2026-06-18 — views
自動駕駛人才基準 — Waymo 15年Google SDC傳承 vs Tesla後Karpathy FSD團隊：工程力比拼
Waymo擁有15年Google SDC領域積累。Tesla後Karpathy FSD團隊完成端到端AI轉型，並握有自研晶片與600萬輛車的訓練資料規模。
概述
工程人才的深度與品質決定每家公司改進AI系統的速度。Waymo的人才底蘊來自Google自動駕駛汽車（SDC）計畫（2009–2016），是有史以來AV領域知識最密集的研發機構之一。Tesla的FSD團隊自2022年Andrej Karpathy離職後歷經重要轉型，但成功完成了全端到端神經網路的里程碑轉型，並保有獨特的自研晶片能力與無可比擬的真實世界訓練資料規模。
本文對兩家公司的人才基礎、核心人物及工程團隊特性對AI能力發展速度的意涵進行基準比較。本文為Physical AI基準系列第163篇。
第一節 — Waymo的工程人才傳承
Waymo的人才根基直接追溯至Google自動駕駛汽車（SDC）計畫，這是史上最具影響力的AV研究計畫。
| 人才面向 | Waymo 詳情 | 戰略意義 |
|---|---|---|
| 起源：Google自動駕駛汽車計畫（2009–2016） | Waymo於2016年從Google SDC計畫中分拆；計畫由Sebastian Thrun與Chris Urmson（均為DARPA城市挑戰賽老將）創立；在成為Waymo前已積累7年AV專屬研究 | SDC計畫是AV史上最具影響力的人才孵化器；它培養了一整代如今領導業界各公司的AV工程師 |
| AV領域累積經驗 | 截至2026年中，Waymo創始團隊成員平均擁有15年以上AV專屬經驗；許多工程師在Waymo已有8–12年資歷 | 這種深度的AV領域經驗幾乎無法複製；沒有其他公司的工程師擁有相近的自動駕駛累積專注度 |
| 現任核心領導人（公開資訊） | Dmitri Dolgov（共同執行長，前Google SDC技術負責人）；Tekedra Mawakana（共同執行長，負責營運與業務）；Saswat Panigrahi（首席產品長） | Dolgov從Google SDC技術負責人到Waymo執行長的技術傳承，代表業界罕見的機構知識保留 |
| 研究成果 | Waymo在CVPR、NeurIPS、ICRA等頂級學術場合廣泛發表感知、預測與規劃論文；透過Waymo Open Dataset貢獻大量開源成果 | 學術發表代表研究品質與透明度；Waymo Open Dataset已成為全球研究社群廣泛使用的標準AV基準 |
| 培養競爭對手的校友 | Chris Urmson（Aurora執行長）；Dave Ferguson（Nuro執行長）；Jiajun Zhu（Nuro技術長）；SDC校友遍布Zoox、Cruise、Mobileye、Wayve等公司 | 「SDC離散效應」幾乎滋養了每一家主要AV公司；Waymo的校友網絡是業界最具影響力的 |
| 人才留任挑戰 | 來自蘋果、Meta及廣泛深度學習領域的薪酬競爭；AV產業整合（GM Cruise 2023危機；Argo AI 2022關閉）帶動人才回流市場 | Cruise與Argo倒閉後，大量有經驗的AV工程師回到求職市場；Waymo是主要受益者之一 |
| 員工人數（估算） | Waymo估計雇用2,500–3,500人（估算；未公開揭露）；其中相當大比例為工程與研究人員 | 在此規模下，Waymo在每個AV子領域都有深度團隊：光達、攝影機、ML/感知、預測、規劃、模擬及遠程操作 |
第二節 — Tesla FSD工程團隊：Karpathy時代與之後
Tesla的FSD團隊自2022年起歷經領導層結構性轉型，但持續執行Karpathy所建立的架構路線圖。
| 人才面向 | Tesla 詳情 | 戰略意義 |
|---|---|---|
| Andrej Karpathy時代（2017–2022） | Karpathy於2017年以AI總監身分加入Tesla；將Autopilot/FSD團隊從小規模擴建至數百人；引入資料引擎（自動標記流水線）並推動向端到端神經網路的轉型；2022年7月離職 | Karpathy被廣泛認為是現代AV AI架構最具影響力的個人貢獻者；其離職是Tesla的重大人才事件 |
| 後Karpathy領導層（2022年至今） | FSD團隊領導層重組，多位總監直接向Elon Musk匯報；Ashok Elluswamy（Autopilot軟體總監，估計已晉升VP級）是後Karpathy時代最具公開曝光度的FSD領導者 | Elluswamy自2014年起就職Tesla；提供機構延續性；學術公開度不及Karpathy，但有交付記錄（FSD v12端到端） |
| 端到端AI轉型 | FSD v12（2024年）代表向Karpathy所倡導的全端到端神經網路的轉型；轉型在其離職後完成——團隊執行了他的架構願景 | 展示Tesla在核心願景提出者離職後，仍能執行架構路線圖的能力 |
| Dojo與運算團隊 | Tesla擁有專屬晶片團隊（HW4、HW5設計）與Dojo超算團隊；與世界最頂尖的AI硬體團隊競爭 | 自研晶片極為罕見（僅蘋果、Google、Meta等少數公司擁有）；Tesla的晶片團隊已吸引頂尖硬體工程師 |
| FSD團隊規模（估算） | 估計專注於FSD/Autopilot的工程師達數百至低千人（估算；未揭露） | 按AV專屬人員估算規模小於Waymo，但整合於更大的Tesla AI組織中，可共享人才資源 |
| 核心人才優勢：真實世界資料規模 | Tesla的FSD團隊可存取約600萬輛車的資料（估算）——任何大學實驗室或AV新創公司都無法企及；如此規模的真實訓練資料提供無法在模擬中複製的能力 | 訓練資料優勢複利了工程團隊改進AI的能力；即便規模較小的團隊擁有Tesla的資料也具備結構性優勢 |
| 近期招募與離職（估算） | Tesla已從OpenAI、DeepMind、Google Brain及學術機構招募人才（估算）；部分前FSD工程師已轉往Waymo、Aurora及新創（估算） | 雙向人才流動屬正常現象；Tesla的薪酬（股票授予、使命感）吸引了AI業界頂尖的深度學習人才 |
第三節 — 產業人才生態系：AV人才版圖
AV人才生態系集中於Google SDC校友與深度學習研究人員，2022–2023年AV產業整合後大批有經驗的工程師回流市場。
| 公司 | 人才來源 | 現狀 | 對Waymo/Tesla競賽的意義 |
|---|---|---|---|
| Aurora | 由Chris Urmson（前Waymo）、Sterling Anderson（前Tesla Autopilot）、Drew Bagnell（前Uber ATG）共同創立；2021年收購Uber ATG | 2024年商業化Class 8貨車AV上線；Aurora Driver搭載在Paccar與Volvo卡車；已產生營收 | 首家從高速公路貨運AV中產生營收的商業公司；證明AV商業化可行；對Waymo與Tesla均為潛在人才競爭者 |
| Zoox | 由Tim Kentley-Klay與Jesse Levinson（史丹佛）創立；2020年被亞馬遜收購 | 開發用於Amazon物流及潛在公共乘客服務的無方向盤AV；亞馬遜資金消除資本限制 | 亞馬遜支持意味著實際上無限資本；對Waymo與Tesla均構成人才風險；其雙向行駛設計獨一無二 |
| Cruise（通用汽車） | 由Kyle Vogt（MIT媒體實驗室）創立；2016年被通用收購 | 2023年重大監管危機（舊金山事件導致加州DMV許可暫停）；大幅裁員；業務大幅縮減 | 危機後Cruise大批有經驗的AV工程師於2023–2024年回流市場；Waymo與Tesla均受益 |
| Wayve（英國） | 由Amar Shah（劍橋大學）創立；2024年從SoftBank、微軟、Nvidia募集超過10億美元 | 採用類似Tesla FSD的端到端AI方法；以歐洲為主要市場；AV泛化的基礎模型方法 | 與Tesla端到端FSD理念直接競爭；英國據點在歐洲深度學習人才池形成競爭 |
| Mobileye | 從英特爾分拆；由Amnon Shashua（希伯來大學教授）創立 | 2022年上市；為大多數主要OEM提供ADAS晶片；SuperVision與Chauffeur產品線 | 不同的商業模式（B2B供應OEM）但相同的工程領域；在電腦視覺學術人才上形成競爭 |
| 人才競爭總結 | AV人才生態系集中於SDC校友（Aurora、Nuro、部分Zoox）與深度學習研究人員（Tesla、Wayve、Mobileye） | Waymo的SDC傳承使其成為領域經驗豐富工程師的吸引地；Tesla的使命與資料規模則吸引有抱負的深度學習研究人員 |
第四節 — 核心技術押注與背後的團隊
| 技術押注 | Waymo團隊方法 | Tesla團隊方法 | 誰更適合 |
|---|---|---|---|
| 感知（目標偵測與分類） | 模組化團隊：分別建置光達、攝影機、雷達感知模型；融合層；15年以上的模型迭代 | 端到端：攝影機感知整合至單一神經網路；團隊聚焦擴展定律與資料品質 | 雙方均擁有世界級感知團隊；Waymo規模更大且更專精於領域；Tesla規模較小但擁有更多真實資料 |
| 預測（其他道路使用者的行為預測） | 專屬預測團隊；廣泛研究人類行為建模；在ICRA與CVPR發表最新論文 | 預測整合於端到端FSD；較少的獨立團隊結構（估算） | Waymo的模組化方法允許更深入的預測研究專業化 |
| 規劃（AV應採取的行動） | 專屬規劃團隊；規則基礎加學習規劃混合；最關鍵的安全組件 | 端到端規劃：神經網路直接輸出駕駛指令；無獨立規劃模組 | Tesla的端到端方法在架構上更簡潔；Waymo的模組化方法允許更可解釋的安全驗證 |
| 模擬 | CarCraft團隊；10年以上的AV場景開發；估計每日150億模擬英里 | Dojo團隊；通用運算；AV模擬投資持續增長 | Waymo的模擬團隊具有顯著先發優勢；Tesla的運算團隊正在追趕 |
| 硬體（晶片） | 無自研晶片；使用NVIDIA及外部硬體；光達工程團隊開發自定義感測器 | HW4/HW5晶片設計團隊；Dojo D1團隊；自研晶片能力 | Tesla擁有獨特且有價值的自研晶片團隊；Waymo依賴外部晶片供應商 |
第五節 — 人才基準計分卡
| 評估維度 | Waymo | Tesla | 優勢方 | 2028年展望 |
|---|---|---|---|---|
| AV領域經驗深度 | 決定性優勢 — 創始團隊平均15年以上；業界最深的AV領域專業知識 | 強但較新 — FSD團隊累積AV專屬經驗相對較少 | Waymo | Waymo的領域深度持續複利；短期內無法複製 |
| 深度學習研究品質 | 非常高 — 在頂級學術場合發表；Waymo Open Dataset廣泛使用 | 非常高 — 端到端FSD架構是最新水準；Karpathy在方法論上的遺產 | 持平 | 雙方均在前沿；研究風格不同 |
| 自研晶片能力 | 無 — 依賴NVIDIA及外部供應商；光達自定義設計值得注意 | 是 — HW4/HW5加Dojo；少數擁有自研AI晶片的非晶片公司之一 | Tesla決定性優勢 | Tesla晶片團隊是成本/性能的持久優勢 |
| 訓練資料取得 | 高 — 3,000萬+無人駕駛英里（估算）；高純度但數量較少 | 決定性優勢 — 估算600萬輛車、數十億監督英里 | Tesla | 隨著車隊增長，Tesla資料優勢持續擴大 |
| 人才池廣度 | AV專屬角色深度強；比大型科技公司在通用深度學習上稍窄 | 廣泛 — 從AI全領域招募（OpenAI、DeepMind、Google Brain）；受益於Tesla品牌 | Tesla（廣度）；Waymo（深度） | 不同的優勢特徵服務於不同需求 |
總體評估： Waymo擁有世界上最深、最具領域經驗的AV工程團隊——一個15年的機構知識積累，短期內無論多少資本都無法複製。Tesla的團隊在AV專屬累積經驗上稍遜，但握有兩項結構性優勢：存取世界上最大的真實世界訓練資料集，以及自研晶片設計能力。這場人才競賽並非零和——兩個團隊都有能力取得突破性成果。問題在於在技術前沿哪種能力更重要：領域經驗（Waymo的優勢）還是資料規模加運算（Tesla的優勢）。
所有標注（估算）的數據均源自公司公開揭露、分析師估計及產業基準。本文為Physical AI基準系列第163篇。
來源
- Waymo 領導層與歷史 — Waymo ↗
- Andrej Karpathy 離職公告 — 2022年7月 ↗
- Aurora 商業發布 2024 — Aurora ↗
- Waymo Open Dataset — research.waymo.com ↗
- Tesla FSD v12 端到端架構 — Tesla AI Day ↗