Waymo 价格追上 Uber：自动驾驶 AI 如何把成本打下来

从“自动驾驶打车一定更贵”到“差价正在缩小”，行业拐点正在发生。根据价格与接驾时间聚合平台 Obi 在 2026-02-03（周二）发布的新数据：Waymo 机器人出租车（robotaxi）单次行程的平均价格仍高于人工驾驶的 Uber 或 Lyft，但差距正在收窄。

这条新闻表面在讲“谁更便宜”，本质在讲一件更硬核的事：自动驾驶的成本结构正在被 AI 软件优化重写。当算法把接驾、路径、能耗、调度、维保与安全边界管理都纳入同一套“可学习的系统”，价格自然会向传统网约车靠拢，甚至反超。

本文放在我们《自动驾驶 AI：Tesla 与中国车企的发展路径对比》系列里看，会更有意思：Waymo 代表高度自动化运营的 robotaxi 路线，而 Tesla 的“端到端自动驾驶 AI”与国内车企常见的“多传感器、多供应商协同方案”，则分别代表不同的软件组织方式。不同路线，最后都会落到同一张账单：每公里成本、每单履约、乘客体验。

价格差距缩小，核心不是补贴，而是“单位运营成本”变了

Waymo 与 Uber 的价差缩小，最直接的解释不是“Waymo 亏得更少”或“Uber 涨价”，而是自动驾驶车队的单位运营成本开始下降。

传统网约车的成本大头是司机：

• 司机抽成/补贴与激励
• 高峰期供给不足导致的溢价
• 司机服务差异带来的体验波动（取消、绕路、沟通成本）

robotaxi 的成本大头则换成：

• 车辆折旧（更高的传感器/计算平台成本）
• 远程支持与安全运营（remote assistance/监控）
• 车队调度与闲置时间（空驶率）
• 事故与合规成本（保险、责任、审计）

当 Obi 这类平台能持续观察到价差收敛，通常意味着至少有一项发生改善：空驶率下降、接驾时间变短、单车日均订单提升、远程干预减少、能耗优化。这些都不是“营销动作”，而是软件系统的长期学习与工程化结果。

一句更“能落地”的判断：robotaxi 的价格要下来，靠的不是一句“没有司机成本”，而是让车队像云计算一样提升利用率。

AI 在 robotaxi 里真正赚钱的地方：调度、路径与“减少不确定性”

自动驾驶的 AI 价值，很多人只盯着“能不能不接管”。但商业化里更值钱的，往往是把不确定性变成可预测性。

1）动态定价与供需匹配：不靠人脑靠模型

Uber 擅长的是成熟的供需定价体系与海量司机供给。robotaxi 要想价格逼近 Uber，必须在“车辆供给相对刚性”的情况下，把供需波动吃掉。

AI 能做的包括：

• 预测未来 15/30/60 分钟的订单热区与出行需求
• 重定位车辆到潜在热区，减少空驶
• 合单/拼车策略（如果法规与产品允许）提升每公里收入
• 把“接驾时间”纳入定价与调度目标（体验与成本同时优化）

这里的关键指标不是“模型多大”，而是在同样车队规模下，把每小时完成的有效载客里程提高。

2）路径规划与能耗优化：每一度电都算数

2026 年的用户对电动车续航焦虑虽然下降，但对“等待”和“绕路”更敏感。robotaxi 的 AI 路径规划如果能做到两点，价格会更有下降空间：

• 减少无效绕行：路况预测更准、变道策略更稳
• 能耗更低：匀速、减少急加速急刹、合理选择道路等级

当车队规模上来后，哪怕每单节省 0.2-0.5 kWh 或 1-2 分钟，都会被放大成可观的运营成本差。

3）远程支持减少：从“人工兜底”到“系统自洽”

robotaxi 运营绕不开远程支持：遇到施工、临停、交警指挥、复杂装卸区，系统可能需要人类介入。远程介入越多，成本越像“隐藏司机”。

AI 改进的方向很明确：

• 场景理解更强：对临时交通规则、手势指挥的识别
• 风险策略更清晰：遇到不确定时“可解释地保守”，减少卡死
• 与地图/道路事件系统联动：施工与封路信息的实时闭环

当远程介入率下降，robotaxi 就更像“可复制的软件服务”，而不是“披着自动驾驶外衣的呼叫中心”。

Waymo、Tesla 与中国车企：不同 AI 路线，决定不同“降本曲线”

这也是本系列最想讲清楚的部分：同样叫自动驾驶 AI，组织方式不同，带来的成本与体验也完全不同。

Waymo：高安全冗余 + 运营闭环，适合城市 robotaxi

Waymo 更像“把自动驾驶当作公共交通系统来做”。它的强项通常在：

• 高冗余传感器与严谨的安全策略
• 限定区域（ODD）内做深做透
• 运营数据闭环：车队调度、远程支持、服务标准化

这种路线的用户体验特点是：稳、可预测、少折腾。代价是前期投入高、扩张更慢。但一旦在某城市跑通，价格自然会逐步下探——因为系统可以持续优化每一个运营环节。

Tesla：端到端自动驾驶 AI，更像“规模化软件产品”

Tesla 的路线更偏“端到端”与规模数据驱动：把感知、决策尽可能交给统一模型，通过海量车队数据迭代。这条路在 robotaxi 场景的想象力在于：

• 如果形成规模，单位硬件成本可能更容易下降
• 软件版本快速迭代，能力提升可能更“跳跃式”

但它对体验的挑战也更明显：端到端模型的行为边界、可解释性、安全合规路径，都需要更成熟的工程体系支撑。

中国车企：多传感器 + 多供应商协同，落地速度快但系统成本复杂

国内常见做法是多传感器堆叠（激光雷达、毫米波、摄像头等）+ 多供应商方案（域控、地图、算法模块）。优势是：

• 某些能力可以更快集成落地
• 在特定功能点上表现很强（比如高速 NOA、泊车）

问题在于 robotaxi 的“持续降本”更考验系统一体化：

• 多供应商协同会带来集成与维护成本
• 数据闭环不一致，优化周期变长
• 体验一致性更难做到“像一个产品”而不是“功能集合”

我的观点很明确：robotaxi 价格要真正逼近 Uber，最后拼的是软件一体化与运营闭环，而不只是传感器数量。

用户体验决定复购：价格接近后，胜负在“稳定感”

当 Waymo 与 Uber 的价格差距缩小，用户会更在意体验细节。自动驾驶的 UX（用户体验）不是车机界面好不好看，而是全链路：下单—上车—行程—下车—售后。

乘客最在意的 4 个体验指标

1. 接驾时间可预测：不是绝对最短，而是别忽长忽短
2. 行驶风格一致：别一会儿像老司机、一会儿像新手
3. 异常处理透明：绕行、等待、停车点变更要讲清楚
4. 安全感可感知：对行人、自行车、复杂路口的处理要“让人放心”

这背后几乎全是 AI 系统能力：行为规划、风险策略、HMI 提示、与调度系统的协同。

用户愿意为“可预测”付费。更准确地说：用户会因为不可预测而流失。

企业怎么用这条趋势做决策：三张表看懂 robotaxi 商业化

如果你来自车企、出行平台、Tier1、或智能座舱/软件团队，Waymo 与 Uber 价差缩小不是八卦，而是一个决策信号。建议你用三张表把问题拆开。

1）成本拆解表：每单成本到底由谁贡献

把一单 robotaxi 的成本拆成：折旧、能耗、清洁/调度、远程支持、保险合规、场站/充电、客服。然后问三件事：

• 哪一项随规模下降最快？
• 哪一项是“软件可优化”的？
• 哪一项必须靠供应链降价？

2）体验指标表：把主观投诉变成可量化 KPI

建议至少建立：

• 平均接驾时间与方差
• 取消率（含系统取消与用户取消）
• 异常工单率（施工/临停/绕行/停车点失败）
• 乘坐舒适度代理指标（急加速/急刹次数、横向加速度峰值）

体验指标做不细，就很难在“价格接近”时赢下复购。

3）数据闭环表：从路测到量产到运营的迭代速度

把数据闭环按周期写清楚：

• 发现问题到定位：需要几小时/几天？
• 定位到修复：需要几周？
• 修复到部署：OTA、灰度、回滚机制是否成熟？

我见过不少团队把算法做得很强，但闭环慢，最后就输在“改得不够快”。

价格收敛之后，真正的分水岭是“谁能规模化地把体验做稳定”

Obi 的数据只说明一件事：Waymo 仍更贵，但正在追近 Uber/Lyft。更重要的信号是：robotaxi 的成本下降开始兑现到用户价格上。这意味着自动驾驶不再只是演示与试点，而是在向“可持续运营”靠拢。

放到《自动驾驶 AI：Tesla 与中国车企的发展路径对比》这个系列里，我更愿意用一句话收尾：**端到端也好，多传感器也好，真正能长期赢的是把 AI、软件工程和运营系统揉成一个闭环的人。**价格只是结果，体验才是护城河。

接下来一年值得持续观察：当价格差距进一步缩小，用户会不会开始用“可预测性”和“安全感”来投票？以及，哪种 AI 路线能把这种优势规模化复制到更多城市与车型上？