这篇访谈聊的是Waymo（谷歌旗下自动驾驶公司）的技术路线和商业化进展。核心观点是：自动驾驶的真正突破不是纠结“撞人还是撞墙”的哲学问题，而是通过提升技术把“犯错概率”降到最低，根本避免危险。Waymo 首席技术官 Dmitri Dolgov 看好自己的多传感器融合路线（激光雷达+摄像头+雷达），认为纯视觉方案是“自废武功”。标的方面：Waymo 已融资 32 亿美元，在凤凰城 50 平方英里内提供付费无人出租车服务，需求远超运力；Jaguar I-PACE 是搭载其第五代硬件系统的车型；Tesla 被隐晦批评——马斯克说激光雷达是“拐杖”，但 Dolgov 认为多传感器更安全。
本对话围绕Waymo CTO Dmitri Dolgov探讨自动驾驶汽车的未来。核心观点是，Waymo自2009年作为Google自动驾驶汽车项目起步，2016年独立，目前在全自动驾驶领域占据领先地位，已在公共道路上实现大规模部署，车辆可载客且无安全驾驶员。评论认为这是21世纪最困难、最激动人心的人工智能工程成就之一，充分体现了Waymo团队在自动驾驶技术上的持续创新。
好的，作为第三方独立分析师，我已审阅并重组了这份关于 Dmitri Dolgov 与 Waymo 的播客文字稿。以下是基于该访谈内容的分析报告。
嘉宾身份与背景：Dmitri Dolgov 是 Waymo 的首席技术官，自 2009 年谷歌自动驾驶汽车项目创始之初便加入，亲历其从研究项目到独立公司的完整历程。
本期主线：访谈深入探讨了 Waymo 从 DARPA 挑战赛、谷歌内部项目到独立运营并实现大规模完全无人驾驶商业服务的完整技术演进与商业化路径。
全片最有分量的一个判断：Dmitri Dolgov 认为，无人驾驶技术的真正突破不在于对“撞车选择”（如电车难题）的哲学思辨，而在于通过持续提升系统核心能力（硬件、软件），将“精度-召回率”曲线整体上移，从根本上避免陷入需要做出此类艰难抉择的危险境地。
Dmitri Dolgov 认为，Waymo 的起源可追溯至 DARPA 城市挑战赛，这段经历不仅验证了技术可行性，更塑造了公司的技术基因。
Dolgov 于 2006 年加入斯坦福大学 DARPA 城市挑战赛团队，负责运动规划算法。他回忆了首次在真实车辆上运行自己代码的“魔力时刻”，以及团队在 2007 年比赛中因一个“胜利圈”（victory lap）bug 而错失冠军的轶事。他认为，正是这些早期挑战赛的成功，吸引了 Larry Page 和 Sergey Brin 的注意，从而催生了 2009 年的谷歌自动驾驶汽车项目。
项目初期，团队仅约 12 人，目标并非立即打造产品，而是最大化学习效率。他们设定了两个关键里程碑：
1. 完成 100,000 英里的自动驾驶里程，这在当时是前所未有的量级。
2. 在 10 条精心挑选的、极具挑战性的路线上实现零人工干预行驶，每条路线长 100 英里，覆盖了高速公路、山区道路（如 Lake Tahoe）、密集城区（如旧金山市区）等复杂场景。
团队在不到两年（约 16 个月）内完成了这两个里程碑。Dolgov 指出，这一阶段的核心收获是 “确信了这件事是可行的”（we believe that it's doable），尽管当时对问题复杂性的认知还很粗浅。2013 年，团队做出了关键的战略转向，放弃了开发 L3 级高速公路辅助驾驶系统的计划，转而全力投入打造一个能够在任何情况下完全替代人类驾驶员的“虚拟驾驶员”（Driver）。他认为，这是绝对正确的决策，因为构建辅助驾驶系统与构建完全无人驾驶系统在技术路径上有着根本性差异。
Dmitri Dolgov 强调，Waymo 的核心战略是不懈追求“驾驶员座位上空无一人”的完全无人驾驶状态，这一系列里程碑构成了公司的核心竞争力。
Dolgov 梳理了关键的里程碑事件：
Dolgov 认为，当乘客看到方向盘在自己转动而驾驶座空无一人时，那种体验是“变革性的”（transformative），它真正解锁了这项技术的潜力。截至访谈时（2020年12月），Waymo 已在凤凰城约 50 平方英里的区域内，向公众提供完全无人驾驶的付费出行服务，且需求远超运力。用户反馈极为积极，绝大多数评分均为五星。
Dmitri Dolgov 认为，Waymo 的技术优势来源于对硬件（尤其是传感器）的深度垂直整合，以及对机器学习在整个系统各环节的广泛应用。这与“仅依赖纯视觉”的路径形成鲜明对比。
Dolgov 详细阐述了其技术体系：
1. 硬件自主化：Waymo 的激光雷达（Lidar）几乎完全由内部设计、工程和制造，其核心技术是 Waymo 独有的。雷达和摄像头也大量采用定制设计。第五代硬件系统在设计上就考虑了大规模制造的可行性、单位经济性以及更高的可靠性和冗余度。车辆配置包括 29 个摄像头、5 个激光雷达和 6 个雷达。
2. 车联网与数据闭环：车辆并非完全依赖实时通信，其核心决策（如安全、延时关键的操作）均由车载系统独立完成。但车辆间会共享更具先验性的信息（如地图更新、事故、施工区域），并实时上传，使整个车队能够“集体学习”。此外，公司构建了庞大的离线计算平台，用于训练模型、评估系统以及挖掘“长尾”边缘案例。
3. 机器学习的全局应用：Dolgov 明确指出，机器学习并非仅用于感知（如物体检测、分类），而是遍布整个系统，包括预测（行人、自行车、其他车辆的行为）、决策规划以及模拟器中的生成式建模。他特别提到，自然语言处理领域的 Transformer 架构等突破，正被成功应用于行为预测和规划，因为驾驶行为本身具有强序列性和结构性。
4. “感觉”与“规则”的结合：他以交通信号灯为例，指出“红灯停”是一个清晰的、工程化的语义规则，可以直接注入系统。但判断其他车辆是否会闯红灯，则是一个需要大量数据训练的机器学习问题。因此，最佳方案是结合基于模型的系统与数据驱动的学习。
针对马斯克认为“激光雷达是拐杖”的观点，Dolgov 进行了有力反驳。他认为，激光雷达、摄像头、雷达三者物理特性不同，互为补充，能共同构建一个更安全、更强大的系统。“你为什么要自废武功，不使用其中一种或多种传感模式呢？”（why the heck would you handicap yourself and not use one or more of those sensing modalities?）他花费篇幅反驳了成本和外观两个常见批评：成本上，随着技术进步和大规模生产，激光雷达成本已大幅下降；外观上，他认为可以通过设计使其美观。
Dmitri Dolgov 认为，凤凰城项目是 Waymo 实现规模化扩张的“平台”和“压力测试场”，其核心任务是完成从技术验证到产品、商业运营的“完整闭环”，从而提炼出可复制的扩张方法论。
Dolgov 将未来的规模化挑战分解为三个维度：
1. 核心技术：第五代硬件和持续改进的软件，旨在打造一个更通用、更鲁棒的“虚拟驾驶员”，使其能够适应更多城市和环境。
2. 评估与部署：建立一套高效的流程、框架和仿真系统，使得工程师可以专注于改进系统，而新版本的“驾驶员”软件能够像流水线一样被快速、安全地部署到整个车队。
3. 产品、商业与运营卓越：通过凤凰城项目，积累关于用户行为、运营效率、合作伙伴关系（包括各级政府）等所有商业层面的实战经验。
Dolgov 强调，凤凰城项目的价值不仅在于证明了技术，更在于“强迫自己学习所有那些艰难的教训”（force ourselves to learn all those hard lessons），从而为未来快速“复制粘贴”到其他城市做好准备。他提到，Waymo 已在超过 25 个城市进行过测试，包括旧金山、密歇根（雪地环境）等，但大规模商业服务的扩张将建立在对凤凰城经验的全面消化之上。此外，Waymo 还于 2017 年启动了名为 Waymo Via 的自动驾驶卡车货运项目。Dolgov 指出，卡车与乘用车在底层技术（感知、预测、规划、仿真、ML 基础设施）上高度相通，投资核心技术的成果可以自然迁移到不同产品线，只是需要针对卡车（如传感器布局、高速长距离工况）进行专业化适配。
| 标的 | 嘉宾态度（看好/风险提示/中性） | 关键数据 |
|---|---|---|
| Waymo | 看好 | 完成 32 亿美元外部融资；在凤凰城约 50 平方英里区域运营 Waymo One 付费服务；第五代硬件系统包含 29 摄像头、5 激光雷达、6 雷达；已测试超过 25 个城市。 |
| Jaguar I-PACE | 中性（作为搭载第五代硬件的车型提及） | 第五代自动驾驶硬件系统部署于此车型。 |
| Tesla | 风险提示（隐含对比） | 作者（Dolgov）反驳了马斯克认为激光雷达是“拐杖”的观点，强调多传感器融合对安全性的重要性。 |
1. Waymo 的战略选择（Dmitri Dolgov）：2013 年，团队决定放弃 L3 级高速公路辅助驾驶，全力投入打造完全无人驾驶的“虚拟驾驶员”。认为这是“绝对正确的决定”，因为两者的技术路径和系统设计有根本性差异。
2. 核心能力 vs. 权衡（Dmitri Dolgov）：无人驾驶的进步不在于在“谨慎”和“激进”之间做艰难权衡，而在于将整个系统的“精度-召回率”曲线整体上移，这样才能同时实现安全、高效、舒适和自信的驾驶。
3. 多传感器融合的必要性（Dmitri Dolgov）：激光雷达、摄像头、雷达在不同物理特性上互补。抛弃任何一种传感器都是“自废武功”。激光雷达的成本和外观问题并非不可逾越，随着技术发展和规模化生产，这些障碍正在消失。
4. “机器学习无处不在”的工程哲学（Dmitri Dolgov）：Waymo 的系统不仅在感知层，更在预测、规划、仿真等几乎所有环节都深度应用了机器学习。Transformer 等 NLP 领域的突破正被用于建模驾驶行为这一高度结构化的序列问题。
5. 证伪条件与规模化方法论（Dmitri Dolgov）：Waymo 在凤凰城的运营并非最终目标，而是一个“压力测试场”，旨在完成从技术到产品、商业、运营的“完整闭环”。未来的规模化扩张（“复制粘贴”到其他城市）将建立在对这个闭环中所有艰难教训的提炼之上。