵消（估） | 模拟是主要训练数据倍增器 |
| 人形机器人训练（每个新模型） | 小于AV（数据多样性要求较低） | ~1–10 GWh（估） | ~500–5,000吨CO2（估） | 非常粗略的估计；无公开数据 |
模拟是使现代AV系统切实可行的训练倍增器。据报道Waymo每年运行数百亿模拟英里——远超实际车队里程。模拟的算力成本不可忽视，但Google通过电力采购协议的可再生能源承诺抵消了相当部分。Tesla的Dojo集群基于自研D1芯片优化神经网络训练，主要依靠德克萨斯州ERCOT电网——其碳强度与Google Cloud可再生能源匹配的算力有本质差异。
第三节——传感器制造：稀土与材料成本
实体AI的环境成本在车辆转动车轮之前便已开始。实现AV运营的传感器阵列需要供应链高度集中、有毒副产品和有限生命末期回收途径的材料。
| 组件 | 关键材料 | 环境问题 | 备注 |
|---|---|---|---|
| LIDAR（旋转/固态） | 砷化镓（GaAs）、砷化铟镓（InGaAs）、铝砷化镓激光二极管 | GaAs/InGaAs采矿产生有毒含砷废物；回收途径有限 | 每辆Waymo车辆携带多个LIDAR装置 |
| 摄像头图像传感器 | 硅（丰富）；色彩滤波器中部分稀有材料 | 环境影响低于LIDAR | 商品化规模制造 |
| 雷达模块 | 硅、氮化镓（GaN）用于毫米波 | GaN生产环境足迹适中 | 规模化制造日益增加 |
| AI计算芯片（NVIDIA DRIVE、Tesla HW4） | 硅、钨、钴、铪（EUV栅介电质） | 台积电晶圆厂用水~156,000吨/天；晶圆厂化学品有害废物 | 台积电在水资源紧张的台湾的晶圆厂带来长期供应风险 |
| 电动马达（AV+人形机器人） | 钕、镝（稀土磁铁） | 中国控制约85%的稀土加工；采矿和加工污染严重 | 适用于所有EV牵引马达和人形机器人执行器 |
| 电池（AV+人形机器人） | 锂、钴（NMC）、LFP（铁、磷酸盐） | 锂矿开采（盐水/硬岩）破坏生态系统；刚果民主共和国钴矿开采存在人权问题；LFP降低钴依赖 | Tesla转向LFP降低钴敞口 |
LIDAR激光二极管的砷化镓供应链是AV平台特有的最迫切材料问题。与硅不同，砷化镓生产产生含砷废物流，安全处置选项有限。LIDAR装置也不在任何既有电子回收计划的覆盖范围内——随着商业车队开始更换车辆，传感器生命末期处置是一个尚未解决的责任问题。
第四节——车队规模电网影响
在车队规模较小时，AV充电负荷可被现有电网基础设施吸收，不造成明显影响。随着车队规模扩大到数万乃至数十万辆，总充电需求成为电网规划的考量因素——而在人形机器人全面工厂部署规模下，这一需求可与中型城市的工业负荷相当。
| 场景 | 车队规模 | 日能源需求 | 电网等效 | 备注 |
|---|---|---|---|---|
| Waymo现状 | ~1,500辆（估） | ~1,500 x 200英里/天 x 0.45 kWh/英里 = ~135 MWh/天（估） | ~5,600个美国家庭（估） | 适中；可被本地电网完全吸收 |
| Waymo达到10,000辆 | 10,000 | ~900 MWh/天（估） | ~37,500个美国家庭（估） | 需要有序充电避免峰值需求激增 |
| Tesla Cybercab达到100,000辆 | 100,000 | ~100,000 x 200英里 x 0.21 kWh/英里 = ~4,200 MWh/天（估） | ~175,000个美国家庭（估） | 显著；必须分散至非峰值时段 |
| 人形机器人（工厂100万台） | 1,000,000 | ~1M x 8小时 x 0.5 kW = ~4,000 MWh/天（估） | ~167,000个美国家庭（估） | 工厂选址；可移至非峰值时段 |
车辆到电网（V2G） 是从根本上颠覆电网影响论点的正向外部性。一个拥有50 kWh电池、平均荷电状态50%的10万辆AV车队，代表约2,500 MWh的分布式储能——相当于一个公用规模的电池装置。V2G能力的AV车队可在峰值需求窗口提供电网平衡服务，抵消充电负荷，甚至可能提供净电网稳定效益。
第五节——可持续发展定位：Waymo vs Tesla
两大领先AV平台具有结构性不同的可持续发展特征——主要由多年前在环境影响尚未成为竞争差异化指标时所做的传感器架构选择所决定。
| 维度 | Waymo | Tesla |
|---|---|---|
| 能源来源（训练） | Google Cloud——100%可再生能源匹配（电力采购协议） | Dojo自建——德克萨斯电网结构（估ERCOT 2026约25%可再生，估） |
| 车辆能源效率 | 每英里较高（全LIDAR套件）；Gen 6有所改善 | 每英里较低（纯视觉，更轻的Cybercab）；结构性优势 |
| 车队充电可再生比例 | 充电站充电可通过PPA实现可再生匹配 | 超充网络约70%可再生（Tesla公开估计） |
| 传感器生命末期 | 无已发布的LIDAR装置回收计划 | 无LIDAR可回收；摄像头传感器为商品 |
| 稀土敞口 | 高——LIDAR激光二极管使用GaAs/InGaAs | 较低——纯视觉降低稀土传感器敞口；EV电池磁铁敞口仍存在 |
| 碳信披 | Alphabet发布年度可持续发展报告；含Waymo数据 | Tesla发布影响力报告；含详细车辆生命周期分析 |
| 整体评估 | 较高运营足迹（LIDAR），被Google可再生训练部分抵消 | 较低每英里运营足迹；每年600万+辆的制造足迹是主导项 |
第六节——投资者信号
环境影响正从声誉考量转变为AV运营商的监管和财务问题。欧盟碳边界机制、美国SEC气候披露规则以及机构ESG授权正在为生命周期碳排特征创造切实的财务后果。
LIDAR能耗溢价是全栈AV运营商在规模化运营中持久的每英里成本逆风。传感器生命末期的未解问题——含砷的LIDAR组件缺乏既有回收计划——将在第一代车队退役时演变为监管和责任敞口。
V2G能力是当前ESG框架低估的真实环境上行空间。与电网合作伙伴建立V2G商业协议的车队运营商，将能够申请有意义抵消充电足迹的电网稳定积分，并创造传统车队运营中没有类比的收入来源。
第七节——关于本系列
这是实体AI基准系列的第70篇文章。本文增加了环境维度：从燃油车到纯视觉机器出租车的全AV能耗谱系、大规模模拟训练算力碳排成本、AV可持续分析通常忽略的传感器制造材料和稀土供应链、多个部署场景下的车队规模电网影响，以及由传感器架构选择驱动的Waymo和Tesla不同可持续发展定位。
注： 能耗数字、车队规模估计、电网等效计算和训练算力估计标注为”（估）“，反映公开报告、行业分析和分析师估计（在主要数据不可用时）。目前没有AV运营商发布涵盖本文所有分析维度的完整生命周期环境披露。本文不构成投资建议。
来源
- Alphabet可持续发展报告 — Google环境报告 ↗
- Tesla影响力报告 — Tesla ↗
- TSMC用水量与可持续发展 — TSMC企业社会责任报告 ↗
- Waymo安全与运营 — Waymo ↗
- 稀土供应链 — IEA关键矿物报告 ↗