2026-06-18 — views

实体 AI 车队调度 — Waymo 如何实时路由 1,100 辆车，以及为何调度系统是隐形竞争护城河

Waymo 调度 OS 实时路由 1,100 辆自动驾驶车，是乘车量的乘数效应，也是难以复制的隐形竞争护城河。

实体 AI 基准系列第 118 篇 — 实体 AI 车队调度：Waymo 如何实时路由 1,100 辆车、调度效率如何决定乘车量上限，以及车队操作系统为何是隐形竞争护城河

商业自动驾驶车辆运营中最重要的软件，不是能看见世界的感知堆栈，也不是选择如何驾驶的规划模块。而是调度系统——这个车队操作系统决定了 1,100 辆车中哪一辆接哪位乘客、每辆车何时充电、空闲车辆如何在需求出现前预先定位，以及整个车队如何实时响应道路事故、地理围栏边界和需求高峰。这个软件对乘客完全不可见，乘客只看到预估到达时间和一辆到来的车。但调度系统是车队每一笔硬件和基础设施投资的乘数。

一支调度能力差的 1,100 辆车队，每天可能只产生 3,000 次乘车——平均每辆车约 3 次，大部分时间浪费在空驶里程、充电间隙和定位不当上。同一车队，如果调度能力优秀，每天可产生 6,000 次或以上的乘车——在不增加任何车辆的情况下，从同一资本基础将营收翻倍。AV 运营商手中没有其他任何杠杆能达到如此量级的影响。感知硬件是固定的；路线是固定的；监管区域是固定的。调度效率是唯一可以在不改变车队任何可见要素的情况下让乘车经济性翻倍或减半的变量。

本文将调度层作为实体 AI 基准第 118 个维度进行分析，研究车队 OS 必须优化什么、每车每日乘车次数如何成为核心吞吐量指标、生产级调度系统架构是什么样子，以及 Waymo 和 Tesla 不同的车队哲学如何创造出根本不同的调度挑战。

第一节 — 车队调度的优化目标

车队调度是一个多目标实时优化问题。与优化单辆车路线的导航系统不同，车队调度系统必须同时跨数百或数千辆车进行优化，平衡那些经常相互冲突的目标：最小化等待时间需要调派最近的车辆，但最小化空驶里程则需要让车辆停留在预测需求区域，而非追逐每个单独请求。

调度目标	控制内容	对乘车经济性的影响
乘客与车辆匹配	哪辆车接哪位乘客；在最小化 ETA 与最小化空驶之间取得平衡	匹配差 = 等待时间长（失去乘客）和空驶里程高（浪费能源和成本）
空驶里程（回程）最小化	在请求到达前，将空闲车辆路由至需求区域	每空驶一英里约花费 $0.15–0.30 在能源和折旧上，但零收入（估计值）
充电窗口优化	在低需求时段（凌晨 2–6 时）安排充电；平衡电量与可服务性	充电安排差 = 峰值需求时车辆被抽离服务；或车辆以低电量运行
地理围栏边界管理	追踪哪些车辆正在接近运营边界；在车辆离开区域前重新路由	滞留在围栏边缘的车辆会减少有效车队规模
事故重新路由	检测道路封闭、事故、施工；实时重新路由受影响车辆	调度必须在车辆到达前检测事故；基于 HD 地图的车队获得地图更新；视觉识别车队实时检测
需求预测	预测未来 15–30 分钟的需求地点；预先定位车辆	正确预先定位可减少 ETA；错误预先定位会浪费空驶里程
多车协调	防止多辆车同时汇集到同一个接客地点	车队协调防止在高需求区域”车辆堆积”

ETA 最小化与空驶里程最小化之间的冲突是车队调度的核心张力。一个总是派最近车辆的简单系统，虽然会最小化个别 ETA，但由于车辆从错误方向汇聚到需求热点，会产生高空驶率。一个基于需求预测来预先定位车辆的系统，由于车辆已经在乘客即将发出请求的地点附近，整个车队的平均 ETA 会更低——但任何在非预测地点发出请求的乘客都将面临更长的等待。生产调度系统通过同时权衡 ETA、需求概率、车辆分布和能源成本的 ML 模型来应对这一张力。

第二节 — 每车每日乘车次数：核心效率指标

车队每日可产生的乘车量是车队规模与每车每日乘车次数的乘积。每车每日乘车次数不由车辆硬件决定——完全运营状态的车队中每辆车都有能力完成乘车。它几乎完全由调度系统决定：如何高效率地将车辆与乘客匹配、车辆花多少时间在空驶转场、以及充电管理的好坏是否能让车辆在高峰时段保持可用。

场景	每车每日乘车次数（估计值）	驱动因素	营收影响
基准（调度差）	每车每日 8–12 次（估计值）	等待时间长、空驶里程高、需求预测差	平均每次 $12：每车每日 $96–144（估计值）
良好调度	每车每日 15–20 次（估计值）	平均 ETA 5 分钟，空驶率 15%（估计值）	平均每次 $12：每车每日 $180–240（估计值）
优秀调度	每车每日 25–35 次（估计值）	密集区域平均 ETA 3 分钟，空驶率 10%，持续利用	平均每次 $12：每车每日 $300–420（估计值）
Uber/Lyft 人类司机（对比）	每司机每日 15–25 次（估计值，全职密集城市司机）	司机自选工作时段和地点；无中央优化	因司机策略而异
Waymo 凤凰城车队（估计值）	整个车队约每车每日 18–25 次（估计值）	凤凰城：24/7 运营，天气良好，成熟调度系统	1,100 辆 × 20 次 × $12 = 凤凰城车队估计每日 $264K 营收
车队整体影响	1,100 辆 × 20 次 = 每日 22,000 次（估计值）	约等于每周 154,000 次——与 Waymo 公布的每周 150K+ 里程碑吻合	车队规模 × 调度效率 = 乘车量

每车每日乘车次数为从已披露数据反推 Waymo 调度效率提供了依据。Waymo 报告其横跨凤凰城、旧金山和洛杉矶约 1,100 辆商业车辆每周完成超过 150,000 次乘车。这意味着每日超过 21,000 次，即每车每日约 19–20 次——位于上表”良好调度”层级，远超同等硬件配置下调度能力差的系统所能产生的数字。

第三节 — 调度架构：车队 OS 必须做到什么

1,100 辆车的生产车队调度系统，是一个在亚秒延迟约束下运行的实时分布式系统。它吸收车辆状态更新、乘车请求和环境数据的连续流；持续运行优化算法；并发出车辆必须以最小延迟执行的路由和分配指令。

系统组件	功能	技术挑战
实时车辆状态追踪	每秒了解每辆车的位置、速度、电池电量和乘客状态	1,100 辆 × 10 次状态更新/秒 = 每秒 11,000 条状态消息；必须在 100ms 以下延迟处理（估计值）
需求预测模型	基于地理、时间、天气、活动的历史乘车请求模式训练的 ML 模型	重大活动（音乐会、比赛）造成突发需求高峰时，必须实时更新预测
ETA 计算引擎	对每个进入的乘车请求，实时计算所有可行车辆的 ETA	每周 150K+ 次乘车，高峰需求 = 数十个同时请求；必须在秒内计算 100+ 个车辆-请求对的 ETA
路线优化	给定分配后，计算从当前车辆位置到接客点到目的地的最优路线	必须纳入实时交通、地理围栏约束、施工改道、充电站位置
充电调度器	决定每辆车何时返回站点充电；平衡电量下限与需求可用性	为 1,100 辆车安排交错需求周期的充电是一个非平凡的调度问题
异常检测	检测异常行为的车辆（卡住、困惑或中途停车），并调派远程协助	早期检测防止轻微车辆困惑演变为公共事件
车队再平衡	在需求转移期间将车辆从低需求区域移到高需求区域	凤凰城：机场需求在早上 6 时（入港航班）和晚上 9 时激增；车队必须预先定位

第四节 — Tesla 的网络架构：不同的设计哲学

Tesla 进入商业 AV 市场带来了根本不同的车队调度挑战。Waymo 在完全中央控制下运营公司拥有的车队，而 Tesla 的机器人出租车网络设计围绕着混合模式：在高密度区域部署 Tesla 拥有的 Cybercab 车辆，同时辅以消费者拥有的 Model Y 和 Model 3 车辆——在车主不需要时加入网络。

维度	Waymo 车队方式	Tesla 机器人出租车网络方式
车辆所有权	Waymo 拥有并运营整个车队；完全调度控制	混合：Tesla 拥有的 Cybercab 车队和加入网络的消费者拥有车辆
调度控制	中央化 Waymo 车队 OS 控制每辆车	消费者拥有车辆：车主优先覆盖；车主需要时车辆离开网络
车队可用性可预测性	100% — Waymo 决定车辆何时服务	消费者拥有：可用性不可预测；车主自用时将车辆从网络移除
充电控制	Waymo 控制整个车队的充电时间表	消费者拥有：车主控制充电；车辆可能以低电量进入网络
地理围栏管理	严格地理围栏；所有车辆在定义边界内运行	在映射/核准区域外运行的消费者车辆：管理复杂
网络效应	更多车辆 = 更密集覆盖 = 更低 ETA = 更高 NPS = 更多乘客 = 购买更多车辆的收入	Tesla 论点：消费者车队以几乎零车队成本为 Tesla 提供大规模网络密度；车主获得收入
经济风险	Waymo 承担所有车辆资本支出；车队扩张需要资本	Tesla：消费者承担车辆成本；Tesla 建立调度软件和高密度区域的 Cybercab
调度效率	完全可优化——无消费者优先冲突	消费者拥有：调度必须尊重车主优先覆盖；理论上次优，但具有巨大规模潜力

第五节 — 调度效率基准

调度效率可沿多个运营维度衡量。这些指标直接转化为乘车经济性、单位经济性，以及最终通向车队盈利的路径。

指标	Waymo 基准（估计值）	Tesla 目标（估计值）	为何重要
地理围栏内平均 ETA	4–6 分钟（估计值，基于公布乘车量和车队规模）	Cybercab 区域目标 3–5 分钟（估计值）	低于 5 分钟：与 Uber 有竞争力；高于 8 分钟：乘客转换
空驶率	总行驶里程的 15–20%（估计值）	规模化目标低于 15%（估计值）	每空驶里程都是纯成本；行业效率基准
车辆使用率	可用时数的 65–75% 产生收入（估计值）	车队车辆目标 70–80%（估计值）	剩余时间：充电、站点、清洁、异常解决
高峰需求激增管理	车队预先定位将活动时的激增控制在正常 ETA 的 2 倍（估计值）	—	激增管理差：ETA 激增时乘客转向 Uber
充电时间表效率	目标：高峰时段零车辆电量低于 20%	—	电量下限防止需求高峰使乘客陷入困境
每车每日乘车次数	成熟凤凰城车队估计 18–25 次	优化 Cybercab 区域目标 25–35 次（估计值）	每辆车的关键营收乘数

调度系统的隐形特性恰恰使其成为持久的竞争护城河。AV 市场的新进入者原则上可以采购与 Waymo 相同的传感器硬件、授权 HD 地图数据、招募曾任职 AV 感知领域的工程师。但它无法快速复制一个针对数百万次真实乘车进行了优化、在特定城市真实需求模式上进行了校准、通过多年运营反馈进行了调优的调度系统。在凤凰城周二早上 6 时（棒球赛季期间）预测需求出现位置的算法、在特定地理围栏配置中平衡 ETA 与空驶里程的模型、针对数千个边缘案例训练的异常检测系统——所有这些积累的运营学习都嵌入在车队 OS 中。它不被披露，在大多数具体方面不可申请专利。它随车队完成的每一次额外乘车而复利增长。

以 2026 年中期每周 150,000 次乘车的速度，Waymo 正在以目前任何竞争对手都无法匹敌的速度积累调度智能。这就是护城河。不是车辆。不是地图。而是那个实时路由 1,100 辆车、隐形地运作、达到需要多年才能建立且无法现成购买的优化水准的软件。

注意： 所有标注”（估计值）“的数字均来自截至 2026 年中期的公开信息、工程估算和行业报告。Waymo 未公开披露调度系统规格、空驶率或车辆使用率数据；估算为方向性数据。本文不构成投资建议。