2026-06-18 — views

物理AI感測器 — Waymo 雷達+攝影機+雷射雷達融合 vs Tesla 純視覺FSD：感知硬體基準測試 2026

Waymo 融合雷射雷達、攝影機與雷達，打造冗餘3D感知。Tesla 僅用攝影機——每輛車成本低10至30倍——押注AI能彌補攝影機的弱點。

概覽

感測器堆疊是自動駕駛車輛設計中最根本的硬體決策。Waymo 採用雷射雷達（lidar）、攝影機與雷達三種感測器融合，建立具備冗餘能力的感知系統。Tesla 則僅使用攝影機——純視覺方案——主張只要AI足夠強大，雷射雷達只是多餘的昂貴支撐。這場辯論對車輛成本、惡劣環境下的感知可靠性，以及處理感測器資料所需的AI類型，均有深遠影響。本文為物理AI基準測試系列第168篇。

第一節 — Waymo 感測器套件：雷射雷達 + 攝影機 + 雷達融合

Waymo Gen 6 車輛部署三種互補的感測模態，相互彌補彼此的弱點，建構無單點故障的感知系統。

感測器維度	Waymo 詳情	策略意義
雷射雷達（主要測距感測器）	Waymo Gen 6 使用自研雷射雷達；lidar 發射雷射脈衝並量測飛行時間，建立精準3D點雲；射程達200m以上（估計）；在黑暗中及多數天氣條件下均可運作	Lidar 提供攝影機無法匹敵的公尺級精準3D幾何；昏暗光線下50m處的行人，lidar能清楚偵測，即便攝影機對比度不足
自研雷射雷達開發	Waymo 自Google SDC計畫起即開發自有lidar；多代自研雷射雷達（Honeybee、Laser Bear Honeybee等）；從Gen 5到Gen 6成本大幅降低	自研lidar大幅降低單位成本，優於採購商用lidar；Waymo自研lidar性能更強且更便宜
攝影機陣列	Gen 6 使用多攝影機陣列提供360度視覺覆蓋；攝影機捕捉lidar無法提供的顏色、紋理與語義資訊（辨識路標、號誌、車道線）	攝影機與lidar互補：lidar提供深度與幾何，攝影機提供語義與顏色；融合感知優於任一單一感測器
雷達	短程與長程雷達透過都卜勒效應量測附近物體的速度；雷達在豪雨、濃霧與沙塵中仍可運作	雷達的速度量測在惡劣天氣中不可或缺：豪雨中lidar點雲變得雜訊；濃霧中攝影機失去對比度；雷達均可穿透
感測器融合	Waymo感知系統在感測器層與物體層均進行lidar、攝影機、雷達資料融合；融合表示比任何單一感測器更豐富且可靠	感測器融合提供冗餘：若一種感測器退化（lidar鏡頭沾水、攝影機眩光），其他感測器維持感知品質
感測器成本（Gen 6）	Waymo 指出從Gen 5到Gen 6成本顯著降低；Gen 6精確成本未公開；業界估計完整lidar+攝影機+雷達套件每輛車約5千至1.5萬美元（估計）	即使每輛車5千美元，感測器成本仍是重大製造成本項目；Tesla 純攝影機方案完全排除此成本——8攝影機FSD陣列估計僅200至500美元（估計）
感測器評語	Waymo的多感測器方案是工程安全的選擇：感測模態越多，冗餘越高，各種條件下的感知越可靠。成本代價是真實且顯著的。核心問題在於：這種冗餘對商業AV安全是否必要，還是攝影機加AI就能在更低成本下達到相同可靠性——這就是Tesla的賭注。

第二節 — Tesla 感測器套件：純視覺（僅攝影機）

Tesla HW4平台使用9顆攝影機，不含lidar或雷達。這個賭注是：以足夠的攝影機資料訓練的AI，能匹敵甚至超越lidar的感知能力。

感測器維度	Tesla 詳情	策略意義
攝影機陣列（HW4）	Tesla HW4 使用9顆攝影機（8顆環繞+1顆遠程前向）；提供360度覆蓋；解析度優於HW3；由Tesla自研FSD電腦處理	9顆攝影機提供完整空間覆蓋；FSD電腦同時處理所有攝影機串流，輸出單一神經網路結果
Tesla為何捨棄lidar與雷達	Musk 主張lidar是「拐杖」，一旦攝影機與AI足夠好就不再需要；人類用兩眼（攝影機）駕駛，不靠lidar；lidar增加成本與複雜度卻不根本提升大規模安全性；Tesla 於2021至2022年從多數車型移除雷達	純視覺賭注基於特定假設：以足夠規模的攝影機資料訓練的AI，能匹敵或超越lidar感知；此假設在完全無人駕駛商業規模下尚未證實
「AI彌補感測器限制」論點	Tesla立場：lidar讓每個感知問題對簡單演算法而言容易解決；攝影機讓問題更難但可由強大AI解決；攝影機資料訓練的AI在Tesla規模下比依賴HD地圖的lidar系統更具泛化能力	這是連貫的技術論點：若AI夠好，攝影機或許就夠了；問題是在所有天氣與光線條件下完全無人駕駛，「夠好」的AI是否已存在
純視覺的局限	攝影機在以下情況表現不佳：豪雨（鏡頭積水）、下雪（白化條件）、直射陽光眩光（感測器飽和），以及遠超頭燈範圍的完全黑暗；純攝影機系統在霧中無雷達後備測速，低對比度下無lidar後備3D幾何	這些局限非假設性的，而是有記錄的失效模式；問題在於這些條件在AV運作域中出現的頻率，以及AI能否可靠偵測並回應感測器退化
HW4 硬體規格	Tesla FSD電腦（HW4）：2顆AI推論晶片，估計各144 TOPS（估計）；同時處理所有9路攝影機串流；為端對端神經網路推論最佳化	足以即時處理9路攝影機串流的推論算力；自研矽晶針對此特定工作負載最佳化
佔用網路方法	FSD v12 採用佔用網路（occupancy network）從攝影機影像預測3D空間佔用；這是lidar點雲的神經網路替代方案	攝影機佔用網路令人印象深刻，但遠距的空間精度低於lidar點雲；80m處的行人，佔用網路偵測精度可能不如lidar
純視覺評語	若AI夠好，Tesla的純視覺賭注是成本最優的選擇：攝影機便宜、普及且持續進步；lidar昂貴且增加維護負擔。若Tesla的AI能在規模化下達到lidar融合的感知可靠性，此賭注成功。若天氣或光線條件持續導致lidar可以預防的事故，則賭注失敗。

第三節 — 感測器辯論：技術分析

技術維度	雷射雷達+攝影機+雷達（Waymo）	純視覺（Tesla）	現有證據
3D測距精度	Lidar：200m處公分級精度（估計）；直接量測	攝影機佔用網路：80m以上公尺級精度（估計）；從2D影像推論	Lidar在3D精度上具決定性優勢；在高速與長距離最為重要
夜間表現	Lidar在完全黑暗中運作；攝影機需頭燈照明；雷達在黑暗中運作	純攝影機依賴頭燈範圍；頭燈範圍內表現良好；遠距黑暗中退化	雷射雷達+攝影機+雷達：在遠距低光源中具決定性優勢
惡劣天氣（雨/霧/雪）	Lidar在豪雨中退化（水滴返回信號）；攝影機在霧中退化；雷達穿透兩者；感測器融合維持性能	攝影機在豪雨與濃霧中退化；無雷達後備；對惡劣天氣更脆弱	雷射雷達+攝影機+雷達：因雷達後備在惡劣天氣中具決定性優勢
號誌與標誌辨識	攝影機處理語義（標誌文字、號誌顏色）良好；lidar無法辨識文字或顏色	攝影機：語義能力強；與融合方案相同	持平——雙方均使用攝影機處理語義
每輛車感測器成本	雷射雷達+攝影機+雷達：估計5千至1.5萬美元（估計）	純攝影機：估計200至500美元（估計）	Tesla在感測器成本上具決定性優勢，估計低10至30倍
維護複雜度	感測器越多，維護點越多；lidar鏡頭需保持清潔；各感測模態間需校準	9顆攝影機含自動清潔功能；維護更簡單；故障率更低	Tesla在維護簡便性上具決定性優勢
地圖依賴	Waymo的lidar實現精確HD地圖對齊；lidar點雲與HD地圖特徵匹配用於定位	Tesla的無地圖FSD使用攝影機進行即時定位；不需HD地圖	Tesla在地圖依賴方面具決定性優勢（無依賴）
AI訓練資料	Lidar點雲與攝影機影像需不同訓練資料；各模態需獨立資料管道	攝影機是唯一模態；資料管道更簡單；Tesla全部60億英里里程均可直接用於訓練	Tesla在訓練資料同質性上具決定性優勢

第四節 — 感測器選擇對規模與成本的意義

規模維度	Waymo 多感測器	Tesla 純視覺	影響
車輛製造成本	感測器套件每輛車增加估計5千至1.5萬美元（估計）	感測器成本估計200至500美元（估計）；低10至30倍	10萬輛Cybercab時，Tesla相較Waymo方案估計節省5億至15億美元感測器成本（估計）
車隊更換週期	Lidar感測器退化需更換；從Gen 5到Gen 6需整車更換	攝影機退化但更換便宜；感測器升級透過HW4晶片更換而非整車更換	Tesla較低的感測器成本降低車隊更換支出
城市擴展	每個新城市需要lidar高清地圖建置（數週至數月的建圖行駛）；增加每城市上線成本與時間	不需HD地圖建置；OTA FSD更新涵蓋新地理區域	Tesla在城市擴展速度與成本上具決定性優勢
消費者車輛整合	Waymo不銷售消費者車輛；感測器套件純屬商業車隊成本	每輛搭載HW4的消費者Tesla已具備感測器硬體；消費者轉機器人計程車零額外感測器成本	Tesla感測器與消費者車輛的整合是獨特的結構性優勢
供應鏈	自研lidar供應鏈需要專業製造商；地緣政治與供應風險	攝影機是全球大規模製造的商品零件；供應鏈高度韌性	Tesla在感測器供應鏈韌性上具決定性優勢

第五節 — 感測器基準測試計分卡

感測器維度	Waymo 雷射雷達+融合	Tesla 純視覺	優勢	2028年展望
3D感知精度	決定性——lidar在200m以上公分級精度	佔用網路在80m以上公尺級精度	Waymo	AI改進縮小但無法消弭差距
惡劣天氣表現	決定性——lidar+攝影機退化時有雷達後備	豪雨/濃霧/大雪中脆弱	Waymo	Tesla AI改進但物理限制攝影機在惡劣天氣的表現
每輛車感測器成本	高：估計5千至1.5萬美元（估計）	低：估計200至500美元（估計）	Tesla（決定性10至30倍）	Lidar成本持續下降但差距依然存在
維護複雜度	較高：多感測器校準、lidar清潔	較低：以攝影機為中心，維護更簡單	Tesla	隨車隊規模擴大，Tesla維持優勢
城市擴展（地圖依賴）	每城市需HD地圖：數週至數月建圖	無HD地圖：OTA涵蓋新地理區域	Tesla（決定性）	Waymo HD地圖成本仍是每城市的負擔
訓練資料管道	多模態：lidar+攝影機獨立管道	單一模態：60億英里里程均可直接使用	Tesla	Tesla資料管道優勢隨車隊增長擴大
整體感測器評語	Waymo的lidar+融合方案在邊緣條件（惡劣天氣、遠距黑暗）中更安全，3D幾何更精確。Tesla的純視覺方案成本大幅更低、更簡單、更易擴展，且已部署於600萬輛車。賭注在於Tesla的AI能否在攝影機最薄弱的條件下縮短與lidar的感知差距。若能，Tesla的感測器經濟學將決定性勝出。若不能，Waymo的感測器冗餘將在純視覺系統無法預防的事故中證明其價值。答案將隨Tesla完全無人駕駛Cybercab累積商業里程的事故資料而浮現。

所有標註（估計）的數據均來自公司公開揭露、分析師估算與業界基準測試。本文為物理AI基準測試系列第168篇。