2026-06-18 — views
物理AI硬件演进——激光雷达成本曲线、Tesla HW4至HW5、Waymo第六代，以及AV硬件BOM冲破千元门槛的竞赛
激光雷达从2016年的75,000美元暴跌99%至今日不足500美元。Tesla HW4传感器BOM约300至700美元，Waymo第六代约5,000至15,000美元；Cybercab与第七代分别是各公司的硬件成本关卡。
物理AI基准系列第149篇——物理AI硬件演进：传感器成本、定制芯片路线图，以及AV硬件材料清单冲破千元的竞赛
硬件成本是自动驾驶汽车经济学中最关键的变量之一。2016年一颗激光雷达传感器售价高达75,000美元（估），如今已低于500美元。这十年来近99%的成本崩跌，已将激光雷达从拖垮经济性的大项目，转变为接近摄像头级定价的商品传感器。但激光雷达只是AV物料清单（BOM）的一部分。计算芯片、摄像头、雷达与车内推理芯片共同决定了自动驾驶车辆能否在规模量产下实现正向单位经济效益。
本文为物理AI基准系列第149篇，对比Waymo第六代与Tesla HW4/HW5的硬件BOM演进、Tesla Dojo与Google TPU的定制芯片竞赛，以及硬件成本曲线对AV单位经济转正时间的影响。标有”（估）“的数字均来自公开披露、行业研究、分析师估算与报告数据，并非独立验证的第一手资料。本文不构成投资建议。
第一节——激光雷达成本曲线：使AV经济性成为可能的硬件革命
| 年份 | 顶级激光雷达成本（估） | 代表产品 | 较高峰变化 | 备注 |
|---|---|---|---|---|
| 2016 | ~75,000美元（估） | Velodyne HDL-64E（64线机械式） | 基准 | 第一代机械式激光雷达；Waymo第一代使用Velodyne |
| 2018 | ~8,000–15,000美元（估） | Velodyne VLP-16；早期固态方案 | ~两年下跌80% | 大众市场信号；固态开发加速 |
| 2020 | ~1,000–3,000美元（估） | Luminar Iris（预量产）；Livox；禾赛 | 较2016年下跌~95% | Waymo第五代使用此成本区间；经济性仍为负 |
| 2022 | ~500–1,500美元（估） | Luminar Iris量产；Innoviz One；Ouster OS1 | ~下跌97% | 接近车规级成本目标 |
| 2024 | ~200–800美元（估） | Waymo/极氪第六代激光雷达（Luminar/禾赛）；多种固态选项 | 较2016年下跌~99% | 低于500美元的固态激光雷达已商业量产 |
| 2026（估） | ~100–500美元（估） | 次世代固态；MEMS激光雷达；光子集成电路激光雷达 | 较2016年下跌~99.5% | 第六代车辆激光雷达目标：单颗低于500美元（估） |
| 2030（估） | ~50–200美元（估） | 车规集成激光雷达（片上） | ~下跌99.7% | 低于100美元时，激光雷达成本接近高端摄像头 |
| 启示 | 激光雷达成本已不再是主要AV硬件成本驱动因素（2016–2020年曾是）；计算、摄像头及冗余系统成本已相当 | — | — | 激光雷达低于500美元后，Tesla纯摄像头的成本优势缩小 |
激光雷达十年间99%的成本崩跌，使其从AV成本辩论的首要障碍，转变为越来越不显眼的线项。目前携带三至四颗200–800美元（估）激光雷达的Waymo第六代车辆，激光雷达总成本约为600–2,000美元（估）——有意义但不再是主导项目。计算、冗余摄像头阵列、高精度GPS/IMU模块，以及安全认证传感器套件的工程集成成本，依然是重大的成本驱动因素。
第二节——Tesla硬件演进：HW3至HW4至HW5
| 世代 | 计算能力（推理TOPS） | 传感器 | 车辆成本影响（估） | 状态 | 备注 |
|---|---|---|---|---|---|
| HW3（2019–2022） | 144 TOPS（FSD芯片，双颗） | 8摄像头；无激光雷达；12超声波；1前向雷达 | ~200–500美元 BOM（估） | 旧版；OTA受限；部分车辆仍在运行 | Tesla第一款定制芯片；为FSD v11及以前版本设计 |
| HW4（2023–至今） | ~500+ TOPS（估） | 9摄像头（更高分辨率）；无激光雷达；无超声波；部分市场无雷达；部分配置有4D雷达 | ~300–700美元 BOM（估） | 当前量产；所有新款Tesla | 部分型号移除超声波与雷达；摄像头+雷达或纯摄像头 |
| HW5（已宣布/估） | ~3,000–5,000+ TOPS（估） | 9+摄像头；可能新增感知模态 | ~500–1,000美元 BOM（估） | 预计~2025–2027部署（估） | 为全无人驾驶设计；Dojo训练数据驱动HW5推理 |
| Dojo D1芯片 | 每颗362 TOPS；ExaPOD整体~1 ExaFLOP（估） | 仅用于训练（不在车辆内） | 车辆BOM 0美元 | 已部署于训练集群 | TSMC 7nm定制制程；芯片间超高带宽互联 |
| Dojo D2（估） | 更高TOPS；TSMC 3nm（估） | 仅用于训练 | 车辆BOM 0美元 | 开发中（估2026–2027） | 次世代训练芯片；FSD能力持续提升 |
| 纯摄像头成本优势 | HW4摄像头阵列：~300–500美元总摄像头成本（估） | vs Waymo ~5,000–15,000+美元传感器套件（估） | 传感器BOM低~10–30倍 | 维持中 | Tesla主要硬件成本优势；激光雷达下降后差距缩小 |
Tesla的Dojo训练集群不是车辆组件，不计入任何车辆BOM。其成本体现在资本支出中，而非每辆车的边际成本。这对AV经济学是关键区别：Dojo的效益被摊薄至Tesla每辆具备FSD功能的销售车辆，使每辆增量车辆提升FSD能力的边际成本趋近于零。
第三节——Waymo硬件演进：第一代至第六代
| 世代 | 基础车型 | 激光雷达成本（估） | 传感器总BOM（估） | 车队规模 | 备注 |
|---|---|---|---|---|---|
| 第一代（2009–2015） | 丰田普锐斯+厢型车 | ~75,000美元（Velodyne HDL-64E） | ~150,000+美元（估） | 仅R&D | 概念验证；不考虑经济性 |
| 第三代（2016–2018） | 克莱斯勒Pacifica | ~8,000–15,000美元（估） | ~30,000–50,000美元（估） | ~600辆 | 首批商业测试车队 |
| 第五代/捷豹I-PACE（2018–2024） | 捷豹I-PACE电动车 | ~1,000–3,000美元（估，Luminar/禾赛） | ~10,000–20,000美元（估） | ~700辆商业 | 主力商业车队；经济性改善但仍为负 |
| 第六代（2024–至今） | 极氪RT（专用平台） | ~200–800美元（估） | ~5,000–15,000美元（估） | 爬坡中 | Waymo披露第六代制造成本显著低于第五代 |
| 第六代较第五代成本降幅 | Waymo披露”显著”降幅；分析师估计传感器BOM降低40–60%（估） | — | — | — | 第六代是关键经济性改善；仍处于负毛利 |
| 第六代计算 | Waymo定制车载推理模组；Google TPU用于训练（离车） | 车载计算~1,000–3,000美元（估） | — | Waymo车载计算属专有；架构未完整披露 | |
| 第七代（估2027–2029） | 专用平台或新OEM合作方 | ~100–300美元（估） | ~3,000–8,000美元（估） | 未来 | 预计进一步降成本；目标是正向单位经济效益 |
第七代目标3,000–8,000美元（估）的传感器总BOM，将是Waymo经济性的关键门槛。携带100–300美元（估）激光雷达的Waymo第七代车辆，可提出纯摄像头HW5 Tesla无法比拟的安全论据，且BOM溢价或许可被更高的乘客信任度与更广泛的监管审批所正当化。
第四节——定制芯片竞赛：Dojo vs Google TPU
| 维度 | Tesla Dojo | Google TPU（Waymo训练） | 启示 |
|---|---|---|---|
| 用途 | 训练FSD神经网络；大规模处理影子模式视频 | 训练Waymo的AV模型；广泛支持Google AI | Waymo使用通用Google AI基础设施；Tesla打造垂直专用芯片 |
| 架构 | 晶圆级Tile设计；每个训练Tile含354颗D1芯片；芯片间超高带宽 | Google TPU v5（最新）；ML优化矩阵乘法单元 | Dojo针对FSD特有的视频处理工作负载优化；TPU更通用 |
| 训练成本目标 | Tesla宣称Dojo目标$1/FLOP vs云端替代方案；若实现，较租用NVIDIA集群降低10倍成本 | Alphabet内部支付；无直接成本对比公布 | Dojo成功=Tesla结构性训练成本优势；目前尚未在全规模验证 |
| 量产状态 | Dojo D1：已部署于ExaPOD集群（~1 ExaFLOP估）；D2开发中（估2026–2027） | TPU v5量产中；Waymo透过Alphabet享有优先使用权 | Waymo今日即可使用最先进计算；Tesla的Dojo路径需2–3年达到完整优势 |
| 对NVIDIA的依赖 | Tesla透过Dojo降低NVIDIA依赖；今日训练仍使用NVIDIA H100/H200 | Waymo主要使用Google TPU；部分使用NVIDIA | 双方均在降低NVIDIA依赖；路径不同 |
| 车载推理芯片 | Tesla HW4（定制）至HW5（次世代）；Tesla自行设计推理芯片 | Waymo车载计算：定制模组；未以消费品形式披露 | 双方均有定制车载芯片；Tesla的可在消费规模部署；Waymo的为专用车队打造 |
第五节——硬件成本基准评分卡
| 维度 | Waymo第六代 | Tesla HW4/HW5 | 优势方 | 2030展望 |
|---|---|---|---|---|
| 每辆传感器BOM（估） | ~5,000–15,000美元（估） | ~300–700美元（估） | Tesla决定性优势（低10–20倍） | 激光雷达下跌后差距缩小；Tesla仍较低 |
| 训练计算资源 | Google TPU（Alphabet规模；即时可用） | Dojo（建设中；今日用NVIDIA） | Waymo今日；Tesla 2027+ | 若Dojo D2交付，2028年后趋于持平 |
| 车载推理 | 定制（非消费规模） | Tesla HW（600万辆规模部署） | Tesla（规模部署） | Tesla维持优势 |
| 激光雷达成本走势 | 受益于激光雷达下跌（降低第七代BOM） | 不适用（纯摄像头） | Waymo（传感器套件成本顺风） | 2030年激光雷达低于200美元缩小与摄像头阵列差距 |
| AV配备后车辆总成本（估） | ~37,000+美元第六代（估） | Cybercab目标低于30,000美元（Tesla声明） | Tesla（若Cybercab实现） | 若Cybercab大规模量产，Tesla决定性胜出 |
| 硬件成本瓶颈 | 第六代成本降低是Waymo经济性的关键解锁 | Cybercab低于3万美元是Tesla关键解锁 | 双方各有硬件成本关卡 | 2027–2029：双方均跨越正向单位经济效益门槛（估） |
总体判断
Tesla的纯摄像头方案今日维持着决定性的传感器BOM优势——较Waymo第六代低约10至20倍（估）。这一差距真实且有意义。但策略问题不在于谁今日BOM更低，而在于哪家公司的硬件成本轨迹能先达到正向单位经济效益，以及在什么车队规模下实现。激光雷达低于500美元后差距缩小，至2030年（估）趋近200美元以下时进一步缩小。
率先跨越各自硬件成本关卡的公司——Waymo的第七代传感器BOM，或Tesla的Cybercab生产成本——将是首个在规模量产下展现正毛利AV经济效益的公司。预计两个关卡均在2027–2029年窗口开启（估）。
注： 所有标有”（估）“的数字均来自2026年中期的公开披露、行业研究、分析师估算与报告数据。本文不构成投资建议。
来源
- 激光雷达成本趋势 — Luminar Technologies ↗
- Tesla HW4与FSD芯片 — Tesla AI Day 2022 ↗
- Waymo第六代车辆 — Waymo官方博客 ↗
- Tesla Dojo超级计算机 — Tesla ↗
- AV硬件成本分析 — 麦肯锡未来移动中心 ↗