Waymo 在纳什维尔测试无人出租：对比中美车企 AI 体验路线

Waymo 把无人驾驶 Robotaxi 开进了美国田纳西州的纳什维尔（Nashville）。这类“先测试、后开城”的动作看似常规，却是自动驾驶商业化里最关键的一步：从算法在封闭场景的正确率，走向城市道路的可复制运营能力。

我一直认为，大多数人低估了 Robotaxi 测试的真正意义。它不只是“车能不能自己开”，而是AI 软件、车端硬件、远程运营、乘客体验能不能在一个城市里被系统化跑通。把这个视角放回本系列《自动驾驶 AI：Tesla 与中国车企的发展路径对比》，Waymo 的纳什维尔测试也提供了一个很好的“对照样本”：美国公司更偏“全球化的一套 AI+运营模板”，而中国车企更擅长“本地化的智能座舱与生态体验”。

Waymo 为什么要在纳什维尔测 Robotaxi？

核心答案：这是商业化前的标准化开城流程，目的不是炫技，而是验证在新城市的安全冗余、运营成本和用户体验能否达到可上线的门槛。

从已公开的信息看，Waymo 在不同城市通常会经历类似阶段：

1. 地图与数据准备：覆盖主干道、复杂路口、施工频发区域；补齐限速、标线、路权等信息。
2. 带安全员/带远程支持的路测：先验证“能开”，再验证“开得稳”。
3. 无人化试运行：逐步扩大 ODD（运行设计域），例如从白天晴天到夜间、雨雾、节假日拥堵。
4. 小范围邀请制体验 → 商业化开放：用真实乘客的反馈打磨上车/等待/改派/客服等流程。

纳什维尔的特点也很典型：旅游与本地通勤叠加、夜间出行需求高、活动经济明显。对 Robotaxi 来说，这意味着周末夜间高峰、临停上下客、拥堵路段的决策与乘客安全感会被放大检验。

一句话概括：Robotaxi 不是把“自动驾驶功能”装上车就结束了，它是一套“城市级 AI 服务”。

从“开得对”到“让人敢坐”：AI 体验的硬指标

最直接的结论：自动驾驶的 UX，第一指标不是炫酷，而是可预期。

许多公司在演示视频里强调“全程无接管”。但乘客真实体验里，更影响满意度的是这些细节：

1) 上下客与等待：一分钟决定信任

Robotaxi 的体验往往在“车来之前”就开始了：定位准不准、上车点清不清晰、临停是否影响交通、遇到封路能否快速改派。

我见过不少用户抱怨的不是“车不会开”，而是：

• 车停得离上车点太远，夜间不安全
• 路边临停导致后车鸣笛，乘客心理压力大
• App 指引不明确，找车时间长

这些都属于AI+运营系统的协同体验。Waymo 这类公司在新城市做测试，本质上是在打磨“城市的上车规则”。

2) 行驶风格：保守并不等于舒适

自动驾驶系统为了安全会更保守：更早刹车、更谨慎并线、更慢通过无保护左转。但“过度保守”会让乘客感到不顺畅，甚至晕车。

一个可操作的体验指标是：

• **纵向加速度与加加速度（jerk）**的峰值控制
• 急刹触发率与原因归因（行人、切入车辆、误检等）
• 路径规划稳定性（不要频繁微调方向）

这也是“AI 在汽车软件与用户体验中的不同应用方式”的典型体现：AI 不只是识别与决策，还要被产品化成“人能接受的驾驶风格”。

3) 故障与接管：解释清楚，比完美更重要

现实里没有 100% 无异常。好的体验不是“永不出错”，而是：

• 出现异常时能安全靠边
• 乘客知道发生了什么（清晰提示）
• 远程支持响应快（客服、远程协助）

Robotaxi 的“解释能力”常常被忽视。对乘客来说，车突然慢下来，如果没有足够的提示，很容易把安全策略误读为系统不稳定。

Waymo、Tesla 与中国车企：三种 AI 路线的侧重点

一句话先讲清：Waymo 更像“运营驱动的自动驾驶公司”，Tesla 更像“规模化数据驱动的端到端玩家”，中国车企很多则在“多传感器+多供应商+智能座舱体验”上更激进。

Waymo：用“城市运营”倒推技术栈

Waymo 的优势通常体现在：

• 更强的城市级运营能力（调度、远程支持、车辆健康管理）
• 在限定城市与 ODD 内反复打磨，追求稳定与一致

代价是扩城速度受限，需要大量本地化准备与测试。

Tesla：用大规模车队数据推动端到端

在本系列主题里，Tesla 常被讨论的关键词是端到端自动驾驶与数据闭环。它依赖大规模量产车采集数据，迭代模型，然后通过 OTA 快速推送。

强项是：

• 迭代频率高，规模效应明显
• 同一套能力更容易跨区域复制

挑战也很现实：

• 面向 Robotaxi 时，必须把“个人驾驶辅助”升级到“公共运营级安全与合规”
• 体验问题会被放大：乘客对急刹、犹豫、走错路的容忍度远低于车主

中国车企：更擅长“本地化智能座舱 + 生态体验”

把视角转回中国市场，我更愿意直说：中国用户更在意“车像手机一样好用”。所以很多车企把 AI 优先用在智能座舱与场景体验：

• 语音助手更懂中文语境（方言、口语、车内多人对话）
• 与本地生态强绑定（导航、停车、充电、外卖/到店、影音）
• 针对城市道路特性做策略优化（加塞、非机动车密集、复杂路口）

在自动驾驶上，中国路线常见做法是多传感器融合（摄像头+毫米波雷达+激光雷达）、以及多供应商协作。这带来更强的冗余与更快的“功能上车”，但也有现实成本：

• 软件栈复杂，跨车型/跨供应链一致性更难
• OTA、诊断与功能安全体系需要更强工程化

一个对比很清晰：Waymo 追求“在少数城市做到运营级稳定”，中国车企更常追求“在更多车型上做到可感知的体验提升”。

纳什维尔测试给中国车企与软件团队的三点启发

直接给结论：Robotaxi 测试的重点不是再做一个感知模型，而是把 AI 变成可运营、可解释、可规模化的产品。

1) 把“运营指标”写进产品指标

很多团队 KPI 仍停留在感知 mAP、规划成功率、接管次数。但 Robotaxi 或高阶辅助驾驶要商业化，需要补齐运营指标：

• 平均响应时延（客服/远程支持）
• 任务完成率（从接单到送达）
• 车辆利用率、空驶里程占比
• 乘客安全感评分（主观）与晕车投诉率（客观可代理）

这些指标会倒逼软件架构更像“在线服务”，而不是单纯“车端功能”。

2) 体验要本地化，但架构要标准化

我支持本地化体验：不同城市的路况、用车习惯、语言习惯差异巨大。但我更反对“每个城市写一套代码”。

更好的做法是：

• 底层能力平台化（感知、定位、规划、功能安全、日志体系）
• 上层策略参数化（车道礼让、临停、绕行、限速、夜间策略）
• 体验层可配置（语音风格、提示语、上车点规则）

这也是中国车企在“区域定制座舱体验”上可以继续领先的地方：用配置与策略，而不是分叉代码。

3) 让 AI 的决策“可被用户理解”

智能座舱团队能帮自动驾驶团队补一课：解释与沟通。

可落地的做法包括：

• 在屏幕/语音提示里用“人话”解释行为：例如“前方施工，准备绕行”“行人正在通过斑马线，正在减速等待”
• 把不确定性显性化：例如提示“雨雾增强，已降低车速并提高跟车距离”
• 异常处置给出明确指令：例如“请保持坐姿，车辆将靠边停靠并联系远程支持”

当乘客能理解系统的意图，安全感会上一个台阶。

常见问题：Robotaxi 测试阶段到底在测什么？

问：为什么一个城市要测这么久？

答：因为测试要覆盖“长尾场景”。施工改道、临时交通管制、夜间眩光、暴雨积水、活动散场拥堵，这些才是决定能否商业化的因素。

问：Robotaxi 的 AI 和普通智能座舱 AI 有什么区别？

答：Robotaxi 的 AI 直接控制车辆运动，属于安全关键系统；智能座舱 AI 更多是信息与交互。两者都讲用户体验，但 Robotaxi 的体验必须建立在功能安全、冗余与可解释之上。

问：中国车企能从 Waymo 学到什么？

答：学“运营系统化”与“城市级上车体验”。自动驾驶能力不难展示，难的是把它做成稳定服务，并把异常处理做成乘客安心的流程。

写在最后：Robotaxi 不是技术竞赛，是产品与城市的磨合

Waymo 在纳什维尔测试无人驾驶出租车，表面是一次扩城，实际是在验证一套“AI 驱动的出行服务”能否在新城市落地。这件事对我们理解全球自动驾驶趋势很有价值：美国路线更强调运营闭环与安全冗余，中国路线更强调本地化体验与生态整合，而 Tesla 则押注端到端与规模数据。

如果你正在做汽车软件、智能座舱或高阶辅助驾驶，我建议把眼光从“模型指标”抬起来一点：乘客愿不愿意坐、愿不愿意再次选择，往往取决于上车点、提示语、异常处理这些看似小的 UX 决策。

接下来一个更值得追问的问题是：当 Robotaxi 逐步进入更多城市，中国车企的“本地化智能座舱优势”，能否反过来变成“可运营的自动驾驶体验优势”？