2026-06-17 — views

自駕車軟體架構與 OTA 更新管道指標 — 誰在實地部署中進步最快？（2026 年中）

OTA 更新頻率、模擬深度與現場資料飛輪——決定 Tesla、Waymo、百度在部署中實際改進速度的三大關鍵。

指標背後的核心問題

行駛里程、脫離率與許可證數量衡量的是自駕系統今天的位置。對長期競爭格局更重要的問題是：系統進步的速度有多快？改進速度是三個相乘因素的乘積——資料量、運算吞吐量與 OTA 更新頻率——而三家前沿廠商在每個因素上都做出了根本不同的架構賭注。這是實體 AI 基準系列的第十二篇文章。

第一節 — 軟體架構比較

架構層面的基本設計選擇，會層層影響所有下游能力：資料如何標注、模型如何訓練、更新如何驗證，以及新版本軟體多快能推送到實地車隊。

維度	Tesla FSD	Waymo Driver	百度 Apollo	說明
核心架構	端到端神經網路（攝影機到動作）	模組化（感知＋預測＋規劃）	模組化（感知＋預測＋規劃）	Tesla 押注學習策略；其他廠商保留顯式規劃
感測器輸入	僅 8 顆攝影機	LiDAR＋攝影機＋雷達	LiDAR＋攝影機＋雷達	單模態 vs 感測器融合
模擬平台	Tesla Dojo＋內部模擬器	Waymo Simulation（Carcraft）	AADS 模擬器	Waymo Carcraft 據稱可同時運行約 25,000 輛虛擬車輛
OTA 更新頻率	每週至每月（消費者 FSD）	每季或更長（運營車隊）	未公開	Tesla 更新頻率遠高於兩家競爭對手
OTA 測試車隊規模	逾 600 萬輛	約 1,500 輛	約 1,000 輛	Tesla 可進行人口規模的 A/B 測試
訓練資料管道	車隊→Dojo→模型→OTA	運營車隊→Google TPU→模型→分階段推送	運營車隊→百度雲端	Tesla 的迴圈因車隊規模而最快
影子模式測試	是——FSD 在未購買 FSD 的車輛上靜默運行	僅限運營車隊	未公開	Tesla 以零邊際成本從非付費車輛收集資料

解讀表格： 端到端與模組化的架構分叉不僅是技術偏好——它決定了迭代速度與成本。端到端系統可透過更多資料重新訓練來改善新的邊緣案例；模組化系統需要識別哪個模組出錯、重新標注該模組的訓練集、重新訓練模組，再驗證整體堆疊。Tesla 的架構在設計上更快迭代，Waymo 的模組化架構則更易於解釋，也更容易通過安全監管審查。

第二節 — 改進速度方程式

三個因素相乘決定了系統在實地的改進速度：

資料量 — 每月進入訓練管道的實際行駛里程
運算力 — 處理這些資料的基礎設施訓練吞吐量
更新頻率 — 改進後的模型多快抵達實地車隊並開始產生新訓練資料

指標	Tesla	Waymo	百度
每月進入訓練管道的里程	10–20 億英里（估計）	500–1,000 萬英里（估計）	2,000–5,000 萬英里（估計）
訓練運算力（相對）	高——Dojo 叢集加 NVIDIA GPU	中——Google TPU	中——百度雲端
OTA 頻率	每週	每季或更長	未公開
影子模式覆蓋	逾 600 萬輛	無	無
無人駕駛品質里程	較低——主要為監督式消費者駕駛	高——全部為商業無人駕駛	高——在指定城市無人駕駛

Tesla 的資料量優勢是真實且巨大的。在估計每月 10–20 億英里的訓練管道規模下，Tesla 處理的原始里程比兩家競爭對手多出幾個數量級。但需要注意資料品質：監督式消費者駕駛里程（人類駕駛員可能在模型遭遇完整困難場景前介入）與無人駕駛商業里程（自駕系統必須自行解決情況）並不等同。

第三節 — Waymo Carcraft：模擬優勢

Waymo 的 Carcraft 模擬平台是公司應對 Tesla 資料量優勢的答案。據稱可同時運行約 25,000 輛虛擬車輛，Carcraft 將每一個實際脫離事件與邊緣案例以數千種受控變體重新模擬——不同天氣、不同行人時機、不同車速——並在任何 OTA 更新獲批推送前測試模型的應對方式。

這種做法的策略價值在於前向覆蓋：Carcraft 可測試從未在現實世界發生的場景。Phoenix 的冰雪暴、工地旁突然跑出的行人、以特定角度闖紅燈的車輛——Waymo 可在商業部署遭遇之前就模擬並訓練。Tesla 的訓練管道則需要先在現實世界遭遇邊緣案例，才能取得對應的訓練資料。

第四節 — Tesla 影子模式的護城河

Tesla 在未購買 FSD 的車輛上靜默運行 FSD 影子模式。神經網路無聲地處理攝影機影像並記錄它原本會做的決策，不干預實際駕駛。當影子模式的預測與人類駕駛員的實際行為出現分歧時，那些時刻就成為高價值訓練樣本。

影子模式將 Tesla 的訓練車隊有效擴展到逾 600 萬輛主動車輛以外，涵蓋搭載 HW3 或 HW4 硬體的大多數在用車輛。資料收集不需要付費訂閱、不需要特別登記，每個訓練樣本的邊際成本為零。沒有其他 AV 公司能在這樣的規模下取得類似的被動資料收集機制。

第五節 — OTA 作為競爭護城河

持續更新實地車隊軟體的能力本身就是一個隨時間複利的競爭優勢。在其他條件相同的情況下，每週 OTA 週期的公司改進速度約是每季週期公司的 13 倍。

能力	Tesla	Waymo	重要性
消費者 OTA（非商業車隊）	是，每週	無消費者車隊	Tesla 同時與 600 萬用戶迭代
商業運營 OTA	是	是，分階段且保守	Waymo 優先考量運營安全而非更新速度
回滾能力	是	是	兩者均可還原有問題的軟體版本
大規模 A/B 測試	是——每次實驗數百萬輛	有限——數百輛	Tesla 可進行統計顯著的人口規模實驗
硬體運算 OTA	HW4 功能可透過軟體解鎖	固定硬體配置	Tesla 可在現有部署硬體上啟用新能力

複利效應在這裡至關重要。更快的更新週期意味著每次改進迴圈——收集資料、訓練模型、推送更新、收集新資料——完成得更快。在 24 個月的時間跨度中，每週週期的公司已執行迴圈約 100 次；每季週期的公司只執行了 8 次。

第六節 — 優勢實際所在

兩種方式都沒有乾淨的勝出。Tesla 的資料量、影子模式覆蓋與 OTA 頻率創造了一個難以從零複製的飛輪。弱點在於驗證：擁有 600 萬輛車隊與每週軟體更新，驗證失敗的代價非常高。Waymo 較慢的節奏部分是刻意選擇——商業無人駕駛服務無法承擔向付費公眾推送退化版本的聲譽成本。

2026 年中的圖景是兩種不同賭注：Tesla 押注資料量與更新速度是制約因素；Waymo 押注模擬品質與無人駕駛里程深度是制約因素。哪個賭注正確，將在未來 24–36 個月的安全資料中見分曉。

基準背景：這是實體 AI 系列的第十二篇文章

本追蹤報告是從多角度覆蓋實體 AI 的系列文章中的第十二篇：

運營規模指標、2. 人形機器人技術、3. AV 安全與法規、4. 投資與估值、5. 運算與晶片、6. 感測器堆疊與感知架構、7. 機器計程車單位經濟學、8. 全球競賽、9. 主評分卡、10. 高精地圖與定位、11. 車隊運營與遠端協助、12. 軟體架構與 OTA 管道（本文）

改進速度問題無法僅從公開資料得出確定答案。但架構、車隊規模與更新頻率所創造的結構性邏輯清晰可見——這些差異會隨時間複利。