20 Million 次无人驾驶后，Waymo 首席工程师说最难的根本不是技术

20 Million 次真实出行之后，Waymo 离“完全自动驾驶”还有多远？在这场来自红杉资本的深度对话中，Waymo 联合创始人 Dmitri Dolgov 给出的答案，和大多数人想象的完全不同：真正拖慢自动驾驶的，从来不只是算法。

最反直觉的事实：自动驾驶不是被“聪明度”卡住的

如果你以为自动驾驶迟迟未全面落地，是因为模型不够大、算力不够强，那这场对话一开始就会把你“叫醒”。

Dmitri Dolgov 回顾 Waymo 的历程时反复强调一个点：真正困难的，从来不是让车“跑起来”，而是让它在现实世界里长期、稳定、可规模化地跑下去。早期几年，Waymo 的技术进展极其激进，很多外界看来“不可能”的能力，被快速原型化、验证、上线。

问题随之而来：当系统从“实验成功”走向“公共服务”，每一个极端边缘案例都会被无限放大。技术是否足够聪明不再是核心，是否足够可靠、可预测、可解释，才是生死线。这也是为什么在他口中，“stamina to go the distance（跑完全程的耐力）”成了关键词。

20 Million Rides 背后，是一套“不靠运气”的工程哲学

20 Million 次出行不是一个市场指标，而是一个工程指标。

Dmitri 讲到，Waymo 能够持续扩大规模，靠的不是单一模型突破，而是一整套系统化的方法论。其中最关键的一点，是他们极其强调“现实一致性”：模拟器、训练环境、评测体系，必须尽可能接近真实世界。

这也是他重点提到的 driver–simulator–critic 架构。自动驾驶系统不是只在路上学，而是通过高保真模拟环境反复“演练”，再由 critic 系统严格评估行为是否达标。这种架构的价值在于，它不依赖偶然发生的真实事故或极端情况，而是可以系统性地构造、复现、修复问题。

换句话说，Waymo 的进展不是靠‘运气好没出事’，而是靠工程体系让坏事尽量在虚拟世界里先发生。

真正的规模化，不是多几辆车，而是多几万个“不出错的日常”

当对话进入“scaling”阶段，讨论的重心明显发生了变化。

在 Waymo 看来，规模化并不等同于城市数量、车队规模的简单相加。真正困难的是，当系统面对成千上万种日常场景时，是否还能保持一致的行为质量。天气变化、道路施工、行人行为、宠物突然闯入——这些都不是模型训练时的“亮点”，却是运营中的常态。

Dmitri 特别强调，随着规模扩大，安全的影响不是线性增长，而是指数级放大。每减少一次系统性风险，意味着在更大范围内减少潜在事故。这也是为什么 Waymo 在扩展过程中显得“慢”，却始终坚持先把安全指标跑稳。

在他看来，自动驾驶最终不是一项技术展示，而是一种公共基础设施。

从学术项目到公共服务，Waymo 做对了哪件事？

Waymo 的起点，是一个研究项目；它今天的形态，却更像一家运营公司。

Dmitri 的个人经历恰好映射了这一转变：从高度学术化的研究训练，到长期投入一个极其复杂、现实约束极强的系统。他提到，真正帮助他职业生涯的，不是某一次技术突破，而是长期在高标准下做“无聊但正确的事”。

这也解释了为什么 Waymo 的技术路线常常显得保守：不追逐短期炫技，不急于证明“我能”，而是不断证明“我每次都能”。在自动驾驶这个领域，这种克制反而成了稀缺能力。

总结

如果你是 AI 从业者，这场对话最重要的启发或许不是某个具体模型，而是一种长期主义的工程观：当系统真正进入现实世界，决定成败的往往不是最前沿的算法，而是是否具备持续交付、安全扩展、反复自证的能力。

一个值得带走的思考是：你正在做的 AI 系统，是一次性 Demo，还是可以承载百万、千万次真实使用的产品？如果是后者，今天你是否已经在为那些“看不见的失败”提前买单？

关键词： Waymo， 自动驾驶， 无人车规模化， 模拟器架构， AI工程实践

事实核查备注： 需要核查：1）20 Million rides 的具体统计口径与时间点；2）Dmitri Dolgov 的正式头衔与在 Waymo 的角色；3）driver–simulator–critic 架构的官方表述；4）视频发布平台与发布时间。