2026-06-18 — views
實體AI能源足跡——自動駕駛車輛與人形機器人的環境成本
LIDAR感測器、訓練算力、稀土材料：自動駕駛車輛與人形機器人的完整生命週期環境成本全面解析。
實體AI基準系列第70篇——環境成本
自動駕駛車輛和人形機器人通常被定位為清潔技術的勝利：電動馬達取代燃油引擎、軟體智慧取代易錯的人類行為。這一框架部分正確，但它僅捕捉到驅動能源——一旦加入LIDAR感測器套件、感測器融合計算堆疊、數十億模擬訓練里程，以及砷化鎵雷射二極體和釹磁鐵執行器的採礦足跡，驅動能耗便不再是全貌。
隨著AV車隊規模超過數千輛商業車輛，人形機器人生產接近有意義的製造規模，實體AI的完整生命週期環境成本正成為監管機構、機構投資者和注重永續發展的採購團隊的重要關注點。本文從五個維度繪製這一成本圖：每英里運營能耗、訓練算力碳排、感測器製造材料、車隊規模電網影響，以及兩家領先AV運營商的不同永續發展定位。
第一節——每英里能耗：AV vs 人駕EV vs 燃油車
任何車輛最直接的環境問題是每英里消耗多少能量。對於AV而言，這一計算有兩個傳統EV不具備的組件：感測器陣列，以及即時處理感測器數據所需的車載計算堆疊。
| 車輛類型 | 驅動能耗 (kWh/英里) | 車載計算能耗 (kWh/英里) | 總能耗/英里 | 備注 |
|---|---|---|---|---|
| 燃油轎車（美國平均） | ~1.1 kWh/英里（等效） | ~0 | ~1.1 kWh/英里equiv. | 汽油；33.7 kWh/加侖等效；平均30 mpg |
| 消費者EV（Tesla Model 3） | ~0.25 kWh/英里 | ~0.002 kWh/英里 | ~0.252 kWh/英里 | 高效率；最低車載計算 |
| 搭載FSD的EV（HW4） | ~0.25 kWh/英里 | ~0.005–0.008 kWh/英里（估） | ~0.257 kWh/英里 | FSD HW4計算增加約2–3%能耗（估） |
| Waymo Gen 5（捷豹I-PACE） | ~0.35 kWh/英里（I-PACE基準） | ~0.08–0.15 kWh/英里（估） | ~0.43–0.50 kWh/英里（估） | LIDAR套件+全感測器陣列+計算負載顯著 |
| Waymo Gen 6（專用車） | ~0.28 kWh/英里（估，更輕車體） | ~0.05–0.10 kWh/英里（估） | ~0.33–0.38 kWh/英里（估） | 專用車體降低基礎能耗；計算效率提升 |
| Tesla Cybercab（目標） | ~0.20 kWh/英里（估，2座專用車） | ~0.005–0.008 kWh/英里（估） | ~0.205–0.208 kWh/英里（估） | 純視覺方案——無LIDAR耗電；最小計算足跡 |
全棧AV相對簡單消費者EV最主要的能源溢價來源是LIDAR——既包括感測器本身，也包括即時處理其點雲數據所需的算力。單個旋轉式機械LIDAR裝置可持續消耗8–25W。Waymo完整感測器套件——LIDAR陣列、雷達、攝像頭，以及即時融合所有數據的計算堆疊——估計持續功耗為1–3 kW（估），相比同類EV平台，每英里能耗增加約30–60%。
Tesla的純視覺方案完全消除了這一感測器能耗開銷。Cybercab在專用輕量硬體上運行視覺方案，目標是所有商業機器計程車平台中最低的每英里能耗。這是純視覺架構被低估的環境優勢之一——在車隊規模下，這一優勢將成倍放大。
第二節——訓練算力：教會AV駕駛的碳排成本
商業AV在現實中安全行駛的每一英里，背後都有數量級更多的模擬里程作為支撐。訓練驅動現代AV系統的神經網路——以及運行生成訓練數據的模擬管線——所消耗的算力規模媲美最大的基礎模型。
| 系統 | 訓練算力（估） | 能源消耗（估） | CO2當量（估） | 備注 |
|---|---|---|---|---|
| GPT-4（參考點） | ~2.1x10²⁵ FLOPs（OpenAI公開估計） | ~50 GWh（估） | ~25,000噸CO2（估） | 規模參考 |
| Tesla FSD（累計，2024） | 未披露；Dojo集群~1 exaFLOP算力 | 未披露 | 未披露 | Tesla Dojo使用自研D1芯片；相比GPU集群效率優勢（估） |
| Waymo（累計） | 未披露 | 未披露 | 未披露 | 使用Google Cloud TPU；能源結構來自Google可再生能源承諾 |
| Waymo模擬 | ~200億模擬英里/年（估） | 大量雲計算 | 部分被Google 100%可再生電力採購協議抵消（估） | 模擬是主要訓練數據倍增器 |
| 人形機器人訓練（每個新模型） | 小於AV（數據多樣性要求較低） | ~1–10 GWh（估） | ~500–5,000噸CO2（估） | 非常粗略的估計；無公開數據 |
模擬是使現代AV系統切實可行的訓練倍增器。據報道Waymo每年運行數百億模擬英里——遠超實際車隊里程。模擬的算力成本不可忽視，但Google通過電力採購協議的可再生能源承諾抵消了相當部分。Tesla的Dojo集群基於自研D1芯片優化神經網路訓練，主要依靠德克薩斯州ERCOT電網——其碳強度與Google Cloud可再生能源匹配的算力有本質差異。
第三節——感測器製造：稀土與材料成本
實體AI的環境成本在車輛轉動車輪之前便已開始。實現AV運營的感測器陣列需要供應鏈高度集中、有毒副產品和有限生命末期回收途徑的材料。
| 組件 | 關鍵材料 | 環境問題 | 備注 |
|---|---|---|---|
| LIDAR（旋轉/固態） | 砷化鎵（GaAs）、砷化銦鎵（InGaAs）、鋁砷化鎵雷射二極體 | GaAs/InGaAs採礦產生有毒含砷廢物；回收途徑有限 | 每輛Waymo車輛攜帶多個LIDAR裝置 |
| 攝像頭圖像感測器 | 矽（豐富）；色彩濾波器中部分稀有材料 | 環境影響低於LIDAR | 商品化規模製造 |
| 雷達模塊 | 矽、氮化鎵（GaN）用於毫米波 | GaN生產環境足跡適中 | 規模化製造日益增加 |
| AI計算芯片（NVIDIA DRIVE、Tesla HW4） | 矽、鎢、鈷、鉿（EUV柵介電質） | TSMC晶圓廠用水~156,000噸/天；晶圓廠化學品有害廢物 | TSMC在水資源緊張的台灣的晶圓廠帶來長期供應風險 |
| 電動馬達（AV+人形機器人） | 釹、鏑（稀土磁鐵） | 中國控制約85%的稀土加工；採礦和加工污染嚴重 | 適用於所有EV牽引馬達和人形機器人執行器 |
| 電池（AV+人形機器人） | 鋰、鈷（NMC）、LFP（鐵、磷酸鹽） | 鋰礦開採（鹽水/硬岩）破壞生態系統；剛果民主共和國鈷礦開採存在人權問題；LFP降低鈷依賴 | Tesla轉向LFP降低鈷敞口 |
LIDAR雷射二極體的砷化鎵供應鏈是AV平台特有的最迫切材料問題。與矽不同，砷化鎵生產產生含砷廢物流，安全處置選項有限。LIDAR裝置也不在任何既有電子回收計畫的覆蓋範圍內——隨著商業車隊開始更換車輛，感測器生命末期處置是一個尚未解決的責任問題。
第四節——車隊規模電網影響
在車隊規模較小時，AV充電負荷可被現有電網基礎設施吸收，不造成明顯影響。隨著車隊規模擴大到數萬乃至數十萬輛，總充電需求成為電網規劃的考量因素——而在人形機器人全面工廠部署規模下，這一需求可與中型城市的工業負荷相當。
| 場景 | 車隊規模 | 日能源需求 | 電網等效 | 備注 |
|---|---|---|---|---|
| Waymo現狀 | ~1,500輛（估） | ~1,500 x 200英里/天 x 0.45 kWh/英里 = ~135 MWh/天（估） | ~5,600個美國家庭（估） | 適中；可被本地電網完全吸收 |
| Waymo達到10,000輛 | 10,000 | ~900 MWh/天（估） | ~37,500個美國家庭（估） | 需要有序充電避免峰值需求激增 |
| Tesla Cybercab達到100,000輛 | 100,000 | ~100,000 x 200英里 x 0.21 kWh/英里 = ~4,200 MWh/天（估） | ~175,000個美國家庭（估） | 顯著；必須分散至非峰值時段 |
| 人形機器人（工廠100萬台） | 1,000,000 | ~1M x 8小時 x 0.5 kW = ~4,000 MWh/天（估） | ~167,000個美國家庭（估） | 工廠選址；可移至非峰值時段 |
車輛到電網（V2G） 是從根本上顛覆電網影響論點的正向外部性。一個擁有50 kWh電池、平均荷電狀態50%的10萬輛AV車隊，代表約2,500 MWh的分佈式儲能——相當於一個公用規模的電池裝置。V2G能力的AV車隊可在峰值需求窗口提供電網平衡服務，抵消充電負荷，甚至可能提供淨電網穩定效益。
第五節——永續發展定位：Waymo vs Tesla
兩大領先AV平台具有結構性不同的永續發展特徵——主要由多年前在環境影響尚未成為競爭差異化指標時所做的感測器架構選擇所決定。
| 維度 | Waymo | Tesla |
|---|---|---|
| 能源來源（訓練） | Google Cloud——100%可再生能源匹配（電力採購協議） | Dojo自建——德克薩斯電網結構（估ERCOT 2026約25%可再生，估） |
| 車輛能源效率 | 每英里較高（全LIDAR套件）；Gen 6有所改善 | 每英里較低（純視覺，更輕的Cybercab）；結構性優勢 |
| 車隊充電可再生比例 | 充電站充電可通過PPA實現可再生匹配 | 超充網路約70%可再生（Tesla公開估計） |
| 感測器生命末期 | 無已發布的LIDAR裝置回收計畫 | 無LIDAR可回收；攝像頭感測器為商品 |
| 稀土敞口 | 高——LIDAR雷射二極體使用GaAs/InGaAs | 較低——純視覺降低稀土感測器敞口；EV電池磁鐵敞口仍存在 |
| 碳信披 | Alphabet發布年度永續發展報告；含Waymo數據 | Tesla發布影響力報告；含詳細車輛生命週期分析 |
| 整體評估 | 較高運營足跡（LIDAR），被Google可再生訓練部分抵消 | 較低每英里運營足跡；每年600萬+輛的製造足跡是主導項 |
第六節——投資者信號
環境影響正從聲譽考量轉變為AV運營商的監管和財務問題。歐盟碳邊界機制、美國SEC氣候披露規則以及機構ESG授權正在為生命週期碳排特徵創造切實的財務後果。
LIDAR能耗溢價是全棧AV運營商在規模化運營中持久的每英里成本逆風。感測器生命末期的未解問題——含砷的LIDAR組件缺乏既有回收計畫——將在第一代車隊退役時演變為監管和責任敞口。
V2G能力是當前ESG框架低估的真實環境上行空間。與電網合作夥伴建立V2G商業協議的車隊運營商，將能夠申請有意義抵消充電足跡的電網穩定積分，並創造傳統車隊運營中沒有類比的收入來源。
第七節——關於本系列
這是實體AI基準系列的第70篇文章。本文增加了環境維度：從燃油車到純視覺機器計程車的全AV能耗譜系、大規模模擬訓練算力碳排成本、AV永續分析通常忽略的感測器製造材料和稀土供應鏈、多個部署場景下的車隊規模電網影響，以及由感測器架構選擇驅動的Waymo和Tesla不同永續發展定位。
注： 能耗數字、車隊規模估計、電網等效計算和訓練算力估計標注為「（估）」，反映公開報告、行業分析和分析師估計（在主要數據不可用時）。目前沒有AV運營商發布涵蓋本文所有分析維度的完整生命週期環境披露。本文不構成投資建議。
來源
- Alphabet永續發展報告 — Google環境報告 ↗
- Tesla影響力報告 — Tesla ↗
- TSMC用水量與永續發展 — TSMC企業社會責任報告 ↗
- Waymo安全與營運 — Waymo ↗
- 稀土供應鏈 — IEA關鍵礦物報告 ↗