2026-06-18 — views
HD地图对决无图行驶——建城市地图要多少钱，以及这为何决定自驾车的扩张速度
HD地图每座城市需耗资数百万并持续更新——Waymo依赖它，Tesla不需要。这项架构分歧决定了自驾车大规模扩张的速度。
Physical AI基准系列第116篇——自动驾驶地图战：HD地图对决无图行驶、建一座城市地图要多少钱、Waymo的地图流程如何制约城市扩张，以及Tesla无图押注为何是可扩展性论点
自动驾驶领域最具决定性的架构分歧，不是传感器选择或计算平台——而是系统在上路前是否需要一份预建的高精度（HD）地图，还是可以只靠实时感知就能在任何地方行驶。Waymo需要HD地图；Tesla不需要。这个单一架构决策渗透到每个下游维度：城市扩张速度、运营成本、地理覆盖上限、应对道路变化的韧性，以及每种方案最终能触达的整体目标市场规模。
HD地图建置昂贵、耗时，且需要持续维护。建立一个大都市区域详细的厘米精度3D模型，需要部署数月的专用车辆，耗费大量云端计算资源进行处理，并需要严格的人工验证。此后每一次道路变更——施工区、车道重新划线、新交通灯——都需要在AV车队能够在该区域安全运行之前更新地图。对于在五座城市运营的公司来说，这是个可处理的工程问题。但对于有志覆盖全球数百座城市的公司而言，这成为一项无论如何加大工程投入都无法完全消除的结构性成长制约。
Tesla的无图架构颠覆了这项限制。如果一个在数十亿英里人类驾驶数据上训练的神经网络能够足够好地从摄像头输入泛化到任意道路配置，那么扩张就没有地图前提条件。部署软件，车子就能上路。风险在于泛化很难——泛化深度与地图广度之间的这个取舍，是地图战的核心实证问题。
第一节——什么是HD地图，它包含什么？
HD（高精度）地图不是导航地图。消费级导航地图知道道路存在、大致位置和名称。AV使用的HD地图则知道该道路以厘米精度呈现的精确3D几何形状、每条车道边界的确切位置、每条车道的语义意义，以及导航系统不需要但AV必须知道的数十个额外结构化属性。
| HD地图层 | 存储内容 | AV为何需要它 | 所需更新频率 |
|---|---|---|---|
| 3D几何 | 精确的3D路面、路缘位置、精确到10-20厘米的车道边界 | AV定位：车辆将lidar扫描与存储地图匹配，以确切知道自己在道路上的位置 | 每次重大道路施工事件 |
| 车道语义 | 车道类型（行驶/转向/汇流）、车道连接图、车道方向 | 路线规划：了解哪条车道连接哪个出口/转弯，无需依赖实时感知 | 道路变更、新建设 |
| 交通元素 | 交通灯位置和相位、停止标志位置、人行横道位置 | 知道在哪里寻找交通管制；预测信号状态 | 交通管制变更时 |
| 速限 | 每条车道段的规定速限 | 法规遵守；标志不可见时的默认速度配置 | 法规更新 |
| 路面标注 | 减速带、坑洞（如已标注）、路面材质 | 乘坐舒适度优化；路面类型感知 | 难以维护；通常省略 |
| 地图新鲜度要求 | 施工区、临时车道变更、道路封闭必须在数小时至数天内反映 | 遵循过时地图说”左车道开放”的AV在左车道实际封闭时会造成安全问题 | 动态变化需近实时更新 |
定位功能最为关键。一辆以GPS精度（3-5米）知道自己”在Main Street某处”的AV，无法可靠地执行换车道。而一辆知道自己在最右边第二条车道、距下一个路口47米、精确定位在车道内的AV，可以以安全操作所需的特异性来规划和执行机动动作。这就是HD地图存在的原因：它们提供了一个预验证的几何先验，使AV能够以厘米精度定位。
第二节——建立一座城市的HD地图要多少钱？
| 成本维度 | 估计 | 备注 |
|---|---|---|
| 地图车辆车队 | 配备lidar阵列、摄像头、GPS/IMU的专用车辆；每辆$15万-50万（估计） | 专用地图车辆；非消费者汽车 |
| 建立单一城市地图（约300平方英里，估计） | 直接地图建置成本$200万-1000万（估计）；包含车辆折旧、驾驶员人工成本、燃料、处理费用 | 粗略估计；大型商业合同数字显示此范围 |
| 每年地图维护（同一城市） | 每年$50万-300万（估计） | 道路变更、施工区、新发展；必须持续更新 |
| 处理与标注 | 将原始lidar/摄像头数据处理为HD地图格式的大量云计算；AI辅助标注但仍需人工QA | 主要成本组成；持续进行 |
| Waymo地图车队 | Waymo除Waymo One商业车队外，还运营持续重新行驶已标注区域的专用地图车辆（估计） | 双重车辆运营开销 |
| 5座城市网络（Waymo目前估计） | 每年大约$1000万-5000万+以维护所有运营城市的HD地图（估计） | 数量级粗略估计；Waymo不披露 |
| 每座新城市成本 | 初始建立新大都市区域$300万-1500万（估计）；之后每年$100万-500万（估计） | 每座新城市在首次商业载客前都需要完整地图建置 |
这些估计反映了一个根本性的结构成本：与可以以接近零边际成本复制的软件不同，HD地图需要物理车辆驾驶每一条道路，需要计算资源处理所得数据，并需要人类专业知识来验证输出。这种成本不会随规模显著缩小——建立第50座城市的地图成本与建立第5座城市的成本大致相同。
第三节——HD地图如何制约Waymo的城市扩张
| 扩张步骤 | 所需时间（估计） | 成本（估计） | 制约因素 |
|---|---|---|---|
| 城市选择 | 1-2个月（监管评估和市场分析） | 最小 | 监管宽松度、天气、需求密度 |
| HD地图建立 | 大都市区域3-6个月（估计） | $300万-1000万（估计） | 地图车辆可用性；处理流程吞吐量 |
| 地图验证与确认 | 2-4个月（地图精度的行驶验证） | $100万-300万（估计） | 安全验证团队带宽 |
| 监管审批 | 6-24个月（因州市而异差距极大） | 大量法律/监管人员成本 | 监管机构速度；政治环境 |
| 车队部署 | 1-3个月（车辆采购、站点设置、RAO招募） | $500万-2000万（估计） | 车辆供应链；站点房地产 |
| 进入新商业城市的总时间 | 从决策到首次付费载客12-36个月（估计） | 每座城市总投资$1500万-5000万+（估计） | 地图建立和监管是主要时间制约 |
| Tesla比较 | 无需地图建置步骤 | 零地图成本 | 可在FSD模型已训练驾驶行为的任何地方行驶 |
从决策到商业发布的12-36个月时间轴是战略制约。如果Waymo今天决定进入一个新的大都市市场，在有利条件下，该市场的客户至少要等一年才能叫到Waymo的车。这个时间轴主要不是Waymo执行质量的函数——它反映了实际建立城市地图、验证地图并获得监管许可所需的不可减少的时间。
Tesla面临没有这种排序要求。如果Tesla决定在新地理市场激活FSD监督自动驾驶，激活主要是软件和监管决策——不需要地图车队先驾驶道路。
第四节——Tesla的无图方案：如何运作及其风险
| 维度 | Tesla的方案 | 优势 | 风险或限制 |
|---|---|---|---|
| 定位如何运作 | 基于视觉的定位：摄像头识别地标（道路标线、标志、建筑物）以确定相对于粗略地图的位置；无需HD地图 | 无需预先建图即可在任何地方运行 | 定位精度不如HD地图匹配；依赖地标质量 |
| 如何理解道路几何 | 从摄像头进行实时神经网络推理；道路边界、车道标线和几何形状每帧实时检测 | 无地图陈旧问题；始终看到当前道路状态 | 模型必须泛化到未见过的道路配置；罕见配置可能处理不当 |
| 训练数据要求 | 数十亿英里的人类驾驶数据来训练神经网络处理边缘案例；更多样化的地理覆盖意味着更强的泛化 | Tesla超过600万辆汽车车队生成庞大的地理覆盖 | 具有不寻常道路几何的新城市仍受益于来自该地理的更多数据 |
| 规模化覆盖 | FSD已在美国所有州和加拿大激活；欧盟推出进行中；无地图前提条件 | 如果模型泛化，真正的全球可扩展性 | 模型可能存在地区性能差异 |
| 地图陈旧问题 | 设计上已消除：感知始终是最新的 | 绝不会跟随过时地图驶入施工区 | 必须实时检测所有边缘案例；没有预知几何作为后备 |
| Waymo的反驳 | HD地图提供减少感知负担的”先验”；高置信度定位实现更高安全裕度 | 地图辅助定位在已建图区域可验证地更精确 | 仅在地图存在且新鲜的地方有效；对未建图区域根本无法扩展 |
训练数据优势值得量化。Tesla超过600万辆车的车队在Tesla销售车辆的市场中几乎每种道路配置都生成了大量真实世界驾驶数据。Waymo的数据集，由其自己小得多的商业和地图车队生成，绝对数量要小得多，但在专门为AV训练设计的条件下收集。
第五节——地图陈旧问题：关键的运营失效模式
| 陈旧场景 | 对依赖HD地图的AV的影响 | Tesla纯视觉影响 |
|---|---|---|
| 施工区一夜之间开放 | 如果地图未更新，AV跟随旧车道边界驶入施工障碍；需要地图刷新才能恢复安全运行 | AV实时感知施工；立即适应（模型质量决定回应质量） |
| 临时道路封闭（游行、活动） | 没有地图更新AV无法进入封闭道路；必须手动重新路由或等待地图刷新 | AV实时读取封闭标志和护栏 |
| 安装了新交通灯 | AV在地图更新前可能不知道新位置存在交通灯 | AV通过摄像头检测交通灯；无需更新 |
| 车道重新划线 | 旧车道标线可能已被涂掉但仍在地图中；AV可能跟随幽灵车道 | AV跟随当前标线；无陈旧数据 |
| Waymo的运营回应 | 专用地图监控团队；已知施工的快速更新流程；地图更新处理期间进行一些地理围栏限制 | 地图陈旧无需运营回应 |
| 城市中破坏性变更的频率 | 城市区域在任何时候都同时经历数百个施工/道路变更事件 | — |
第六节——Physical AI地图基准评分卡
| 基准维度 | Waymo（HD地图） | Tesla（无图） | 基准含义 |
|---|---|---|---|
| 地理扩张速度 | 每座新城市12-36个月（估计） | 数周至数月（仅需监管） | Tesla具有结构性更快的扩张节奏 |
| 每座城市扩张成本 | 每座城市$1500万-5000万+（估计） | 每座城市接近零地图成本 | Tesla每座城市成本显著更低 |
| 定位精度 | 已建图区域厘米精度 | 依赖地标；在模糊环境中精度较低（估计） | Waymo在已建图区域更精确 |
| 陈旧韧性 | 重大道路变更需要地图刷新 | 实时感知始终是最新的 | Tesla具有结构性陈旧优势 |
| 可扩展性上限 | 受地图建置能力和成本限制；地理扩张的线性成本 | 受模型泛化质量限制；理论上接近无限地理规模 | Tesla方案具有更高的理论可扩展性上限 |
| 运营开销 | 高：地图车队、地图维护团队、地理围栏管理 | 较低：无需地图建置运营 | Waymo承担Tesla没有的永久运营成本结构 |
| 安全模型 | 深度防御：地图先验加实时感知 | 仅感知：没有几何先验作为后备 | 不同的失效模式特征；在所有条件下都不是严格意义上更安全的 |
地图基准揭示了两种方案在成长经济学上的根本不对称。Waymo的成本结构与地理扩张大致成线性关系。Tesla的成本结构形状不同：训练投资在车队覆盖的所有地理范围内大致摊销，增量地理扩张的地图成本接近零。地图战因此不仅仅是技术辩论——它是关于自动驾驶汽车最终可扩展性上限的辩论，以及哪些公司将率先达到它。
注意： 所有标记”（估计）“的数字均来自截至2026年中期可公开获取的信息、工程估算和行业报告。Waymo和Tesla不公开披露详细的地图成本或时间表；估算具有方向性。本文不构成投资建议。
来源
- Waymo地图建置作业 — Waymo ↗
- Tesla FSD纯视觉架构 — Tesla AI ↗
- HD地图成本分析 — McKinsey自动驾驶报告 ↗
- OpenStreetMap基金会 ↗
- AV地图标准 — SAE International ↗