2026-06-18 — views

HD 地圖 vs 無地圖自動駕駛 — Tesla 與 Waymo 為何在地理擴張上押注相反？

HD 地圖 vs 無地圖架構：這一個設計選擇如何決定 Waymo 與 Tesla 在地理規模、成本與護城河上的長期命運。

實體 AI 基準測試系列第 56 篇 — 一個架構，兩種未來

在自動駕駛產業所有技術決策中，沒有任何一項比這個更具策略意涵：自動駕駛車輛是否應該在抵達前就「知道」那條路長什麼樣子？

Waymo 的答案是「是的」。在任何 Waymo 機器人計程車上路之前，那條路已由專業測繪車輛預先掃描，轉換為公分精度的三維模型，並作為車輛行駛期間持續對照的「先驗知識」載入系統。自動駕駛車不只靠當下感知來導航，更不斷將即時感測器輸入與地圖記載的「預期狀態」互相比對。

Tesla 的答案是「不需要」。FSD 只使用攝影機和神經網路即時解讀道路環境，完全不依賴預建的 HD 地圖。車輛在每個時刻從訓練過的每條道路中，全新感知車道幾何、標誌位置與道路邊界。

這種架構分歧並非工程偏好的意外產物。它反映了對於自動駕駛規模化瓶頸的根本分歧信念——而這個信念，將比幾乎任何其他因素更決定性地影響兩家公司的地理擴張速度與長期成本結構。

第一節 — HD 地圖究竟是什麼

「地圖」這個詞具有誤導性，因為它讓人聯想到消費者導航產品。自動駕駛使用的 HD 地圖與 Google Maps 所提供的是截然不同的東西。

維度	標準道路地圖（Google Maps）	HD 地圖（自動駕駛等級）
精度	車道級（約 3–5 公尺精度）	公分級（2–10 公分精度）
內容	道路名稱、轉彎限制、速限	車道標線、路緣位置、交通標誌精確 3D 座標、道路地面標記、淨空高度
3D 結構	最少高程資料	道路環境完整 3D 點雲
更新頻率	數週至數月	道路異動後須在數小時至數天內更新
資料來源	衛星加 Street View 眾包	搭載 LIDAR 與攝影機的專業測繪車輛
每英里儲存量	千位元組（KB）	百萬位元組至十億位元組（MB–GB）
製作成本	低（眾包）	高：需要專業測繪車隊、運算資源與儲存設施

HD 地圖在自動駕駛系統中扮演的角色細膩而強大。它不取代感知——自動駕駛仍使用攝影機和 LIDAR 感知當下世界。地圖提供的是信心基準。當 LIDAR 偵測到疑似車道邊界的訊號，HD 地圖可以確認或否定該位置是否應該存在車道邊界。當視覺條件惡化——大雨、強烈逆光、褪色的道路標線——地圖提供了車輛可以依附的地面真實。這種降噪功能正是 Waymo 等依賴 HD 地圖的公司主張地圖不是拐杖而是基礎可靠性層的工程理由。

第二節 — Waymo 的 HD 地圖依賴方法

Waymo 系統將 HD 地圖視為每個作業階段的第一等輸入，從初始部署準備到商業載客期間的即時定位皆然。

面向	細節
運作方式	Waymo 在機器人計程車上路前先行派出專業測繪車輛；自動駕駛車的感知系統即時於 HD 地圖中定位自身，達到公分精度
定位方法	LIDAR 點雲與儲存的 HD 地圖比對——即使在視覺條件惡化時仍具高精度
作業範圍	Waymo 只在已測繪區域作業；擴張至新城市或新社區需先完成測繪
測繪車隊	Waymo 已多年運營專業測繪車輛；測繪里程達數萬英里（估計值）
地圖更新流程	施工、道路變更、新增標誌必須偵測到後更新地圖，才能讓自動駕駛在該區域安全作業
優勢	非常高的定位信心；可根據已知道路幾何預先規劃路線；降低即時感知負擔
劣勢	地理擴張速度受測繪速度限制；無法在未測繪區域作業；地圖維護是持續性成本
策略意涵	Waymo 的已測繪區域是專有資產——但也是瓶頸。亞特蘭大規模的城市，機器人計程車上路前需要數月測繪工作。

LIDAR 對 HD 地圖比對所實現的定位精度確實令人印象深刻。在視覺條件惡化的場景——大雨、強烈日落逆光、施工揚塵——Waymo 車輛仍能以公分精度知道自己的確切車道位置，因為 HD 地圖縮小了解空間。這在 Waymo 實際作業的特定地理範圍內，是切實的安全優勢。

這項優勢的代價是地理囿限。Waymo 無法自發繞行至新社區。無法因洪水將交通導至未測繪道路而隨機應變。每一個新的城市街區，都需要一次專屬的測繪工作才能商業化啟用。

第三節 — Tesla 的無地圖方法

Tesla 的 FSD 架構完全拋棄了 HD 地圖的依賴。系統依賴來自攝影機的即時神經網路推論，推導車輛逐車道、逐標誌導航所需的一切。

面向	細節
運作方式	FSD 只使用即時攝影機輸入；無 HD 地圖依賴；神經網路從當下所見推論道路幾何、車道位置與導航
定位方法	GPS 加標準地圖（OpenStreetMap/Google 路線規劃）導航；攝影機感知精確車道級駕駛
作業範圍	理論上任何有標準道路標線的地方皆可作業——無需預先測繪
優勢	可立即在任何新地理位置作業；無測繪車隊成本；規模化取決於攝影機硬體，而非地圖覆蓋範圍
劣勢	更高的即時感知需求；在道路標線不清晰、磨損或缺失的邊緣情境更脆弱；在陌生環境中錨定性較低
地理意涵	Tesla Cybercab 理論上可在任何美國城市上路而無需測繪前置作業——法規核准是唯一門檻，而非 HD 地圖覆蓋
車隊訓練替代品	Tesla 不用預建地圖，而是依賴從數百萬輛車隊車輛訓練資料中見過的相似道路幾何；神經網路在其權重中建立隱性空間模型

無地圖方法的哲學前提是：一個足夠強大的神經網路應該能處理任何它未曾見過的道路，就像人類駕駛可以在沒有衛星測量的情況下導航陌生街道一樣。這個賭注是：從多樣化訓練資料的泛化能力，比預先以結構化地圖編碼世界更具可擴展性。

Tesla 的車隊規模資料優勢放大了這個賭注。數百萬輛車輛從全球各地道路產生攝影機影像，任何給定道路類型、路口幾何或環境條件在訓練中被遇到的概率很高。神經網路權重中編碼的隱性地圖，通過車隊集體駕駛經驗持續更新——一種不需要專業測繪車輛造訪每條道路的地圖更新形式。

第四節 — 工程取捨

將這個問題框架為單純的「有地圖更好」或「無地圖更好」會錯失取捨的真正結構。兩種方法對哪些工程問題更容易解決押下了不同的賭注。

維度	HD 地圖方法（Waymo）	無地圖方法（Tesla）
擴張速度	慢：先測繪，再作業	快：無需預先測繪
作業信心	在已測繪區域高；超出範圍後失效	不一；取決於訓練覆蓋率
地圖新鮮度風險	地圖更新與自動駕駛作業之間的道路變更造成安全缺口	無陳舊性風險——始終是即時的
運算分佈	地圖預運算減輕部分即時工作量	所有運算必須在車上即時發生
邊緣案例處理	已知邊緣案例預編碼於地圖中；意外道路幾何更難處理	神經網路可泛化；但真正陌生的幾何仍可能失敗
成本結構	高前期（測繪車隊）加上持續（地圖維護）	前期較低；成本在訓練資料與運算
全球擴展性	以 HD 精度測繪整個世界是數十年的工程（估計）	規模化取決於道路存在，而非地圖覆蓋

地圖新鮮度風險值得特別強調。HD 地圖的準確性以最後更新為基準。如果施工人員一夜之間設置了新護欄、改變了車道方向或移除了紅綠燈，HD 地圖現在就是錯的。自動駕駛車感知到與地圖矛盾的事物，必須決定信任哪個。無地圖系統沒有等效的陳舊性問題——其感知始終是當前的，好壞皆然。

無地圖系統上的即時運算負擔是等效的負債。Waymo 車輛可以使用 HD 地圖來精簡感知工作量：在地圖已經編碼為只有護欄的區域，它不需要執行完整目標偵測。Tesla FSD 系統無法做這種精簡——它必須在每一幀、每一車道、每個物體上始終執行完整感知。這對車載運算和能源提出了更高要求。

第五節 — 中間路線：眾包與輕量地圖

並非所有自動駕駛公司都選擇了非此即彼的極端立場。一系列中間地圖策略已經浮現，每種都試圖在減少測繪車隊依賴的同時，捕獲部分 HD 地圖的精度優勢。

公司/方法	地圖策略
Mobileye	「道路體驗管理」（REM）——從配備攝影機的車輛眾包建立輕量地圖；解析度低於 Waymo 的 HD 地圖，但可通過已上路量產車輛擴展
Cruise（停業前）	舊金山的 HD 地圖；向新城市的擴展可擴展性是公認挑戰
百度 Apollo	中國城市的 HD 地圖；依賴政府合作取得測繪資料與許可
Zoox（亞馬遜）	HD 地圖；專為已測繪城市走廊設計的雙向目的地車輛
Comma.ai	完全無地圖；社群打造的 OpenPilot 在標準車輛上只使用攝影機運行，無任何 HD 地圖依賴
GM Super Cruise	需要 HD 地圖（由 LIDAR 測量的已測繪高速公路）；能力僅限於特定道路類型

Mobileye 的 REM 方法是最具策略意義的中間路線。它不部署專業測繪車隊，而是從已售出並正在行駛的量產車輛彙總攝影機資料來建立道路模型。每輛搭載 Mobileye 系統的汽車都成為測繪代理人。由此產生的地圖解析度低於 Waymo 基於 LIDAR 的 HD 地圖，但更新頻率可能高出許多——任何在過去 24 小時內被 REM 裝備車輛行駛過的道路都有新鮮資料點。

2025–2026 年的新興方向是將輕量眾包地圖作為中間路線——比純 GPS 導航提供更好的定位，但規模化方式不同於傳統 HD 測繪計畫。

第六節 — 觀察指標：地理規模測試

HD 地圖對無地圖的論戰將在 2020 年代晚期以實證方式決出勝負。測試很簡單：哪種方法能以更快速度、更低持續成本在更多地方商業運營？

測試	Waymo 預測	Tesla 預測
新城市上線時間	6–18 個月（測繪加法規）	1–3 個月（若 FSD 獲無人駕駛商業作業核准，僅需法規）
農村道路表現	有限——未測繪區域禁止進入	若神經網路在訓練中見過相似道路類型，應可運作
國際擴張	每個國家需要新的測繪計畫與資料共享協議	取決於訓練資料的地理覆蓋範圍——全球車隊資料是潛在加速器
規模化地圖維護成本	可觀的持續運營成本：偵測變更、更新地圖、重新部署前驗證	最低——無地圖需維護；透過 OTA 車隊學習更新模型
若無地圖方案成功	Tesla 的地理擴張速度快出數個量級	—
若無地圖方案不足	HD 地圖精度被證明是十億英里安全記錄所必需	—

答案並非預先決定。若無地圖系統在 HD 地圖本可預防的情況下失敗——遺漏了地圖本應強制執行的車道邊界——這強化了 Waymo 架構的論點。若 Waymo 因陳舊地圖與現實道路衝突而暫停運營，則論點反轉。

清楚的是，地理規模測試將在完全公開的情況下展開。兩家公司都在商業擴張中。Waymo 在舊金山、鳳凰城、奧斯汀和亞特蘭大運營。Tesla 的 Cybercab 將奧斯汀定為 2025–2026 年有限上線的目標。每家公司進入新城市的速度，以及在此過程中建立的安全記錄，將決定市場最終驗證哪種架構賭注。

資料來源：Waymo 技術總覽（waymo.com/waymo-driver/）；Tesla AI 部落格與 Vision 文件（tesla.com/AI）；Mobileye 道路體驗管理（REM）概述（mobileye.com/technology/rem/）；GM Super Cruise HD 地圖道路要求（gm.com/innovation/super-cruise）。所有標記（估計）的數據均來自公開公司材料、產業報導與分析師研究，未經獨立驗證，應視為方向性而非精確性。本文不構成投資建議。