兩條截然不同的技術路線
自動駕駛產業最根本的技術分歧，不在軟體演算法，而在感知硬體的選擇。Tesla 堅持純視覺路線——只用攝影機，不用 LiDAR；Waymo 則擁抱多感測器融合——LiDAR、攝影機、雷達三管齊下。這個選擇影響一切：成本結構、安全性能、擴展速度和商業模式。
硬體架構對比
| 項目 | Tesla（純視覺） | Waymo（多感測器融合） |
|---|---|---|
| 攝影機 | 8 顆（360° 覆蓋，250m 範圍） | 13 顆（含 500m 遠距前置） |
| LiDAR | ❌ 無 | 4 顆（360° 覆蓋，300m+ 範圍） |
| 雷達 | ❌ 2021 年移除 | 6 顆（含成像雷達） |
| 超音波感測器 | ❌ 2022 年移除 | — |
| 外部音訊接收器 | ❌ 無 | ✅ EAR 系統 |
| 運算晶片 | HW4（Samsung 7nm SoC, 50 TOPS） | 自研計算平台（Google TPU 生態） |
| 感測器總成本 | ~$300 | ~$20,000（第 6 代） |
| 全車自駕堆疊成本 | ~$1,500–2,500 | <$20,000（目標） |
Tesla 純視覺的技術邏輯
Tesla 的核心論點是：人類只用眼睛就能開車，機器也應該可以。
- 端到端神經網路（FSD v12+, 2024）：原始攝影機畫面直接輸出轉向/加速/煞車指令，取代了原本 30 萬行 C++ 規則代碼
- 佔用網路（Occupancy Networks）：從 2D 影像推算 3D 空間佔用體積，模擬 LiDAR 的點雲效果
- FSD v14：模型參數量為 v12 的 10 倍，輸入包含影片、導航、車輛動態和音訊
- 訓練規模：每次完整訓練週期需 ~70,000 GPU 小時，處理超過 1.5 PB 駕駛資料
Waymo LiDAR 的技術優勢
Waymo 的核心論點是：安全不能只依賴一種感測器。
- 直接 3D 測距：LiDAR 發射雷射光脈衝，直接測量物體距離，不需從 2D 影像「猜測」深度
- 全黑環境作業：LiDAR 自帶光源，完全不依賴環境光線
- 不受眩光影響：太陽直射不會干擾 LiDAR（但會影響攝影機）
- 感測器冗餘：任一類感測器故障，其他感測器仍可維持基本感知能力
第 6 代 Waymo Driver 比第 5 代減少 42% 感測器數量，同時提升了性能和天候適應性，並大幅降低成本。
數據規模：量 vs 質
| 數據指標 | Tesla FSD | Waymo | 比較 |
|---|---|---|---|
| 累計自駕里程 | 85 億+ 英里 | 1.27 億+（純無人）英里 | Tesla 67 倍 |
| 每日新增里程 | ~2,000 萬英里 | 未公開（估 ~10 萬英里/日） | Tesla ~200 倍 |
| 里程成長軌跡 | 600 萬(2021)→8 億(2023)→85 億(2026) | 持續穩定增長 | — |
| 資料來源車輛數 | ~890 萬輛（FSD 啟用 ~110 萬） | ~2,500 輛 | Tesla 440 倍 |
| 資料品質 | 有監督（需人類介入） | 純無人（更接近真實部署） | Waymo 更有效 |
Tesla 擁有壓倒性的數據量，但 Waymo 的數據全部來自真正無人駕駛的場景，品質和相關性更高。Tesla 的 85 億英里中，絕大多數是有人類監督的 FSD Supervised，與完全無人的機器人計程車場景存在差距。
安全紀錄：數字說話
| 安全指標 | Waymo | Tesla FSD |
|---|---|---|
| 研究基礎 | 5,670 萬英里（同行審查論文） | 無公開同行審查數據 |
| 任何受傷事故 | 比人類少 85% | — |
| 嚴重傷害事故 | 比人類少 90% | — |
| 行人受傷事故 | 比人類少 92% | — |
| 自行車騎士事故 | 比人類少 83% | — |
| 機器人計程車碰撞率 | 遠低於人類平均 | ~每 57,000 英里 1 次（人類的 ~4 倍） |
| NHTSA 調查 | 標準報告，無重大調查 | 2025.10 開案，調查 290 萬輛車 |
| 事故敘述透明度 | 完整提供 | 刪除事故敘述 |
這組數據的落差非常顯著。Waymo 有同行審查的學術論文佐證其安全性；Tesla 的 FSD Supervised 數據由 Tesla 自行公布，且 Austin 機器人計程車的實際表現（14 起事故/80 萬英里）與 FSD 整體安全數據之間存在明顯矛盾。
成本與擴展性比較
| 維度 | Tesla | Waymo |
|---|---|---|
| 每車感測器成本 | ~$300 | ~$20,000（第 6 代目標） |
| 需要 HD 地圖？ | ❌ 不需要 | ✅ 每個城市需預先建圖 |
| 新增車輛方式 | OTA 軟體推送至現有車隊 | 部署新的專用車輛 |
| 新增城市成本 | 低（軟體部署） | 高（建圖 + 部署車輛 + 場站） |
| 邊際擴展成本 | 接近 $0（對已有 FSD 的車輛） | 每車 $70,000+（含車輛） |
| 天候適應性 | 較弱（雨/霧/雪/強光） | 較強（LiDAR 不受光照影響） |
| 理論規模上限 | 數百萬輛（全 Tesla 車隊） | 數萬輛（受限於硬體部署） |
這裡有一個根本性的矛盾：Tesla 的模式更容易擴展，但 Waymo 的技術更成熟可靠。如果 FSD 能達到 Waymo 級別的安全性，Tesla 的勝算極高；如果純視覺始終無法達到那個水準，那麼更便宜和更容易擴展就毫無意義。
LiDAR 成本趨勢：差距正在縮小
| LiDAR 產品 | 單價 | 趨勢 |
|---|---|---|
| Waymo 第 5 代感測器組 | $150,000+ | 已過時 |
| Waymo 第 6 代感測器組 | <$20,000 | 量產降本中 |
| Luminar Iris | ~$1,000 | 車規級量產 |
| 禾賽 AT128 | <$500 | 中國量產價格 |
| 雷達模組 | $50–100 | 已成熟 |
LiDAR 的價格正在快速下降——從十萬美元級跌至千元級。這削弱了 Tesla「LiDAR 太貴」的論點，但 Tesla 的每車 $300 感測器成本仍然低了一個數量級。
其他參賽者
- Mobileye（Intel）：攝影機優先 + 可選 LiDAR，為多家車廠提供 ADAS 晶片
- 百度 Apollo Go：LiDAR 路線，中國 22 城市運營，累計超過 2.4 億公里、1,700 萬次叫車
- Cruise（GM）：2024 年 12 月停止機器人計程車營運，2025 年 8 月重啟開發但加入安全員
- Pony.ai 小馬智行：LiDAR 路線，中國、美國、韓國、盧森堡取得許可
結論：沒有定論的技術之爭
純視覺 vs LiDAR 的辯論，本質上是「夠好」vs「最好」的哲學之爭。Tesla 賭的是深度學習可以讓攝影機做到 LiDAR 能做的一切，且成本低數十倍；Waymo 賭的是安全不能容許任何妥協，多重感測器冗餘是必要的。
截至 2026 年 3 月，Waymo 的安全數據遠遠領先。但 Tesla 的數據規模和擴展潛力也不容忽視——如果 FSD 能在未來 1-2 年內大幅縮小安全差距，純視覺路線的成本優勢將成為決定性的競爭武器。
資料來源：Tesla AI Day 技術文件、Waymo Safety Impact Report、Traffic Injury Prevention 同行審查論文、NHTSA 事故報告、AutoPilot Review、ThinkAutonomous｜資料截至 2026 年 3 月