2026-06-18 — views
自动驾驶人才基准 — Waymo 15年Google SDC传承 vs 特斯拉后Karpathy FSD团队：工程力对比
Waymo拥有15年Google SDC领域积累。特斯拉后Karpathy FSD团队完成端到端AI转型，握有自研芯片与600万辆车训练数据规模。
概述
工程人才的深度与质量决定每家公司改进AI系统的速度。Waymo的人才基础来自谷歌自动驾驶汽车（SDC）项目（2009–2016），是有史以来AV领域知识最密集的研发机构之一。特斯拉的FSD团队自2022年Andrej Karpathy离职后历经重要转型，但成功完成了全端到端神经网络的里程碑式转型，并保有独特的自研芯片能力与无可比拟的真实世界训练数据规模。
本文对两家公司的人才基础、核心人物及工程团队特征对AI能力发展速度的影响进行基准比较。本文为Physical AI基准系列第163篇。
第一节 — Waymo的工程人才传承
Waymo的人才根基直接追溯至谷歌自动驾驶汽车（SDC）项目，这是史上最具影响力的AV研究计划。
| 人才维度 | Waymo 详情 | 战略意义 |
|---|---|---|
| 起源：谷歌自动驾驶汽车项目（2009–2016） | Waymo于2016年从谷歌SDC项目分拆而来；项目由Sebastian Thrun与Chris Urmson（均为DARPA城市挑战赛老将）创立；在成为Waymo之前积累了7年AV专属研究 | SDC项目是AV史上最具影响力的人才孵化器；它培养了一代现已领导业界各公司的AV工程师 |
| AV领域累积经验 | 截至2026年中，Waymo创始团队成员平均拥有15年以上AV专属经验；许多工程师在Waymo已有8–12年资历 | 这种深度的AV领域经验几乎无法复制；没有其他公司的工程师拥有相近的自动驾驶累积专注度 |
| 现任核心领导人（公开信息） | Dmitri Dolgov（联席CEO，前谷歌SDC技术负责人）；Tekedra Mawakana（联席CEO，负责运营与业务）；Saswat Panigrahi（首席产品官） | Dolgov从谷歌SDC技术负责人到Waymo CEO的技术传承，代表业界罕见的机构知识保留 |
| 研究成果 | Waymo在CVPR、NeurIPS、ICRA等顶级学术会议广泛发表感知、预测与规划论文；通过Waymo Open Dataset贡献大量开源成果 | 学术发表代表研究质量与透明度；Waymo Open Dataset已成为全球研究社区广泛使用的标准AV基准 |
| 培养竞争对手的校友 | Chris Urmson（Aurora CEO）；Dave Ferguson（Nuro CEO）；Jiajun Zhu（Nuro CTO）；SDC校友遍布Zoox、Cruise、Mobileye、Wayve等公司 | ”SDC扩散效应”几乎滋养了每一家主要AV公司；Waymo的校友网络是业界最具影响力的 |
| 人才留任挑战 | 来自苹果、Meta及广泛深度学习领域的薪酬竞争；AV行业整合（GM Cruise 2023危机；Argo AI 2022关闭）带动人才回流市场 | Cruise与Argo关闭后，大量有经验的AV工程师回到招聘市场；Waymo是主要受益者之一 |
| 员工人数（估算） | Waymo估计雇用2,500–3,500人（估算；未公开披露）；其中相当大比例为工程与研究人员 | 在此规模下，Waymo在每个AV子领域都有深度团队：激光雷达、摄像头、ML/感知、预测、规划、仿真及远程操作 |
第二节 — 特斯拉FSD工程团队：Karpathy时代与之后
特斯拉的FSD团队自2022年起历经领导层结构性转型，但持续执行Karpathy所建立的架构路线图。
| 人才维度 | 特斯拉详情 | 战略意义 |
|---|---|---|
| Andrej Karpathy时代（2017–2022） | Karpathy于2017年以AI总监身份加入特斯拉；将Autopilot/FSD团队从小规模扩建至数百人；引入数据引擎（自动标注流水线）并推动向端到端神经网络的转型；2022年7月离职 | Karpathy被广泛认为是现代AV AI架构最具影响力的个人贡献者；其离职是特斯拉的重大人才事件 |
| 后Karpathy领导层（2022年至今） | FSD团队领导层重组，多位总监直接向Elon Musk汇报；Ashok Elluswamy（Autopilot软件总监，估计已晋升VP级）是后Karpathy时代最具公开曝光度的FSD领导者 | Elluswamy自2014年起就职特斯拉；提供机构延续性；学术公开度不及Karpathy，但有交付记录（FSD v12端到端） |
| 端到端AI转型 | FSD v12（2024年）代表向Karpathy所倡导的全端到端神经网络的转型；转型在其离职后完成——团队执行了他的架构愿景 | 展示特斯拉在核心愿景提出者离职后仍能执行架构路线图的能力 |
| Dojo与算力团队 | 特斯拉拥有专属芯片团队（HW4、HW5设计）与Dojo超算团队；与世界最顶尖的AI硬件团队竞争 | 自研芯片极为罕见（仅苹果、谷歌、Meta等少数公司拥有）；特斯拉的芯片团队已吸引顶尖硬件工程师 |
| FSD团队规模（估算） | 估计专注于FSD/Autopilot的工程师达数百至低千人（估算；未披露） | 按AV专属人员估算规模小于Waymo，但整合于更大的特斯拉AI组织中，可共享人才资源 |
| 核心人才优势：真实世界数据规模 | 特斯拉FSD团队可存取约600万辆车的数据（估算）——任何大学实验室或AV初创公司都无法企及；如此规模的真实训练数据提供无法在仿真中复制的能力 | 训练数据优势复利了工程团队改进AI的能力；即便规模较小的团队拥有特斯拉的数据也具备结构性优势 |
| 近期招募与离职（估算） | 特斯拉已从OpenAI、DeepMind、Google Brain及学术机构招募人才（估算）；部分前FSD工程师已转至Waymo、Aurora及初创公司（估算） | 双向人才流动属正常现象；特斯拉的薪酬（股票授予、使命感）吸引了AI业界顶尖的深度学习人才 |
第三节 — 行业人才生态：AV人才版图
AV人才生态集中于谷歌SDC校友与深度学习研究人员，2022–2023年AV行业整合后大批有经验的工程师回流市场。
| 公司 | 人才来源 | 现状 | 对Waymo/特斯拉竞赛的意义 |
|---|---|---|---|
| Aurora | 由Chris Urmson（前Waymo）、Sterling Anderson（前特斯拉Autopilot）、Drew Bagnell（前Uber ATG）共同创立；2021年收购Uber ATG | 2024年商业化Class 8货运AV上线；Aurora Driver搭载在Paccar与沃尔沃卡车；已产生营收 | 首家从高速公路货运AV中产生营收的商业公司；证明AV商业化可行；对Waymo与特斯拉均为潜在人才竞争者 |
| Zoox | 由Tim Kentley-Klay与Jesse Levinson（斯坦福）创立；2020年被亚马逊收购 | 开发用于亚马逊物流及潜在公共乘客服务的无方向盘AV；亚马逊资金消除资本限制 | 亚马逊支持意味着实际上无限资本；对Waymo与特斯拉均构成人才风险；其双向行驶设计独一无二 |
| Cruise（通用汽车） | 由Kyle Vogt（MIT媒体实验室）创立；2016年被通用收购 | 2023年重大监管危机（旧金山事件导致加州DMV许可暂停）；大幅裁员；业务大幅缩减 | 危机后Cruise大批有经验的AV工程师于2023–2024年回流市场；Waymo与特斯拉均受益 |
| Wayve（英国） | 由Amar Shah（剑桥大学）创立；2024年从SoftBank、微软、英伟达募集超过10亿美元 | 采用类似特斯拉FSD的端到端AI方法；以欧洲为主要市场；AV泛化的基础模型方法 | 与特斯拉端到端FSD理念直接竞争；英国据点在欧洲深度学习人才池形成竞争 |
| Mobileye | 从英特尔分拆；由Amnon Shashua（希伯来大学教授）创立 | 2022年上市；为大多数主要OEM提供ADAS芯片；SuperVision与Chauffeur产品线 | 不同商业模式（B2B供应OEM）但相同工程领域；在计算机视觉学术人才上形成竞争 |
| 人才竞争总结 | AV人才生态集中于SDC校友（Aurora、Nuro、部分Zoox）与深度学习研究人员（特斯拉、Wayve、Mobileye） | Waymo的SDC传承使其成为领域经验丰富工程师的吸引地；特斯拉的使命与数据规模吸引有抱负的深度学习研究人员 |
第四节 — 核心技术押注与背后的团队
| 技术押注 | Waymo团队方法 | 特斯拉团队方法 | 谁更适合 |
|---|---|---|---|
| 感知（目标检测与分类） | 模块化团队：分别构建激光雷达、摄像头、雷达感知模型；融合层；15年以上的模型迭代 | 端到端：摄像头感知整合至单一神经网络；团队聚焦扩展定律与数据质量 | 双方均拥有世界级感知团队；Waymo规模更大且更专精于领域；特斯拉规模较小但拥有更多真实数据 |
| 预测（其他道路参与者的行为预测） | 专属预测团队；广泛研究人类行为建模；在ICRA与CVPR发表最新论文 | 预测整合于端到端FSD；较少的独立团队结构（估算） | Waymo的模块化方法允许更深入的预测研究专业化 |
| 规划（AV应采取的行动） | 专属规划团队；规则+学习混合规划；最关键的安全组件 | 端到端规划：神经网络直接输出驾驶指令；无独立规划模块 | 特斯拉的端到端方法在架构上更简洁；Waymo的模块化方法允许更可解释的安全验证 |
| 仿真 | CarCraft团队；10年以上的AV场景开发；估计每日150亿仿真英里 | Dojo团队；通用算力；AV仿真投资持续增长 | Waymo的仿真团队具有显著先发优势；特斯拉的算力团队正在追赶 |
| 硬件（芯片） | 无自研芯片；使用英伟达及外部硬件；激光雷达工程团队开发定制传感器 | HW4/HW5芯片设计团队；Dojo D1团队；自研芯片能力 | 特斯拉拥有独特且有价值的自研芯片团队；Waymo依赖外部芯片供应商 |
第五节 — 人才基准计分卡
| 评估维度 | Waymo | 特斯拉 | 优势方 | 2028年展望 |
|---|---|---|---|---|
| AV领域经验深度 | 决定性优势 — 创始团队平均15年以上；业界最深的AV领域专业知识 | 强但较新 — FSD团队累积AV专属经验相对较少 | Waymo | Waymo的领域深度持续复利；短期内无法复制 |
| 深度学习研究质量 | 非常高 — 在顶级学术会议发表；Waymo Open Dataset广泛使用 | 非常高 — 端到端FSD架构是最新水准；Karpathy在方法论上的遗产 | 持平 | 双方均在前沿；研究风格不同 |
| 自研芯片能力 | 无 — 依赖英伟达及外部供应商；激光雷达定制设计值得关注 | 是 — HW4/HW5加Dojo；少数拥有自研AI芯片的非芯片公司之一 | 特斯拉决定性优势 | 特斯拉芯片团队是成本/性能的持久优势 |
| 训练数据获取 | 高 — 3000万+无人驾驶英里（估算）；高纯度但数量较少 | 决定性优势 — 估算600万辆车、数十亿监督英里 | 特斯拉 | 随着车队增长，特斯拉数据优势持续扩大 |
| 人才池广度 | AV专属角色深度强；比大型科技公司在通用深度学习上稍窄 | 广泛 — 从AI全领域招募（OpenAI、DeepMind、Google Brain）；受益于特斯拉品牌 | 特斯拉（广度）；Waymo（深度） | 不同的优势特征服务于不同需求 |
总体评估： Waymo拥有世界上最深、最具领域经验的AV工程团队——一个15年的机构知识积累，短期内无论多少资本都无法复制。特斯拉的团队在AV专属累积经验上稍逊，但握有两项结构性优势：获取世界上最大的真实世界训练数据集，以及自研芯片设计能力。这场人才竞赛并非零和——两个团队都有能力取得突破性成果。问题在于在技术前沿哪种能力更重要：领域经验（Waymo的优势）还是数据规模加算力（特斯拉的优势）。
所有标注（估算）的数据均源自公司公开披露、分析师估计及行业基准。本文为Physical AI基准系列第163篇。
来源
- Waymo 领导团队与历史 — Waymo ↗
- Andrej Karpathy 离职声明 — 2022年7月 ↗
- Aurora 商业化发布 2024 — Aurora ↗
- Waymo Open Dataset — research.waymo.com ↗
- 特斯拉 FSD v12 端到端架构 — Tesla AI Day ↗