Waymo 扩张到三城：恶劣天气与窄街道，如何倒逼自动驾驶 AI 进化

Waymo 进入明尼阿波利斯、新奥尔良、坦帕这三座城市，看起来像一次“商业版图扩张”。但我更愿意把它理解成一场刻意挑选的难题考试：明尼苏达的冰雪与低温、老城街区的窄路与遮挡、热带沿海的暴雨与强反光——这些都不是封闭测试场能逼出来的能力。

这件事对中国智能汽车行业也很有参考价值，尤其放在我们这个系列“自动驾驶 AI：Tesla 与中国车企的发展路径对比”里看更清晰：Waymo 走的是典型的“先把运营做深，再让模型在真实世界里慢慢变强”的路线；而不少中国车企更像“把生态做宽，围绕本地用户体验持续迭代”。两种路径都在讲同一件事：AI 不是一次性上线的功能，而是一套长期的系统工程。

下面就借 Waymo 的三城扩张，聊聊自动驾驶 AI 真正的难点在哪里、它如何从“能开”走向“开得稳”，以及这些经验如何映射到中国车企的座舱与智驾体验设计。

选择城市的本质：用地理差异给 AI 加压

Waymo 选择新城市并不是“多开几个点位”这么简单，核心价值在于：多样化场景会强迫感知、预测、规划、控制与安全运营一起升级。同一套系统在不同城市表现差异很大，而差异背后的原因，往往不是算法论文里那几条指标能解释的。

明尼阿波利斯：冰雪让“看得见”变成奢侈

冰雪城市最狠的一点是：道路语义会被抹掉。车道线被雪覆盖、路沿被冰包住、路面摩擦系数骤降，摄像头视野也会被雪泥与雾气影响。结果是：

• 感知不再稳定：同一辆车、同一路段，不同时间段输入质量天差地别。
• 规划要更保守：刹车距离、转向响应都变长，稍微激进就可能打滑。
• “低置信度运行”成为常态：系统必须学会在不确定性更高时仍能安全决策。

如果你做过任何面向量产的智能驾驶功能，就会知道“雪天可用”常常不是加一个模型就结束，而是从传感器自清洁、标定稳定性、到安全策略阈值都要重做。

新奥尔良：窄街道与遮挡，考验的是“城市理解力”

新奥尔良这类老城街区的特点是：道路窄、路口密、遮挡多（建筑、停靠车辆、树木），还有大量非标准交通参与者（行人临停、骑行穿插、临时施工）。它对自动驾驶 AI 的要求更像“读懂城市”而不是“识别物体”。

这里最容易暴露系统短板的，是交互：

• 你要能预测对向车会不会让你、行人会不会突然横穿。
• 你要能在“没有明确车道线”的情况下保持可解释的行驶位置。
• 你要能处理“礼让但不犹豫”的微妙节奏，否则体验会很差。

我见过不少系统在高速、环路表现很好，但一进老城就像“新手上路”：不是太怂，就是太硬。

坦帕：暴雨、积水与强反光，让鲁棒性成为硬指标

沿海城市的极端天气并不一定是低温，而是短时强降雨、积水、逆光反射。这类场景会让摄像头画面“发白”、让激光雷达回波变复杂，也会让地面可通行区域判断更困难。

暴雨考验的不是单点能力，而是系统级容错：当某个传感器质量下降时，你如何自动降级、如何提示接管、如何在运营层面设置更合理的可用性边界。

一句话概括：选三座城市，不是选三块市场，而是在选三套“最容易把自动驾驶逼出真实能力”的训练题。

Waymo 的“运营驱动 AI”路线：让系统在真实世界持续变强

Waymo 的优势并不只在模型本身，而是它把自动驾驶当成一个“可运营的产品”，通过运营把工程问题逼出来，再反过来推动 AI 迭代。

从“模型能力”到“可用能力”，中间隔着一整套安全体系

自动驾驶公司最容易被外界误解的是：大家只盯着“车会不会开”，却忽略“系统怎么保证一直安全地开”。在 Robotaxi 业务里，安全不是一句口号，而是流程化能力：

• ODD（运行设计域）明确：哪些天气、哪些道路类型、哪些时段可以开。
• 远程协助与运营调度：极端场景如何处理、如何快速恢复。
• 事件复盘与数据闭环：每次边缘案例都要进入训练与规则更新。

这套闭环让“进三座城市”变成了一次系统级升级，而不是简单复制粘贴。

城市扩张的真正产出：边缘案例与长尾分布

自动驾驶 AI 最贵的不是常见场景，而是长尾：雪堆旁突然出现的行人、双排停车造成的临时单车道、暴雨里反光让车道线消失。

城市越多，长尾越多；长尾越多，系统越能逼近“可靠”的定义。Waymo 这种扩张，本质上是在扩大数据分布，推动模型在更复杂的现实里收敛。

放回系列主线：Waymo、Tesla 与中国车企的三种“进化方式”

我们系列一直在对比：端到端与多传感器/多供应商，以及不同公司如何把 AI 变成可规模化产品。Waymo 的三城扩张，能把差异照得更亮。

Waymo：强调可控 ODD + 高质量运营闭环

Waymo 往往更倾向于在自己能强控制的范围内，把安全与体验磨到稳定，再逐步扩大范围。它的思路是：

• 宁可慢，也要把“可用”定义清楚
• 通过运营把风险降下来
• 用真实世界数据持续迭代

这种方式对用户来说像“稳定的专车”，但扩张速度和覆盖广度会受到 ODD 与成本的约束。

Tesla：更偏“规模化数据驱动”的端到端路线

在公众认知里，Tesla 更强调用大规模车队数据与端到端学习去提升泛化能力。它的优点是覆盖更广、迭代更快，但挑战也明显：

• 端到端模型的可解释性与验证成本更高
• 不同地区法规与道路差异，会让落地节奏更复杂

从这个角度看，Waymo 进“难城市”更像精准选题；Tesla 更像把题库开到最大，靠规模做泛化。

中国车企：更贴近“本地化体验”与生态协同

中国车企的现实战场很独特：城市道路复杂、交通参与者多样、用户对座舱体验要求极高，而且车企往往需要与多家供应商协作完成智驾与座舱。

这导致一个非常中国式的优势：本地化与生态整合。

• 导航、停车、充电、语音助手、车机应用生态，能形成完整体验闭环
• 更懂本地驾驶习惯（例如加塞、非保护左转、路口混行）带来的交互挑战
• 更擅长用“座舱 AI + 智驾提示”降低用户焦虑

我个人的判断是：短期内，中国市场真正能拉开差距的，未必是“某个模型多强”，而是AI 如何同时服务驾驶与用户体验。

对中国智能汽车的启发：把“难场景”变成产品能力，而不是公关素材

Waymo 进入严苛城市给中国团队的最大启发是：难场景不是用来拍视频的，是用来建立标准、流程和体验策略的。

1) 让“可用边界”可视化：用户体验比算法自信更重要

很多智驾功能失败不是技术不行，而是用户不知道什么时候该信它。更好的做法是把系统状态讲清楚：

• 以明确 UI/语音提示告知：当前是“高置信度”“降级模式”还是“建议接管”
• 在极端天气自动切换更保守策略，并解释原因
• 用驾驶报告让用户理解系统的优势与限制

2) 以城市为单位做“场景地图”，把研发变成可管理项目

一个落地型方法是：每进入一个新城市/区域，先建立“场景清单”和通过标准，例如：

1. 冰雪路口起步打滑控制
2. 窄路会车与礼让策略
3. 暴雨可通行区域识别
4. 临时施工绕行与降速

把它们产品化，你就能从“堆功能”变成“交付能力”。

3) 座舱 AI 要参与“驾驶协作”，而不是只做聊天

在中国市场，座舱 AI 的价值不止是语音点歌。更实际的是：当智驾遇到低置信度场景时，座舱可以成为“协作界面”。比如：

• 主动解释：为何降级、为何变道失败、为何保持跟车距离
• 提供备选：建议改走更简单路线或切换到手动泊车
• 结合导航与道路信息：提前提示复杂路口

这就是我们这次 Campaign 的核心：AI 在汽车软件与用户体验中的不同应用方式。智驾 AI 解决“怎么开”，座舱 AI 解决“怎么让人放心地用”。

读者常问的两个问题（直接回答）

Waymo 进冰雪城市，是不是说明 Robotaxi 快大规模普及了？

不等于。进入新城市更多说明它在扩展 ODD 和运营能力，但 Robotaxi 的规模化还受法规、成本、车辆冗余安全设计和运营网络影响。技术进步是必要条件，不是充分条件。

对中国车企来说，更该学 Waymo 还是学 Tesla？

我的观点是：学 Waymo 的运营与安全闭环，学 Tesla 的数据效率，但产品上要坚持中国式本地化体验。中国用户对“好用、好解释、好衔接”的要求非常现实，谁把体验做顺，谁更容易拿到口碑与转化。

接下来怎么做：把“城市难题”变成你团队的路线图

Waymo 进入明尼阿波利斯、新奥尔良、坦帕，表面是扩张，背后是用真实世界把 AI 的弱点一层层挤出来。自动驾驶从来不是“上车即完成”，而是持续学习、持续验证、持续交付。

如果你正在做智能驾驶或智能座舱，我建议从 2026 年的规划开始就问团队三件事：我们最难的 20 个场景是什么？我们怎么验证它真的变好？用户怎么感知到它变好了？ 这三问能把“技术投入”变成“可交付体验”。

下一篇我们会继续沿着系列主线，把“端到端智驾”与“多传感器协同”在复杂城市中的取舍讲透：到底是路线之争，还是阶段之选？