2026-06-18 — views

實體 AI 車隊調度 — Waymo 如何即時路由 1,100 輛車，以及為何調度系統是隱形競爭護城河

Waymo 調度 OS 即時路由 1,100 輛自動駕駛車，是乘車量的乘數效應，也是難以複製的隱形競爭護城河。

實體 AI 基準系列第 118 篇 — 實體 AI 車隊調度：Waymo 如何即時路由 1,100 輛車、調度效率如何決定乘車量上限，以及車隊作業系統為何是隱形競爭護城河

商業自動駕駛車輛運營中最重要的軟體，不是能看見世界的感知堆疊，也不是選擇如何駕駛的規劃模組。而是調度系統——這個車隊作業系統決定了 1,100 輛車中哪一輛接哪位乘客、每輛車何時充電、空閒車輛如何在需求出現前預先定位，以及整個車隊如何即時響應道路事故、地理圍欄邊界和需求高峰。這個軟體對乘客完全不可見，乘客只看到預估到達時間和一輛到來的車。但調度系統是車隊每一筆硬體和基礎設施投資的乘數。

一支調度能力差的 1,100 輛車隊，每天可能只產生 3,000 次乘車——平均每輛車約 3 次，大部分時間浪費在空駛里程、充電間隙和定位不當上。同一車隊，如果調度能力優秀，每天可產生 6,000 次或以上的乘車——在不增加任何車輛的情況下，從同一資本基礎將營收翻倍。AV 運營商手中沒有其他任何槓桿能達到如此量級的影響。感知硬體是固定的；路線是固定的；監管區域是固定的。調度效率是唯一可以在不改變車隊任何可見要素的情況下讓乘車經濟性翻倍或減半的變數。

本文將調度層作為實體 AI 基準第 118 個維度進行分析，研究車隊 OS 必須優化什麼、每車每日乘車次數如何成為核心吞吐量指標、生產級調度系統架構是什麼樣子，以及 Waymo 和 Tesla 不同的車隊哲學如何創造出根本不同的調度挑戰。

第一節 — 車隊調度的優化目標

車隊調度是一個多目標即時優化問題。與優化單輛車路線的導航系統不同，車隊調度系統必須同時跨數百或數千輛車進行優化，平衡那些經常相互衝突的目標：最小化等待時間需要調派最近的車輛，但最小化空駛里程則需要讓車輛停留在預測需求區域，而非追逐每個個別請求。

調度目標	控制內容	對乘車經濟性的影響
乘客與車輛匹配	哪輛車接哪位乘客；在最小化 ETA 與最小化空駛之間取得平衡	匹配差 = 等待時間長（失去乘客）和空駛里程高（浪費能源和成本）
空駛里程（回程）最小化	在請求到達前，將空閒車輛路由至需求區域	每空駛一英里約花費 $0.15–0.30 在能源和折舊上，但零收入（估計值）
充電視窗優化	在低需求時段（凌晨 2–6 時）安排充電；平衡電量與可服務性	充電安排差 = 峰值需求時車輛被抽離服務；或車輛以低電量運行
地理圍欄邊界管理	追蹤哪些車輛正在接近運營邊界；在車輛離開區域前重新路由	滯留在圍欄邊緣的車輛會減少有效車隊規模
事故重新路由	偵測道路封閉、事故、施工；即時重新路由受影響車輛	調度必須在車輛到達前偵測事故；基於 HD 地圖的車隊獲得地圖更新；視覺辨識車隊即時偵測
需求預測	預測未來 15–30 分鐘的需求地點；預先定位車輛	正確預先定位可減少 ETA；錯誤預先定位會浪費空駛里程
多車協調	防止多輛車同時匯集到同一個接客地點	車隊協調防止在高需求區域「車輛堆積」

ETA 最小化與空駛里程最小化之間的衝突是車隊調度的核心張力。一個總是派最近車輛的天真系統，雖然會最小化個別 ETA，但由於車輛從錯誤方向匯聚到需求熱點，會產生高空駛率。一個基於需求預測來預先定位車輛的系統，由於車輛已經在乘客即將發出請求的地點附近，整個車隊的平均 ETA 會更低——但任何在非預測地點發出請求的乘客都將面臨更長的等待。生產調度系統通過同時權衡 ETA、需求概率、車輛分布和能源成本的 ML 模型來應對這一張力。

第二節 — 每車每日乘車次數：核心效率指標

車隊每日可產生的乘車量是車隊規模與每車每日乘車次數的乘積。每車每日乘車次數不由車輛硬體決定——完全運營狀態的車隊中每輛車都有能力完成乘車。它幾乎完全由調度系統決定：如何高效率地將車輛與乘客匹配、車輛花多少時間在空駛轉場、以及充電管理的好壞是否能讓車輛在高峰時段保持可用。

場景	每車每日乘車次數（估計值）	驅動因素	營收影響
基準（調度差）	每車每日 8–12 次（估計值）	等待時間長、空駛里程高、需求預測差	平均每次 $12：每車每日 $96–144（估計值）
良好調度	每車每日 15–20 次（估計值）	平均 ETA 5 分鐘，空駛率 15%（估計值）	平均每次 $12：每車每日 $180–240（估計值）
優秀調度	每車每日 25–35 次（估計值）	密集區域平均 ETA 3 分鐘，空駛率 10%，持續利用	平均每次 $12：每車每日 $300–420（估計值）
Uber/Lyft 人類司機（對比）	每司機每日 15–25 次（估計值，全職密集城市司機）	司機自選工作時段和地點；無中央優化	因司機策略而異
Waymo 鳳凰城車隊（估計值）	整個車隊約每車每日 18–25 次（估計值）	鳳凰城：24/7 運營，天氣良好，成熟調度系統	1,100 輛 × 20 次 × $12 = 鳳凰城車隊估計每日 $264K 營收
車隊整體影響	1,100 輛 × 20 次 = 每日 22,000 次（估計值）	約等於每週 154,000 次——與 Waymo 公布的每週 150K+ 里程碑吻合	車隊規模 × 調度效率 = 乘車量

每車每日乘車次數為從已披露數據反推 Waymo 調度效率提供了依據。Waymo 報告其橫跨鳳凰城、舊金山和洛杉磯約 1,100 輛商業車輛每週完成超過 150,000 次乘車。這意味著每日超過 21,000 次，即每車每日約 19–20 次——位於上表「良好調度」層級，遠超同等硬體配置下調度能力差的系統所能產生的數字。

第三節 — 調度架構：車隊 OS 必須做到什麼

1,100 輛車的生產車隊調度系統，是一個在亞秒延遲約束下運行的即時分布式系統。它吸收車輛狀態更新、乘車請求和環境數據的連續流；持續運行優化算法；並發出車輛必須以最小延遲執行的路由和分配指令。

系統組件	功能	技術挑戰
即時車輛狀態追蹤	每秒了解每輛車的位置、速度、電池電量和乘客狀態	1,100 輛 × 10 次狀態更新/秒 = 每秒 11,000 條狀態消息；必須在 100ms 以下延遲處理（估計值）
需求預測模型	基於地理、時間、天氣、活動的歷史乘車請求模式訓練的 ML 模型	重大活動（音樂會、比賽）造成突發需求高峰時，必須即時更新預測
ETA 計算引擎	對每個進入的乘車請求，即時計算所有可行車輛的 ETA	每週 150K+ 次乘車，高峰需求 = 數十個同時請求；必須在秒內計算 100+ 個車輛-請求對的 ETA
路線優化	給定分配後，計算從當前車輛位置到接客點到目的地的最優路線	必須納入即時交通、地理圍欄約束、施工改道、充電站位置
充電調度器	決定每輛車何時返回站點充電；平衡電量下限與需求可用性	為 1,100 輛車安排交錯需求週期的充電是一個非平凡的調度問題
異常偵測	偵測異常行為的車輛（卡住、困惑或中途停車），並調派遠程協助	早期偵測防止輕微車輛困惑演變為公共事件
車隊再平衡	在需求轉移期間將車輛從低需求區域移到高需求區域	鳳凰城：機場需求在早上 6 時（入港航班）和晚上 9 時激增；車隊必須預先定位

第四節 — Tesla 的網路架構：不同的設計哲學

Tesla 進入商業 AV 市場帶來了根本不同的車隊調度挑戰。Waymo 在完全中央控制下運營公司擁有的車隊，而 Tesla 的機器人計程車網路設計圍繞著混合模式：在高密度區域部署 Tesla 擁有的 Cybercab 車輛，同時輔以消費者擁有的 Model Y 和 Model 3 車輛——在車主不需要時加入網路。

維度	Waymo 車隊方式	Tesla 機器人計程車網路方式
車輛所有權	Waymo 擁有並運營整個車隊；完全調度控制	混合：Tesla 擁有的 Cybercab 車隊和加入網路的消費者擁有車輛
調度控制	中央化 Waymo 車隊 OS 控制每輛車	消費者擁有車輛：車主優先覆蓋；車主需要時車輛離開網路
車隊可用性可預測性	100% — Waymo 決定車輛何時服務	消費者擁有：可用性不可預測；車主自用時將車輛從網路移除
充電控制	Waymo 控制整個車隊的充電時間表	消費者擁有：車主控制充電；車輛可能以低電量進入網路
地理圍欄管理	嚴格地理圍欄；所有車輛在定義邊界內運行	在映射/核准區域外運行的消費者車輛：管理複雜
網路效應	更多車輛 = 更密集覆蓋 = 更低 ETA = 更高 NPS = 更多乘客 = 購買更多車輛的收入	Tesla 論點：消費者車隊以幾乎零車隊成本為 Tesla 提供大規模網路密度；車主獲得收入
經濟風險	Waymo 承擔所有車輛資本支出；車隊擴張需要資本	Tesla：消費者承擔車輛成本；Tesla 建立調度軟體和高密度區域的 Cybercab
調度效率	完全可優化——無消費者優先衝突	消費者擁有：調度必須尊重車主優先覆蓋；理論上次優，但具有巨大規模潛力

第五節 — 調度效率基準

調度效率可沿多個運營維度衡量。這些指標直接轉化為乘車經濟性、單位經濟性，以及最終通向車隊盈利的路徑。

指標	Waymo 基準（估計值）	Tesla 目標（估計值）	為何重要
地理圍欄內平均 ETA	4–6 分鐘（估計值，基於公布乘車量和車隊規模）	Cybercab 區域目標 3–5 分鐘（估計值）	低於 5 分鐘：與 Uber 有競爭力；高於 8 分鐘：乘客轉換
空駛率	總行駛里程的 15–20%（估計值）	規模化目標低於 15%（估計值）	每空駛里程都是純成本；行業效率基準
車輛使用率	可用時數的 65–75% 產生收入（估計值）	車隊車輛目標 70–80%（估計值）	剩餘時間：充電、站點、清潔、異常解決
高峰需求激增管理	車隊預先定位將活動時的激增控制在正常 ETA 的 2 倍（估計值）	—	激增管理差：ETA 激增時乘客轉向 Uber
充電時間表效率	目標：高峰時段零車輛電量低於 20%	—	電量下限防止需求高峰使乘客陷入困境
每車每日乘車次數	成熟鳳凰城車隊估計 18–25 次	優化 Cybercab 區域目標 25–35 次（估計值）	每輛車的關鍵營收乘數

調度系統的隱形特性恰恰使其成為持久的競爭護城河。AV 市場的新進入者原則上可以採購與 Waymo 相同的感測器硬體、授權 HD 地圖資料、招募曾任職 AV 感知領域的工程師。但它無法快速複製一個針對數百萬次真實乘車進行了優化、在特定城市真實需求模式上進行了校準、通過多年運營反饋進行了調優的調度系統。在鳳凰城週二早上 6 時（棒球賽季期間）預測需求出現位置的算法、在特定地理圍欄配置中平衡 ETA 與空駛里程的模型、針對數千個邊緣案例訓練的異常偵測系統——所有這些積累的運營學習都嵌入在車隊 OS 中。它不被披露，在大多數具體方面不可申請專利。它隨車隊完成的每一次額外乘車而複利增長。

以 2026 年中期每週 150,000 次乘車的速度，Waymo 正在以目前任何競爭對手都無法匹配的速度積累調度智能。這就是護城河。不是車輛。不是地圖。而是那個即時路由 1,100 輛車、隱形地運作、達到需要多年才能建立且無法現成購買的優化水準的軟體。

注意： 所有標注「（估計值）」的數字均來自截至 2026 年中期的公開資訊、工程估算和行業報告。Waymo 未公開披露調度系統規格、空駛率或車輛使用率數據；估算為方向性數據。本文不構成投資建議。