2026-06-18 — views
物理AI硬體演進——激光雷達成本曲線、Tesla HW4至HW5、Waymo第六代，以及AV硬體BOM衝破千元門檻的競賽
激光雷達從2016年的75,000美元暴跌99%至今日不足500美元。Tesla HW4感測器BOM約300至700美元，Waymo第六代約5,000至15,000美元；Cybercab與第七代分別是各公司的硬體成本關卡。
物理AI基準系列第149篇——物理AI硬體演進：感測器成本、客製晶片路線圖，以及AV硬體材料清單衝破千元的競賽
硬體成本是自動駕駛汽車經濟學中最關鍵的變數之一。2016年一顆激光雷達感測器售價高達75,000美元（估），如今已低於500美元。這十年來近99%的成本崩跌，已將激光雷達從拖垮經濟性的大項目，轉變為接近攝影機級定價的商品感測器。但激光雷達只是AV材料清單（BOM）的一部分。運算晶片、攝影機、雷達與車內推論晶片共同決定了自動駕駛車輛能否在規模量產下實現正向單位經濟效益。
本文為物理AI基準系列第149篇，對比Waymo第六代與Tesla HW4/HW5的硬體BOM演進、Tesla Dojo與Google TPU的客製晶片競賽，以及硬體成本曲線對AV單位經濟轉正時間的影響。標有「（估）」的數字均來自公開披露、產業研究、分析師估算與報告數據，並非獨立驗證的第一手資料。本文不構成投資建議。
第一節——激光雷達成本曲線：使AV經濟性成為可能的硬體革命
| 年份 | 頂級激光雷達成本（估） | 代表產品 | 較高峰變化 | 備註 |
|---|---|---|---|---|
| 2016 | ~75,000美元（估） | Velodyne HDL-64E（64線機械式） | 基準 | 第一代機械式激光雷達；Waymo第一代使用Velodyne |
| 2018 | ~8,000–15,000美元（估） | Velodyne VLP-16；早期固態方案 | ~兩年下跌80% | 大衆市場信號；固態開發加速 |
| 2020 | ~1,000–3,000美元（估） | Luminar Iris（預量產）；Livox；禾賽 | 較2016年下跌~95% | Waymo第五代使用此成本區間；經濟性仍為負 |
| 2022 | ~500–1,500美元（估） | Luminar Iris量産；Innoviz One；Ouster OS1 | ~下跌97% | 接近車規級成本目標 |
| 2024 | ~200–800美元（估） | Waymo/極氪第六代激光雷達（Luminar/禾賽）；多種固態選項 | 較2016年下跌~99% | 低於500美元的固態激光雷達已商業量産 |
| 2026（估） | ~100–500美元（估） | 次世代固態；MEMS激光雷達；光子積體電路激光雷達 | 較2016年下跌~99.5% | 第六代車輛激光雷達目標：單顆低於500美元（估） |
| 2030（估） | ~50–200美元（估） | 車規整合激光雷達（片上） | ~下跌99.7% | 低於100美元時，激光雷達成本接近高端攝影機 |
| 啟示 | 激光雷達成本已不再是主要AV硬體成本驅動因素（2016–2020年曾是）；運算、攝影機及冗餘系統成本已相當 | — | — | 激光雷達低於500美元後，Tesla純攝影機的成本優勢縮小 |
激光雷達十年間99%的成本崩跌，使其從AV成本辯論的首要障礙，轉變為越來越不顯眼的線項。目前攜帶三至四顆200–800美元（估）激光雷達的Waymo第六代車輛，激光雷達總成本約為600–2,000美元（估）——有意義但不再是主導項目。運算、冗餘攝影機陣列、高精度GPS/IMU模組，以及安全認證感測器套件的工程整合成本，依然是重大的成本驅動因素。
第二節——Tesla硬體演進：HW3至HW4至HW5
| 世代 | 運算能力（推論TOPS） | 感測器 | 車輛成本影響（估） | 狀態 | 備註 |
|---|---|---|---|---|---|
| HW3（2019–2022） | 144 TOPS（FSD晶片，雙顆） | 8攝影機；無激光雷達；12超聲波；1前向雷達 | ~200–500美元 BOM（估） | 舊版；OTA受限；部分車輛仍在運行 | Tesla第一款客製晶片；為FSD v11及以前版本設計 |
| HW4（2023–至今） | ~500+ TOPS（估） | 9攝影機（更高解析度）；無激光雷達；無超聲波；部分市場無雷達；部分配置有4D雷達 | ~300–700美元 BOM（估） | 當前量産；所有新款Tesla | 部分型號移除超聲波與雷達；攝影機+雷達或純攝影機 |
| HW5（已宣布/估） | ~3,000–5,000+ TOPS（估） | 9+攝影機；可能新增感測模態 | ~500–1,000美元 BOM（估） | 預計~2025–2027部署（估） | 為全無人駕駛設計；Dojo訓練數據驅動HW5推論 |
| Dojo D1晶片 | 每顆362 TOPS；ExaPOD整體~1 ExaFLOP（估） | 僅用於訓練（不在車輛內） | 車輛BOM 0美元 | 已部署於訓練集群 | TSMC 7nm客製製程；晶片間超高頻寬互聯 |
| Dojo D2（估） | 更高TOPS；TSMC 3nm（估） | 僅用於訓練 | 車輛BOM 0美元 | 開發中（估2026–2027） | 次世代訓練晶片；FSD能力持續提升 |
| 純攝影機成本優勢 | HW4攝影機陣列：~300–500美元總攝影機成本（估） | vs Waymo ~5,000–15,000+美元感測器套件（估） | 感測器BOM低~10–30倍 | 維持中 | Tesla主要硬體成本優勢；激光雷達下降後差距縮小 |
Tesla的Dojo訓練集群不是車輛組件，不計入任何車輛BOM。其成本體現在資本支出中，而非每輛車的邊際成本。這對AV經濟學是關鍵區別：Dojo的效益被攤薄至Tesla每輛具備FSD功能的銷售車輛，使每輛增量車輛提升FSD能力的邊際成本趨近於零。
第三節——Waymo硬體演進：第一代至第六代
| 世代 | 基礎車型 | 激光雷達成本（估） | 感測器總BOM（估） | 車隊規模 | 備註 |
|---|---|---|---|---|---|
| 第一代（2009–2015） | 豐田普銳斯+廂型車 | ~75,000美元（Velodyne HDL-64E） | ~150,000+美元（估） | 僅R&D | 概念驗證；不考慮經濟性 |
| 第三代（2016–2018） | 克萊斯勒Pacifica | ~8,000–15,000美元（估） | ~30,000–50,000美元（估） | ~600輛 | 首批商業測試車隊 |
| 第五代/捷豹I-PACE（2018–2024） | 捷豹I-PACE電動車 | ~1,000–3,000美元（估，Luminar/禾賽） | ~10,000–20,000美元（估） | ~700輛商業 | 主力商業車隊；經濟性改善但仍為負 |
| 第六代（2024–至今） | 極氪RT（專用平台） | ~200–800美元（估） | ~5,000–15,000美元（估） | 爬坡中 | Waymo披露第六代製造成本顯著低於第五代 |
| 第六代較第五代成本降幅 | Waymo披露「顯著」降幅；分析師估計感測器BOM降低40–60%（估） | — | — | — | 第六代是關鍵經濟性改善；仍處於負毛利 |
| 第六代運算 | Waymo客製車載推論模組；Google TPU用於訓練（離車） | 車載運算~1,000–3,000美元（估） | — | Waymo車載運算屬專有；架構未完整披露 | |
| 第七代（估2027–2029） | 專用平台或新OEM合作方 | ~100–300美元（估） | ~3,000–8,000美元（估） | 未來 | 預計進一步降成本；目標是正向單位經濟效益 |
第七代目標3,000–8,000美元（估）的感測器總BOM，將是Waymo經濟性的關鍵門檻。搭載100–300美元（估）激光雷達的Waymo第七代車輛，可提出純攝影機HW5 Tesla無法比擬的安全論據，且BOM溢價或許可被更高的乘客信任度與更廣泛的監管審批所正當化。
第四節——客製晶片競賽：Dojo vs Google TPU
| 維度 | Tesla Dojo | Google TPU（Waymo訓練） | 啟示 |
|---|---|---|---|
| 用途 | 訓練FSD神經網路；大規模處理影子模式影片 | 訓練Waymo的AV模型；廣泛支援Google AI | Waymo使用通用Google AI基礎設施；Tesla打造垂直專用晶片 |
| 架構 | 晶圓級Tile設計；每個訓練Tile含354顆D1晶片；晶片間超高頻寬 | Google TPU v5（最新）；ML優化矩陣乘法單元 | Dojo針對FSD特有的影片處理工作負載優化；TPU更通用 |
| 訓練成本目標 | Tesla宣稱Dojo目標$1/FLOP vs雲端替代方案；若實現，較租用NVIDIA集群降低10倍成本 | Alphabet內部支付；無直接成本對比公布 | Dojo成功=Tesla結構性訓練成本優勢；目前尚未在全規模驗證 |
| 量産狀態 | Dojo D1：已部署於ExaPOD集群（~1 ExaFLOP估）；D2開發中（估2026–2027） | TPU v5量産中；Waymo透過Alphabet享有優先使用權 | Waymo今日即可使用最先進運算；Tesla的Dojo路徑需2–3年達到完整優勢 |
| 對NVIDIA的依賴 | Tesla透過Dojo降低NVIDIA依賴；今日訓練仍使用NVIDIA H100/H200 | Waymo主要使用Google TPU；部分使用NVIDIA | 雙方均在降低NVIDIA依賴；路徑不同 |
| 車載推論晶片 | Tesla HW4（客製）至HW5（次世代）；Tesla自行設計推論晶片 | Waymo車載運算：客製模組；未以消費品形式披露 | 雙方均有客製車載晶片；Tesla的可在消費規模部署；Waymo的為專用車隊打造 |
第五節——硬體成本基準評分卡
| 維度 | Waymo第六代 | Tesla HW4/HW5 | 優勢方 | 2030展望 |
|---|---|---|---|---|
| 每輛感測器BOM（估） | ~5,000–15,000美元（估） | ~300–700美元（估） | Tesla決定性優勢（低10–20倍） | 激光雷達下跌後差距縮小；Tesla仍較低 |
| 訓練運算資源 | Google TPU（Alphabet規模；即時可用） | Dojo（建設中；今日用NVIDIA） | Waymo今日；Tesla 2027+ | 若Dojo D2交付，2028年後趨於持平 |
| 車載推論 | 客製（非消費規模） | Tesla HW（600萬輛規模部署） | Tesla（規模部署） | Tesla維持優勢 |
| 激光雷達成本走勢 | 受惠於激光雷達下跌（降低第七代BOM） | 不適用（純攝影機） | Waymo（感測器套件成本順風） | 2030年激光雷達低於200美元縮小與攝影機陣列差距 |
| AV配備後車輛總成本（估） | ~37,000+美元第六代（估） | Cybercab目標低於30,000美元（Tesla聲明） | Tesla（若Cybercab實現） | 若Cybercab大規模量産，Tesla決定性勝出 |
| 硬體成本瓶頸 | 第六代成本降低是Waymo經濟性的關鍵解鎖 | Cybercab低於3萬美元是Tesla關鍵解鎖 | 雙方各有硬體成本關卡 | 2027–2029：雙方均跨越正向單位經濟效益門檻（估） |
總體判斷
Tesla的純攝影機方案今日維持著決定性的感測器BOM優勢——較Waymo第六代低約10至20倍（估）。這一差距真實且有意義。但策略問題不在於誰今日BOM更低，而在於哪家公司的硬體成本軌跡能先達到正向單位經濟效益，以及在什麼車隊規模下實現。激光雷達低於500美元後差距縮小，至2030年（估）趨近200美元以下時進一步縮小。
Tesla的反論是Cybercab：若Tesla能以低於30,000美元（Tesla聲明目標）大規模量産專用Robotaxi，每輛AV車隊部署總成本將大幅低於Waymo第六代或第七代。率先跨越各自硬體成本關卡的公司——Waymo的第七代感測器BOM，或Tesla的Cybercab生産成本——將是首個在規模量産下展現正毛利AV經濟效益的公司。預計兩個關卡均在2027–2029年視窗開啟（估）。
注： 所有標有「（估）」的數字均來自2026年中期的公開披露、產業研究、分析師估算與報告數據。本文不構成投資建議。
來源
- 激光雷達成本趨勢 — Luminar Technologies ↗
- Tesla HW4與FSD晶片 — Tesla AI Day 2022 ↗
- Waymo第六代車輛 — Waymo官方部落格 ↗
- Tesla Dojo超級電腦 — Tesla ↗
- AV硬體成本分析 — 麥肯錫未來移動中心 ↗