2026-06-17 — views

自駕車感測器堆疊指數 — Tesla 純視覺 vs. Waymo 光達：感知架構之戰

比較自駕車感測器堆疊——Tesla 純攝影機 vs. Waymo 光達融合——涵蓋成本、天氣韌性與架構取捨。

感測器堆疊是自駕車架構的第一個分岔點

在自駕系統能夠規劃路線或執行操控動作之前，它必須先感知周圍的世界。驅動這個感知流程的感測器並非無關緊要的細節——它們決定了整個自駕堆疊的成本、地理適用範圍、天氣韌性，以及安全上限。

整個產業已分裂為兩個陣營。Waymo、Mobileye、Cruise 與 Zoox 都建立了將光達、雷達和攝影機整合成冗餘感測器融合架構的系統。Tesla 則走向相反的哲學：僅用攝影機、零光達、零超音波感測器（2022 年已移除），並以業界最大的影片訓練資料集作為後盾。

這是實體 AI 基準測試系列的第六篇文章。前幾篇涵蓋了營運量產、人形機器人、自駕法規、投資資本以及運算晶片。本文繪製感知層的全貌——感測器硬體、成本影響，以及兩派架構各自最核心的論點。

第一節 — 感測器堆疊主要比較表

下表涵蓋截至 2026 年中，自駕車產業中最常被引用的五種感測器架構。攝影機數量、光達單元與雷達模組反映的是公開規格或製造商公告資訊。

公司	攝影機	光達	雷達	超音波	運算	架構
Waymo（第六代）	29	4 組（360° Honeycomb + 近場）	6	未揭露	自研 ASIC（Waymo Driver 晶片）	全感測器融合，無人駕駛 L4
Tesla（HW4）	8（360° + 前方長焦）	0	1（選配，部分車型）	0（2022 年移除）	雙 FSD 晶片	純視覺，端到端神經網路
Mobileye（EyeQ Ultra）	攝影機 + 可選光達	選配	是	否	EyeQ Ultra ASIC	REM 地圖層，可擴展融合
Cruise（已暫停）	40	5	16	是	自研 ASIC	最高冗餘度堆疊
Zoox（亞馬遜）	8	4	4	否	自研運算	雙向車輛，全融合

解讀此表： Waymo 的 29 個攝影機反映全方位 360 度周邊覆蓋加上專用近場攝影機，遠多於 Tesla 的 8 個。Cruise 的堆疊擁有 40 個攝影機、5 組光達和 16 個雷達模組，是 GM 於 2023 年底暫停計畫前，最具冗餘度的商用自駕架構。Zoox 的雙向車輛設計（沒有前後之分——正反方向操控相同）需要兩端對稱的感測器覆蓋。

Tesla 的零光達是刻意的設計選擇，不是成本省略。 雙 FSD 晶片提供超過 1,000 TOPS（Tesla 內部基準測試）的純攝影機推論能力。2022 年移除超音波感測器是同步的決定——兩項決策都反映同一個架構賭注：以攝影機資料訓練的神經網路，能達到等同甚至優於感測器融合方案的安全水準。

第二節 — 核心辯論：純視覺 vs. 感測器融合

這兩種架構代表對自駕安全本質的截然不同假設。兩者都不是明顯錯誤的——但其前提假設差異大到足以讓各公司圍繞各自的理念建立截然不同的工程組織。

Tesla 純視覺的論點

人類道路是為人類眼睛設計的。 每一個交通號誌、車道標線、交通號誌燈和行人號誌，都是為了讓一對人類眼睛從移動中的車輛能夠讀取而設計的。如果任務是在為人類視覺設計的道路上駕駛，攝影機就是正確的感測器——一種能產生與道路基礎設施設計基準相同資訊來源的感測器。

成本計算。 光達單元在目前的製造規模下，每輛車成本為 500 至 5,000 美元。攝影機感測器每個只要幾美元。跨越數百萬輛車，這個成本差距決定了一款定價 3 萬美元以下的消費性產品與一個需要以乘車收入攤銷硬體成本的機器人計程車服務之間的差異。

車隊資料規模。 Tesla 超過 600 萬輛的車隊不斷產生來自真實世界邊緣案例的攝影機影像：不尋常的車道配置、施工區、行為異常的行人、緊急車輛、洪水、強光。沒有任何裝備光達的車隊能匹敵這個資料量。訓練優勢隨時間複利累積——車隊每遇到一個新的邊緣案例，就能改善所有其他 Tesla 車輛的模型。

無地圖依賴的端到端學習。 Tesla 以 Dojo 訓練的方法旨在直接從影片輸入學習駕駛策略，不依賴高精度預先測繪的路網。這讓系統可以延伸到任何道路——而不僅限於已預先測繪的路段。

Waymo 感測器融合的論點

光達提供攝影機無法取得的深度資訊。 攝影機將世界感知為 2D 投影。從單一攝影機估算 3D 距離需要推論——神經網路必須從視覺線索（如表觀大小、陰影和視差）學習判斷深度。光達透過飛行時間雷射脈衝直接測量距離，無論光線條件如何，都能產生精確的 3D 點雲。再多的神經網路訓練都無法消除單目深度估算的根本模糊性。

雷達穿透攝影機無法應對的條件。 毫米波雷達能穿透使攝影機影像品質劣化的雨、雪和霧。鏡頭被冷凝水霧化或被大雨遮蔽的攝影機會失去有意義的訊號。雷達不會。在惡劣天氣下，雷達提供的結構性場景資訊——大型物體在哪裡、它們移動多快——正是攝影機系統會失去的。

無人駕駛所需的冗餘度。 沒有安全駕駛員的機器人計程車無法靠邊停車請人類接手。當一種感測器類型失效——攝影機鏡頭破裂、光達單元被冰堵塞、雷達模組被碎片擊中——系統必須依靠剩餘感測器繼續安全運作。完全無人駕駛 L4 作業所需的安全裕度，高於有人類監控可隨時介入的 L2 駕駛輔助系統。

安全標準傾向冗餘架構。 ISO 21448（SOTIF——預期功能安全性）以及更廣泛的 L4 監管環境，隱性地傾向具備多個獨立感測模態的架構。監管機構可以要求公司展示當任何單一感測器失效時系統如何優雅降級。純視覺系統沒有攝影機故障時的備援。

第三節 — 每輛車感測器堆疊成本估算

兩種架構之間的成本差距是這場辯論中最具體的數字。以下估算反映規模化製造成本——而非零售或更換成本——基於截至 2026 年可獲得的產業資料與分析師估計。

元件	Waymo 第六代（估算）	Tesla HW4（估算）
攝影機陣列	約 200 美元	約 150 美元
光達（4 組）	約 3,000–5,000 美元	0 美元
雷達	約 300 美元	約 100 美元（選配）
運算（ASIC / FSD 晶片）	約 500 美元	約 400 美元（雙晶片）
感測器 + 運算合計	約 4,000–6,000 美元	約 650–700 美元

這個成本差距對商業模式的意義。 Waymo 經營乘車叫車服務——Waymo One 機器人計程車——每輛車在整個使用壽命內產生持續的收入來攤銷硬體成本。這個模式可以在車輛每年運行數萬英里並按里程收費的情況下，合理化 4,000–6,000 美元的感測器套件。

Tesla 的 Cybercab 目標定價低於 30,000 美元，與 5,000 美元的光達堆疊不相容。純攝影機架構不只是哲學立場——它是 Tesla 正在建構的消費者車輛商業模式的必要前提。配備 Waymo 感測器堆疊的 Cybercab 售價將需要 35,000–40,000 美元甚至更高，完全消除了大眾市場機器人計程車的命題。

第四節 — 天氣與地理限制

感測器架構的選擇決定了系統能夠可靠運行的地點。下表將各條件映射到預期性能特性——這些是架構傾向，而非任何特定系統的保證測量結果。

條件	純攝影機（Tesla）	光達 + 攝影機（Waymo）
強烈陽光	良好	良好
夜間（城市，有照明）	良好（HW4 低光優化）	優秀
大雨	劣化	良好（雷達備援）
濃霧	顯著劣化	中等（光達在霧中散射）
降雪（路面標線遮蔽）	顯著劣化	中等
感測器遮蔽（鏡頭髒污/結冰）	單點故障風險	具備冗餘備援

這張表解釋了產業的地理選擇。 Waymo 在亞利桑那州鳳凰城啟動商業服務，並擴展到舊金山和洛杉磯——這些都是天氣溫和、年均日照高、降雪極少的市場。鳳凰城的大雨事件不常見。這不是巧合——即使擁有光達和雷達，濃霧和結冰對目前的自駕系統仍然具有挑戰性。

Tesla 宣布將德克薩斯州奧斯汀作為首個機器人計程車市場（預計 2025 年）。奧斯汀的氣候以乾熱和低降雨量為特徵，相較於美國較高緯度城市更為乾燥。純視覺架構在乾燥、光線充足的條件下表現更好。選擇奧斯汀而非西雅圖或明尼阿波利斯，是對純攝影機感知作業包絡限制的承認。

兩家公司都尚未展示在大雪或持續濃霧條件下大規模穩健的無人駕駛運作。兩種架構在惡劣天氣下的差異在於：Waymo 的系統有更多感測模態提供備援資訊——但在濃霧中，光達的性能也會因雷射脈衝在到達物體前散射在水滴上而劣化。

第五節 — 融合論點

部分分析師認為兩個陣營最終將隨著時間趨近。論點雙向都成立。

Tesla 加入光達的理由。 自 2017 年以來，光達製造成本持續下降。Luminar Technologies 已公開宣布以量產規模達到每單元低於 100 美元的目標；Innoviz Technologies 和禾賽科技有類似的路線圖。如果光達降到每單元 50–100 美元——大約等於中階攝影機模組的成本——反對光達的成本論點就大幅削弱了。即使不在消費者車輛上加裝光達，Tesla 也可能為其機器人計程車車隊採用光達，接受商用車輛更高的硬體成本來換取收入。

反對 Tesla 加入光達的理由。 Tesla 的整個訓練流程是針對視覺優化的。Dojo 訓練基礎設施處理影片。端到端神經網路策略以攝影機資料訓練。車隊資料收集系統蒐集攝影機影片。加入光達不只是在車上加裝一個感測器——它需要重建資料流程以吸收光達點雲、以融合資料重新訓練模型，以及重新設計推論堆疊架構。這是一個多年工程計畫，而非產品更新。

最可能的結果。 兩種方法將各自持續改進。基於攝影機的系統將持續受益於更大的訓練資料集、更好的神經架構和更高解析度的感測器。基於光達的系統將受益於成本更低、射程更長、解析度更高的單元。成本差距將縮小，但在與消費者車輛相關的製造量下可能不會完全消除。

基準測試背景：這是實體 AI 系列的第六篇文章

本追蹤報告是從多個角度涵蓋實體 AI 的系列第六篇：

營運量產指標 — 產量計數、部署規模、行駛里程
人形機器人技術 — 硬體世代、靈巧性基準、基礎模型能力
自駕安全與法規 — 加州 DMV 資料、NHTSA 事故報告、州許可證地圖
投資與估值 — 資金流向、融資輪次、隱含估值
運算與晶片 — 推論晶片、訓練叢集、NVIDIA 供應限制
感測器堆疊與感知架構 — 本文

感測器架構問題位於成本、安全與可擴展性的交叉點。這不是一個能被單一示範或單一事故解決的問題。它將由車隊資料、監管決策，以及最終哪種架構能以可接受的成本處理真實世界駕駛條件的完整分佈來解決。那個解答仍在進行中。