2026-06-18 — views

实体 AI 车队运营 — Waymo 远程操作中心 vs Tesla OTA 更新：2026 车队管理基准测试

Waymo 以人工远程操作员处理无人驾驶边缘场景。Tesla 通过 OTA 将 FSD 更新推送至逾百万辆车，每辆边际成本几近于零。

概览

每辆自动驾驶车辆背后都有一套车队运营基础设施：公司如何监控车辆、处理边缘场景、推送改进，并在城市间扩展规模。Waymo 依赖远程操作中心（ROC），由人工操作员协助车辆应对异常场景。Tesla 则依赖空中下载（OTA）软件更新，将 FSD 改进同时推送至数百万辆车。本文对两种车队管理哲学及其对成本、可扩展性和可靠性的影响进行基准测试。这是实体 AI 基准测试系列第 167 篇。

第一节 — Waymo 远程操作：人在回路的基础设施

Waymo 的商业无人驾驶车队在车内无安全驾驶员的情况下运行。当 Waymo 车辆遇到无法自主解决的场景时，可向远程操作中心的人工操作员请求协助。

ROC 维度	Waymo 详情	战略意义
远程操作的功能	当 Waymo 车辆遇到无法自主解决的场景——异常道路几何、车道受阻、行人行为混乱、施工场景——可向 ROC 人工操作员请求协助；操作员查看车辆传感器画面并提供指引（如”通过施工区”）	远程操作是”完全自主”与”需要人类驾驶员”之间的安全网；它允许 Waymo 在 AI 信心低于自主行动阈值的场景下进行商业运营
远程操作员与车辆比率	未公开披露；行业估计早期 AV 项目需要每辆车 1–3 名远程操作员；Waymo 的目标是将比率降低至 1 名操作员同时管理多辆车（估计）；目前具体比率未公开	远程操作员比率是 Waymo 商业模型最重要的单位经济杠杆之一：每车 1 名操作员时，每趟远程操作劳动成本很高；每 100 辆车 1 名操作员时，成本几乎可忽略
远程协助请求频率	未披露；Waymo 已描述其目标为”随 AI 改进逐步减少远程协助请求”；预计随车队里程累积和边缘场景学习，频率将下降	请求频率下降意味着 AI 能自主处理更多场景；此指标直接驱动远程操作员比率的改善
ROC 基础设施成本	每个 ROC 需要设施成本、人工操作员劳动力（24/7 覆盖）、低延迟连接，以及专用监控软件；Waymo 在每个商业城市运营 ROC	ROC 基础设施是商业启动前必须建立的每城市固定成本；它是快速扩张至新城市的重要障碍
延迟要求	远程协助必须在允许安全车辆控制的延迟限制内运行；基于指引的 ROC（相较于远程操控）更具容忍度——Waymo 的 ROC 提供指引而非直接控制方向盘	基于指引的 ROC 允许更高的延迟容忍度；4G/5G 连接足以应对大多数场景，无需在所有地方部署超低延迟 5G
扩展挑战	随着 Waymo 扩展至更多城市和更大车队，ROC 基础设施必须按比例扩展——除非远程协助请求率下降速度超过车队增长速度	基本 ROC 扩展方程式：若 AI 改进速度超过车队扩展速度，ROC 成本占收入比例缩小；若车队扩展更快，ROC 成本增长
ROC 策略总结	远程操作是 Waymo 短期的商业使能器，也是中期最重要的成本降低目标。Waymo 盈利之路直接取决于降低远程操作员与车辆的比率。Waymo 尚未披露时间表或目标比率，但这一比率的每个百分点改善都直接影响单位经济效益。

第二节 — Tesla OTA 更新：软件即车队管理

Tesla 通过 WiFi 将 FSD 软件更新同时推送至所有启用 FSD 的车辆。单一模型改进可在一夜之间覆盖估计逾 100 万辆车——无需服务中心、无需人工 ROC 操作员、无需单车成本。

OTA 维度	Tesla 详情	战略意义
OTA 更新对 FSD 的作用	Tesla 通过 WiFi 将 FSD 软件更新同时推送至所有 FSD 车辆；改善城市路口处理的 FSD 更新可在一夜之间覆盖估计逾 100 万辆车；无服务中心、无人工 ROC 操作员、无单车成本	OTA 是 Tesla 对 ROC 的回答：不是让人类实时协助个别车辆，而是改进 AI 模型并一次性推送至整个车队
OTA 更新频率	Tesla 频繁推送 FSD 更新——在积极开发期间每月多次；每次更新可包含感知改进、规划变更和新功能解锁	高更新频率意味着 Tesla 车队能力持续改进；一月份需要人工干预的场景在三月份更新后可能自主处理
影子模式与车队学习	OTA 更新推送前，Tesla 通过”影子模式”验证：新模型在数千辆车上与当前模型并行运行，静默地做出预测；若新模型意外偏离，则验证失败	影子模式是 Tesla 的车队规模 QA 系统；由于 Tesla 车队规模庞大，它提供了其他 AV 公司无法比拟的统计显著性验证
车队作为集体智慧	每辆启用 FSD 的 Tesla 同时在收集训练数据、验证影子模式预测并受益于 OTA 改进；车队共同生成训练数据，改进模型，再推送回车队	这是 FSD 飞轮：更多车辆 → 更多训练数据 → 更好的模型 → 更好的 FSD → 更多车辆购买 FSD；飞轮随时间增长
OTA 基础设施成本	OTA 更新基础设施（服务器、带宽、验证管道）是随车队规模亚线性增长的固定成本；向第 100 万零 1 辆车推送 OTA 更新的边际成本几乎可忽略	OTA 是 Tesla 最高效的车队管理工具：通过 OTA 改进 100 万辆车的成本与改进 10 万辆车大致相同
OTA 的局限性	OTA 无法处理当前模型无法解决的实时边缘场景；若 Tesla FSD 遇到今天无法处理的场景，人类驾驶员必须立即干预——没有 ROC 等效机制	缺乏 ROC 等效机制意味着 Tesla 在 AI 自主能力率足够高之前，无法商业部署完全无人驾驶车辆
OTA 策略总结	OTA 是 Tesla 最强大、最可扩展的车队管理工具：单一模型改进以几乎零边际成本同时惠及每辆车辆。局限性在于 OTA 在训练周期时间尺度（天到周）上运作，而非实时时间尺度（毫秒到秒）。对于当前模型无法处理的场景，没有 OTA 修复能在当下提供帮助。

第三节 — 车队运营比较

运营维度	Waymo ROC	Tesla OTA	优势
实时边缘场景处理	远程操作员实时协助车辆（秒至分钟解决）	无实时协助；人类驾驶员必须干预；奥斯汀 Robotaxi 有安全驾驶员	Waymo（无安全驾驶员的无人驾驶边缘场景解决）
车队改进传播	新 AI 模型训练、验证、部署至车队；ROC 协助尚未学习的场景	新模型训练、影子模式验证、OTA 推送至逾 100 万辆车	Tesla（车队整体改进的速度和规模）
规模化运营成本	ROC 劳动成本与车队规模成正比，除非远程协助率下降；每城市高固定成本	OTA 基础设施成本随车队规模亚线性增长；规模化后边际成本接近零	Tesla（成本结构随规模改善）
新城市启动成本	每个新城市需要建立 ROC（设施、操作员、连接）；重大的每城市固定成本	新城市 = 含新地理的 FSD 更新；几乎零增量基础设施成本	Tesla（城市扩张通过 OTA 几乎免费）
完全无人驾驶的可靠性	ROC 在 100% 自主能力实现前启用商业无人驾驶运营	无 ROC 等效；无人驾驶商业启动前需近 100% 自主能力	Waymo（更早启用商业无人驾驶）
扩展上限	若 AI 不改进，ROC 随车队扩展；受劳动力和设施供应约束	无上限：OTA 对 1 万或 1000 万辆车的基础设施成本相似	Tesla（无扩展上限）
运营总结	Waymo 的 ROC 模型适合在特定地理范围内运营小型高质量无人驾驶车队。Tesla 的 OTA 模型适合跨所有地理区域运营大型监督车队。两种模型正在收敛：Waymo 减少 ROC 依赖，Tesla 为 Cybercab 添加 ROC 等效能力。

第四节 — 收敛路径：各公司需要建立什么

能力缺口	Waymo 需要建立	Tesla 需要建立	时程（估计）
降低 ROC 依赖	AI 改进必须减少远程协助请求；Waymo 必须达到 1 名操作员管理估计 50–100 辆以上车辆的比率，以实现竞争性单位经济效益	不适用（没有 ROC 需要降低）	Waymo：持续进行；比率改善驱动盈利能力
为 Cybercab 添加 ROC 等效功能	不适用	Tesla Cybercab 在边缘场景下需要某种形式的远程协助；Tesla 尚未披露 ROC 计划；可能采用更简单模型（如”安全靠边停车等待 OTA 修复”）	Tesla：估计 2027 年 Cybercab 商业无人驾驶启动前
Waymo 车辆的 OTA	Waymo 向车队推送软件更新，但规模较小；等效于 Tesla OTA，但对象约为 2,500 辆车而非逾 100 万辆	不适用	Waymo：已在小规模运营
规模化车队监控	Waymo 的车队监控随车队规模扩展；约 2,500 辆车时可管理；超过 1 万辆车每城市时，监控基础设施必须相应扩展	Tesla 的 Autopilot/FSD 监控基础设施已处理 600 万辆车；可扩展性已得到验证	Tesla（600 万辆车规模下已验证）
车场运营	Waymo 必须在每个城市维护充电、清洁和维护车场；Moove 合作有所帮助；每城市车场成本是快速扩张的障碍	Cybercab 车主运营模式（车主将车辆加入车队）为大部分车队消除了 Tesla 的车场需求	Tesla（车主运营模式规模化后消除车场需求）

第五节 — 车队运营基准测试评分卡

维度	Waymo ROC 模型	Tesla OTA 模型	优势	2028 展望
实时边缘场景解决	ROC 在车内无安全驾驶员的情况下实现实时人工指引	无等效功能；AI 达到极高自主率前需要安全驾驶员	Waymo（目前）	Tesla 为 Cybercab 添加 ROC 等效功能
车队改进速度	模型更新部署至估计 2,500 辆车	OTA 更新至逾 100 万辆车	Tesla（决定性规模优势）	随车队增长，Tesla 的优势扩大
规模化运营成本	ROC 劳动成本 = 主要可变成本；改善路径需要 AI 取代 ROC	亚线性 OTA 成本；规模化后边际成本接近零	Tesla（决定性成本结构）	随车队扩展至数万辆，Tesla 决定性
城市扩张成本	ROC 加上车场每城市 = 重大固定成本；限制扩张速度	通过 OTA 近乎零成本城市扩张	Tesla（决定性）	Tesla 以 Waymo 进入 1 个城市的成本进入 10 个城市
无人驾驶商业启动	ROC 在 100% 自主能力实现前启用商业启动	无人驾驶启动前需近 100% 自主能力	Waymo（目前）	随 Tesla AI 改进，优势缩小
总体评估	Waymo 基于 ROC 的车队运营以高可变运营费用和受限的城市扩张速度为代价，成就其当前商业优势（今天无人驾驶，无需安全驾驶员）。Tesla 的 OTA 车队管理在结构上更具可扩展性和成本效率，但目前无法在没有安全驾驶员的情况下启用无人驾驶商业运营。ROC 模型是桥梁；OTA 是终局。

所有标记（估计）的数据均来自公司公开披露、分析师估计和行业基准。本文是实体 AI 基准测试系列第 167 篇。