2026-06-18 — views
HD 地圖對決無圖行駛——建城市地圖要多少錢，以及這為何決定自駕車的擴張速度
HD 地圖每座城市需耗資數百萬並持續更新——Waymo 依賴它，Tesla 不需要。這項架構分歧決定了自駕車大規模擴張的速度。
Physical AI 基準系列第 116 篇——自駕車地圖戰：HD 地圖對決無圖行駛、建一座城市地圖要多少錢、Waymo 的地圖流程如何制約城市擴張，以及 Tesla 無圖押注為何是可擴展性論點
自駕車領域最具決定性的架構分歧，不是感測器選擇或運算平台——而是系統在上路前是否需要一份預建的高精度（HD）地圖，還是可以只靠即時感知就能在任何地方行駛。Waymo 需要 HD 地圖；Tesla 不需要。這個單一架構決策滲透到每個下游維度：城市擴張速度、營運成本、地理覆蓋上限、應對道路變化的韌性，以及每種方案最終能觸達的整體目標市場規模。
HD 地圖建置昂貴、耗時，且需要持續維護。建立一個大都市區域詳細的公分精度 3D 模型，需要部署數月的專用車輛，耗費大量雲端運算資源進行處理，並需要嚴格的人工驗證。此後每一次道路變更——施工區、車道重新劃線、新交通燈——都需要在 AV 車隊能夠在該區域安全運行之前更新地圖。對於在五座城市運營的公司來說，這是個可處理的工程問題。但對於有志覆蓋全球數百座城市的公司而言，這成為一項無論如何加大工程投入都無法完全消除的結構性成長制約：建立城市地圖需要時間和金錢，效率再高也改變不了這個事實。
Tesla 的無圖架構顛覆了這項限制。如果一個在數十億英里人類駕駛數據上訓練的神經網路，能夠足夠好地從攝影機輸入泛化到任意道路配置，那麼擴張就沒有地圖前提條件。部署軟體，車子就能上路。風險在於泛化很難——一個主要在加州道路上訓練的模型，在處理鮮少接觸的城市中的不尋常幾何形狀時，可能不如擁有同一區域新鮮驗證 HD 地圖的 Waymo 系統可靠。泛化深度與地圖廣度之間的這個取捨——是地圖戰的核心實證問題。
第一節——什麼是 HD 地圖，它包含什麼？
HD（高精度）地圖不是導航地圖。消費級導航地圖（Google Maps、Apple Maps、OpenStreetMap）知道道路存在、大致位置和名稱。AV 使用的 HD 地圖則知道該道路以公分精度呈現的精確 3D 幾何形狀、每條車道邊界的確切位置、每條車道的語意意義（行駛車道、轉向車道、匯流車道）、每個交通燈的安裝位置及其管轄的方向，以及導航系統不需要但 AV 必須知道的數十個額外結構化屬性。
| HD 地圖層 | 儲存內容 | AV 為何需要它 | 所需更新頻率 |
|---|---|---|---|
| 3D 幾何 | 精確的 3D 路面、路緣位置、精確到 10-20 公分的車道邊界 | AV 定位：車輛將 lidar 掃描與存儲地圖匹配，以確切知道自己在道路上的位置 | 每次重大道路施工事件 |
| 車道語意 | 車道類型（行駛/轉向/匯流）、車道連接圖（哪些車道連接哪些車道）、車道方向 | 路線規劃：了解哪條車道連接哪個出口/轉彎，無需依賴即時感知 | 道路變更、新建設 |
| 交通元素 | 交通燈位置和相位、停止標誌位置、人行橫道位置 | 知道在哪裡尋找交通管制；預測信號狀態 | 交通管制變更時 |
| 速限 | 每條車道段的規定速限 | 法規遵守；標誌不可見時的默認速度配置 | 法規更新 |
| 路面標注 | 減速丘、坑洞（如已標注）、路面材質 | 乘坐舒適度優化；路面類型感知 | 難以維護；通常省略 |
| 地圖新鮮度要求 | 施工區、臨時車道變更、道路封閉必須在數小時至數天內反映 | 遵循過時地圖說「左車道開放」的 AV 在左車道實際封閉時會造成安全問題 | 動態變化需近即時更新 |
定位功能最為關鍵。一輛以 GPS 精度（3-5 公尺）知道自己「在 Main Street 某處」的 AV，無法可靠地執行換車道。而一輛知道自己在最右邊第二條車道、距下一個路口 47 公尺、精確定位在車道內的 AV——這是 HD 地圖匹配在 lidar 點雲與存儲 3D 幾何相關時所提供的精度——可以以安全操作所需的特異性來規劃和執行機動動作。
第二節——建立一座城市的 HD 地圖要多少錢？
HD 地圖成本未被主要 AV 公司公開披露，但工程要求限制了成本範圍。
| 成本維度 | 估計 | 備註 |
|---|---|---|
| 地圖車輛車隊 | 配備 lidar 陣列、攝影機、GPS/IMU 的專用車輛；每輛 $15萬-50萬（估計） | 專用地圖車輛；非消費者汽車 |
| 建立單一城市地圖（約 300 平方英里，估計） | 直接地圖建置成本 $200萬-1000萬（估計）；包含車輛折舊、駕駛人工成本、燃料、處理費用 | 粗略估計；大型商業合約數字顯示此範圍 |
| 每年地圖維護（同一城市） | 每年 $50萬-300萬（估計） | 道路變更、施工區、新發展；必須持續更新 |
| 處理與標注 | 將原始 lidar/攝影機數據處理為 HD 地圖格式的大量雲端運算；AI 輔助標注但仍需人工 QA | 主要成本組成；持續進行 |
| Waymo 地圖車隊 | Waymo 除 Waymo One 商業車隊外，還運營持續重新行駛已標注區域的專用地圖車輛（估計） | 雙重車輛運營開銷 |
| 5 座城市網絡（Waymo 目前估計） | 每年大約 $1000萬-5000萬+以維護所有運營城市的 HD 地圖（估計） | 數量級粗略估計；Waymo 不披露 |
| 每座新城市成本 | 初始建立新大都市區域 $300萬-1500萬（估計）；之後每年 $100萬-500萬（估計） | 每座新城市在首次商業載客前都需要完整地圖建置 |
第三節——HD 地圖如何制約 Waymo 的城市擴張
| 擴張步驟 | 所需時間（估計） | 成本（估計） | 制約因素 |
|---|---|---|---|
| 城市選擇 | 1-2 個月（監管評估和市場分析） | 最小 | 監管寬鬆度、天氣、需求密度 |
| HD 地圖建立 | 大都市區域 3-6 個月（估計） | $300萬-1000萬（估計） | 地圖車輛可用性；處理流程吞吐量 |
| 地圖驗證與確認 | 2-4 個月（地圖精度的行駛驗證） | $100萬-300萬（估計） | 安全驗證團隊頻寬 |
| 監管審批 | 6-24 個月（因州市而異差距極大） | 大量法律/監管人員成本 | 監管機構速度；政治環境 |
| 車隊部署 | 1-3 個月（車輛採購、站點設置、RAO 招募） | $500萬-2000萬（估計） | 車輛供應鏈；站點房地產 |
| 進入新商業城市的總時間 | 從決策到首次付費載客 12-36 個月（估計） | 每座城市總投資 $1500萬-5000萬+（估計） | 地圖建立和監管是主要時間制約 |
| Tesla 比較 | 無需地圖建置步驟 | 零地圖成本 | 可在 FSD 模型已訓練駕駛行為的任何地方行駛 |
從決策到商業發布的 12-36 個月時間軸是戰略制約。如果 Waymo 今天決定進入一個新的大都市市場，在有利條件下，該市場的客戶至少要等一年才能叫到 Waymo 的車，如果監管審批緩慢，更可能要等兩年或更長。這個時間軸主要不是 Waymo 執行質量的函數——它反映了實際建立城市地圖、驗證地圖並獲得監管許可所需的不可減少的時間。
第四節——Tesla 的無圖方案：如何運作及其風險
| 維度 | Tesla 的方案 | 優勢 | 風險或限制 |
|---|---|---|---|
| 定位如何運作 | 基於視覺的定位：攝影機識別地標（道路標線、標誌、建築物）以確定相對於粗略地圖（OpenStreetMap 級別）的位置；無需 HD 地圖 | 無需預先建圖即可在任何地方運行 | 定位精度不如 HD 地圖匹配；依賴地標質量 |
| 如何理解道路幾何 | 從攝影機進行即時神經網路推理；道路邊界、車道標線和幾何形狀每幀實時偵測 | 無地圖陳舊問題；始終看到當前道路狀態 | 模型必須泛化到未見過的道路配置；罕見配置可能處理不當 |
| 訓練數據要求 | 數十億英里的人類駕駛數據來訓練神經網路處理邊緣案例；更多樣化的地理覆蓋意味著更強的泛化 | Tesla 超過 600 萬輛汽車車隊生成龐大的地理覆蓋 | 具有不尋常道路幾何的新城市仍受益於來自該地理的更多數據 |
| 規模化覆蓋 | FSD 已在美國所有州和加拿大激活；歐盟推出進行中；無地圖前提條件 | 如果模型泛化，真正的全球可擴展性 | 模型可能存在地區性能差異（農村對城市、美國對歐盟道路風格） |
| 地圖陳舊問題 | 設計上已消除：感知始終是最新的 | 絕不會跟隨過時地圖駛入施工區 | 必須即時偵測所有邊緣案例；沒有預知幾何作為後備 |
| Waymo 的反駁 | HD 地圖提供減少感知負擔的「先驗」；高置信度定位實現更高安全裕度 | 地圖輔助定位在已建圖區域可驗證地更精確 | 僅在地圖存在且新鮮的地方有效；對未建圖區域根本無法擴展 |
第五節——地圖陳舊問題：關鍵的運營失效模式
| 陳舊場景 | 對依賴 HD 地圖的 AV 的影響 | Tesla 純視覺影響 |
|---|---|---|
| 施工區一夜之間開放 | 如果地圖未更新，AV 跟隨舊車道邊界駛入施工障礙；需要地圖刷新才能恢復安全運行 | AV 即時感知施工；立即適應（模型質量決定回應質量） |
| 臨時道路封閉（遊行、活動） | 沒有地圖更新 AV 無法進入封閉道路；必須手動重新路由或等待地圖刷新 | AV 即時讀取封閉標誌和護欄 |
| 安裝了新交通燈 | AV 在地圖更新前可能不知道新位置存在交通燈 | AV 通過攝影機偵測交通燈；無需更新 |
| 車道重新劃線 | 舊車道標線可能已被塗掉但仍在地圖中；AV 可能跟隨幽靈車道 | AV 跟隨當前標線；無陳舊數據 |
| Waymo 的運營回應 | 專用地圖監控團隊；已知施工的快速更新流程；地圖更新處理期間進行一些地理圍欄限制 | 地圖陳舊無需運營回應 |
| 城市中破壞性變更的頻率 | 城市區域在任何時候都同時經歷數百個施工/道路變更事件 | — |
第六節——Physical AI 地圖基準評分卡
| 基準維度 | Waymo（HD 地圖） | Tesla（無圖） | 基準含義 |
|---|---|---|---|
| 地理擴張速度 | 每座新城市 12-36 個月（估計） | 數週至數月（僅需監管） | Tesla 具有結構性更快的擴張節奏 |
| 每座城市擴張成本 | 每座城市 $1500萬-5000萬+（估計） | 每座城市接近零地圖成本 | Tesla 每座城市成本顯著更低 |
| 定位精度 | 已建圖區域公分精度 | 依賴地標；在模糊環境中精度較低（估計） | Waymo 在已建圖區域更精確 |
| 陳舊韌性 | 重大道路變更需要地圖刷新 | 即時感知始終是最新的 | Tesla 具有結構性陳舊優勢 |
| 可擴展性上限 | 受地圖建置能力和成本限制；地理擴張的線性成本 | 受模型泛化質量限制；理論上接近無限地理規模 | Tesla 方案具有更高的理論可擴展性上限 |
| 運營開銷 | 高：地圖車隊、地圖維護團隊、地理圍欄管理 | 較低：無需地圖建置運營 | Waymo 承擔 Tesla 沒有的永久運營成本結構 |
地圖基準揭示了兩種方案在成長經濟學上的根本不對稱。Waymo 的成本結構與地理擴張大致成線性關係：每座新城市需要在地圖建置、驗證和持續維護方面進行相稱的投資。Tesla 的成本結構形狀不同：訓練投資在車隊覆蓋的所有地理範圍內大致攤銷，增量地理擴張的地圖成本接近零。如果 Tesla 模型的泛化質量達到商業運營所需的安全門檻，AV 擴張的經濟結構將完全改變。
注意： 所有標記「（估計）」的數字均來自截至 2026 年中期可公開獲取的資訊、工程估算和行業報告。Waymo 和 Tesla 不公開披露詳細的地圖成本或時間表；估算具有方向性。本文不構成投資建議。
來源
- Waymo 地圖建置作業 — Waymo ↗
- Tesla FSD 純視覺架構 — Tesla AI ↗
- HD 地圖成本分析 — McKinsey 自駕車報告 ↗
- OpenStreetMap 基金會 ↗
- AV 地圖標準 — SAE International ↗