引言：从Demo到产品的漫长征程

Waymo的自动驾驶发展历程并非一蹴而就。其首个完全自主的演示版本耗时十八个月，但将其转化为真正可用的产品却花费了十五年的时间。如今，Waymo Driver每周运行50万次行程，在15个城市中累计行驶了400万英里的完全自主里程。在安全性方面，Waymo的严重伤害事故率比人类驾驶员低17倍。在2026年Startup School上，Waymo联合CEO Dmitri Dolgov分享了这背后的七大核心教训，涵盖了从弥合演示与真实产品差距，到构建能在物理世界中安全运行的系统的全过程。

"The product took fifteen years. Today, the Waymo Driver runs 500,000 trips a week... with 17 times fewer serious-injury crashes than human drivers."

物理AI的独特性与技术曲线选择

物理AI（Physical AI）与纯软件AI存在本质区别，它必须面对物理世界的复杂性与不可预测性。Dolgov指出，构建物理AI系统需要选择正确的技术曲线。Waymo坚持使用摄像头、激光雷达（LiDAR）和雷达的多传感器融合方案。这种选择并非出于惯性，而是基于对冗余性、精度和环境感知能力的综合考量。摄像头提供丰富的纹理和色彩信息，激光雷达提供高精度的3D深度数据，而雷达则在恶劣天气和测速方面具有独特优势。三者结合，旨在构建一个全方位、高鲁棒性的感知系统，以应对物理世界中无处不在的噪声和干扰。

"Why Waymo Uses Cameras, LiDAR, and Radar... to build systems that can safely operate in the physical world."

第一节课：弥合Demo与产品之间的鸿沟

许多初创公司容易陷入"Demo陷阱"，即在一个精心控制的场景下展示完美功能，却忽略了将其扩展到真实世界的巨大难度。Dolgov强调，Demo只是工作的1%，剩下的99%在于处理边缘情况、系统稳定性和规模化部署。从Demo到产品的跨越，需要解决工程化、可靠性和用户体验等多重挑战。Waymo的经验表明，可靠性并非线性增长，而是遵循指数曲线。在早期阶段，提升可靠性极其困难，需要投入巨大的资源去处理那些罕见的"长尾"场景。只有当系统能够处理足够多的边缘情况时，可靠性才会出现质的飞跃。

"The Gap Between a Demo and a Product... bridging the gap between a demo and a real product."

可靠性的指数曲线与边缘情况

在自动驾驶领域，可靠性提升遵循指数规律。这意味着，当系统从90%的可靠性提升到95%时，所需的努力相对较小；但从99%提升到99.9%时，所需的努力呈指数级增长。这是因为边缘情况（Edge Cases）的数量随着核心场景的覆盖而急剧增加。Waymo必须处理无数种罕见的交通状况、天气变化和行人行为。Dolgov指出，"Reliability Lives on an Exponential Curve"，这意味着公司必须做好长期投入的准备，不能期望通过短期冲刺解决所有问题。只有持续不断地收集数据、训练模型并验证，才能逐步逼近人类驾驶员的安全水平。

"Why Reliability Lives on an Exponential Curve... you have to deal with the long tail of edge cases."

第二节课：选择正确的技术曲线

在技术选型上，Waymo坚持"Ride Every Technology Wave"（驾驭每一波技术浪潮）的策略。这意味着他们不盲目追随单一技术趋势，而是根据实际需求整合多种技术。例如，在感知层面，Waymo没有放弃传统的传感器融合，而是将其与最新的深度学习模型相结合。在决策层面，他们既使用基于规则的逻辑，也利用端到端的神经网络。这种混合架构使得系统能够在不同场景下发挥各自的优势。Dolgov认为，技术曲线并非单一维度，而是由感知、决策、控制等多个子曲线组成的复杂网络。选择正确的技术组合，需要在性能、成本、可靠性和开发效率之间找到最佳平衡点。

"Pick the Right Technology Curve... we don't just follow one trend, we integrate multiple technologies."

第三节课：驾驭每一波技术浪潮

Waymo的技术演进并非一蹴而就，而是逐步迭代的结果。从早期的规则驱动系统，到后来的机器学习辅助，再到如今的基础模型（Foundation Model），Waymo始终站在技术前沿。Dolgov提到，"Inside the Waymo Foundation Model"，他们正在构建一个能够理解物理世界通用知识的模型。这个模型不仅处理驾驶任务，还学习人类驾驶员的行为模式、交通规则和社会规范。通过预训练和微调，Waymo的基础模型能够泛化到新的场景和任务中，从而减少对大量标注数据的依赖。这种通用人工智能（AGI）的雏形，为自动驾驶的长期发展提供了强大的基础。

"Ride Every Technology Wave... we are building a foundation model that understands the physical world."

第四节课：苦涩教训（The Bitter Lesson）依然有效

"The Bitter Lesson Still Wins" 是AI领域的一个著名概念，由Rich Sutton提出。其核心观点是：利用计算资源而非人工设计的知识，是AI进步的最有效途径。Waymo深谙此道，他们不试图通过人工编写规则来覆盖所有驾驶场景，而是通过海量数据训练让AI自主学习。Dolgov指出，虽然人工规则在早期阶段有助于系统快速上手，但随着场景复杂度的增加，人工规则的维护成本将呈指数级上升。相比之下，基于数据驱动的方法虽然初期投入大，但一旦模型训练完成，其泛化能力和适应性将远超人工规则。因此，Waymo将大部分资源投入到数据收集、清洗和模型训练中，而非人工规则的开发。

"The Bitter Lesson Still Wins... we rely on data and computation rather than hand-coded rules."

第五节课：模拟器是物理AI公司的必需品

对于物理AI公司而言，模拟器（Simulator）不仅是测试工具，更是核心基础设施。Dolgov强调，"Why Every Physical AI Company Needs a Simulator"，因为真实世界的测试成本高昂且风险巨大。模拟器允许公司在虚拟环境中生成无限多的边缘场景，从而加速模型的训练和验证。Waymo的模拟器能够高保真地还原物理世界的光照、天气、交通流和行人行为。通过"Sim-to-Real"（从模拟到现实）的技术，Waymo能够在模拟器中完成90%以上的测试工作，仅在最后阶段进行少量真实道路验证。这种闭环测试流程极大地提高了开发效率，降低了事故风险。

"Why Every Physical AI Company Needs a Simulator... simulators allow us to generate infinite edge cases safely."

第六节课：构建AI飞轮

Waymo的成功离不开其"AI Flywheel"（AI飞轮）效应。Dolgov解释，"Build an AI Flywheel" 意味着数据、模型和用户体验之间形成了正向循环。更多的车辆上路，收集更多的真实数据；更多的数据用于训练更强大的模型；更强大的模型提供更安全、更舒适的体验，吸引更多用户；更多的用户带来更多的数据。这个飞轮一旦启动，就会加速旋转，形成强大的竞争壁垒。Waymo通过规模化部署，不断加速这一飞轮的运转。同时，他们通过在线学习和持续集成，确保模型能够实时更新，适应不断变化的交通环境。这种动态进化的能力，是Waymo保持领先地位的关键。

"Build an AI Flywheel... more cars, more data, better models, better experience, more cars."

第七节课：评估（Evals）是竞争优势

在自动驾驶领域，评估（Evals）不仅是测试手段，更是核心竞争力。Dolgov指出，"Evals Are Your Competitive Advantage"，因为准确的评估体系能够量化系统的性能，指导研发方向。Waymo建立了多层次、多维度的评估体系，包括仿真评估、封闭场地测试和开放道路测试。他们不仅关注成功率，还关注舒适度、效率和安全边际。通过自动化评估，Waymo能够快速迭代模型，发现潜在问题。Dolgov强调，"How Waymo Became 17x Safer Than Human Drivers"，正是得益于这种严谨的评估文化。他们不满足于"看起来不错"，而是追求数据驱动的性能提升。

"Evals Are Your Competitive Advantage... we use rigorous evaluations to drive continuous improvement."

结语：物理AI的未来十年

Dolgov总结道，"The Next Decade of AI Will Be Physical"。随着AI技术的成熟，物理世界将成为AI应用的主战场。自动驾驶只是开始，机器人、智能制造、智慧物流等领域都将受益于物理AI的进步。Waymo的经验表明，构建物理AI系统需要长期的投入、严谨的工程方法和对安全的极致追求。对于初创公司而言，理解这些教训，避免常见陷阱，将有助于在激烈的竞争中脱颖而出。未来十年，能够安全、可靠、规模化地部署物理AI系统的公司，将成为新的行业巨头。

"The Next Decade of AI Will Be Physical... physical AI will transform industries beyond transportation."