把自駕車放進城市之後，Waymo 才發現 Demo 只是 1% 的工作
你大概看過那種影片：一輛沒有駕駛的車，在深夜的舊金山街道上流暢地轉彎，避開一位騎腳踏車的送餐員，然後精準地停在路邊。底下留言清一色是「未來已來」。但如果你問 Waymo 的聯席執行長 Dmitri Dolgov，他會告訴你：那個 demo，只代表整個難題的 1%。
問題是：那剩下的 99% 是什麼？
這不是一個修辭問題，而是一個關於商業化、工程地獄、城市政治與人類行為的現實考驗。當地球上一百多家公司都在做自駕車 demo，為什麼只有 Waymo 真正在街頭收費載客？為什麼特斯拉的 FSD 還在「beta」，而 Waymo 已經在鳳凰城、舊金山和洛杉磯跑出每週數十萬趟的付費行程？更重要的是：這對你我有什麼影響？
答案藏在 Dolgov 那句反直覺的宣言裡——「演示只是 1% 的工作」。剩下的 99%，才是決定這個產業誰能活下來、誰會被收購、誰會悄悄倒閉的真正關鍵。而理解這 99%，你才能真正看懂未來十年的交通革命。
一、那 1% 的騙局：為什麼 demo 誤導了所有人
自駕車產業過去十年有個奇怪的現象：每家公司都能拍出漂亮的 demo 影片，但沒幾家能把車開進真實城市。 Dolgov 在訪問中直言，技術演示就像婚紗照——拍出來很美，但那不叫婚姻。
背後的邏輯很殘酷：demo 的本質是「受控環境下的最佳表現」。你選擇晴朗的天氣、沒有太多行人的路段、刻意避開施工區，然後讓攝影機捕捉完美畫面。這當然有價值，它證明了系統的「天花板」。但自駕車商業化要處理的是「地板」——最糟糕的情況下，系統是否依然安全？
Waymo 的經驗告訴我們一件事：把場景從 demo 切換到真實世界，難度不是翻倍，而是跳了好幾個數量級。Dolgov 特別強調，Waymo 早期在舊金山測試時，遇到的第一個關卡不是什麼高深的人工智慧難題，而是：交通錐。
聽起來荒謬，但這是真實的工程噩夢。舊金山的道路施工頻繁，橙色的交通錐被風吹倒、被車輛撞歪、甚至被人惡意移動。對人類駕駛來說，看一眼就知道「那是施工區域」，但對自駕車而言，每個歪斜的交通錐都是一個需要重新計算的機率分布。導航是相對簡單的題目，「理解這個世界為什麼長這樣」才是真正的難關。
這就是 1% 與 99% 的界線：前者是「我能開車」，後者是「我能理解人類社會的混亂」。
二、Waymo 真正的護城河：不是 AI 模型，是「被城市磨過」
很多人以為 Waymo 的優勢在於他們有最先進的神經網路，或是 Google 母公司 Alphabet 的資金撐腰。但 Dolgov 給了一個更細膩的看法：Waymo 最難被複製的資產，是過去十六年累積的「城市智慧」。
Waymo 起源於 2009 年的 Google 自駕車計畫，當時的團隊只有少數幾個人。到今天，Waymo 的車隊已經在美國數個城市累積了超過數億英里的自動駕駛里程——其中絕大多數是虛擬模擬，但真實路測的數字也相當驚人。這不是單純的「資料量」問題，而是**「資料的廣度」問題**。
Dolgov 指出，Waymo 的車在舊金山遇到過的怪異情況，多到可以寫成一本都市怪談：一位街頭藝人穿著巨大的恐龍裝在路上走、一台卡車載著一棟房屋慢速行駛、一場臨時的同志遊行把整條街封住、一群青少年在十字路口玩「紅燈跑」遊戲。每一個場景，都無法提前寫死在程式裡，只能靠系統的「行為基礎模型」去即時推斷。
這正是 demo 型公司與營運型公司的差別。前者在測試場裡模擬「城市」，後者真正被城市折磨過——包括在暴雨中辨識路面積水的深度、在濃霧中判斷前方是行人還是路牌、在人車混雜的狹窄巷弄裡算出一個「安全但不過度保守」的路徑。
每個城市的數據，都是一份獨特的難題考卷。 這份考卷無法用通用的 AI 模型一次解完，必須靠長年累月的實地營運去累積。
三、規模化的地獄：從「能跑」到「能賺錢」之間
如果說第二章講的是「技術難度」，這一章要談的是更現實的問題：單位經濟學。
Dolgov 在訪談中提到一個關鍵數字——Waymo 在鳳凰城提供付費服務時，初期每英里成本高得嚇人。這背後不是車輛成本，而是人力的配置。即使車輛可以全自動行駛，Waymo 仍然需要遠端操作員、維修技師、清潔人員、地圖工程師、客戶服務團隊。當一支車隊只有五十輛車時，這些人力成本可以攤平；當車隊擴張到一千輛、五千輛時，每一個環節的效率都決定你會不會破產。
更關鍵的是：「最後一哩」的客戶體驗，遠比你想的更吃人力。 車子沒電了誰去充？乘客吐在車裡誰來清？系統偵測到異常時，遠端人員要多久才能介入？這些都不是 AI 能解決的，而是徹頭徹尾的營運問題。
Dolgov 說了一句非常中肯的話：「你必須把自駕車當作一門服務業，而不只是機器人技術。」 這句話徹底打破了大眾對自駕車的浪漫想像。它不再是科幻電影裡的天網，而是一個需要員工值大夜班、需要客服接電話、需要在路邊處理爆胎的交通平台。
Waymo 的商業化進程之所以比競爭對手領先，不是因為它的 AI 特別神，而是因為它願意進入那些髒活、累活，並把它們標準化。光是 2025 年，Waymo 就推出了好幾代全新的感測器套件，比早期的車頂光達組合更小、更便宜、更容易大規模安裝。每一代的目標都是：把成本砍一半，把可靠性提升一倍。
四、舊金山教會 Waymo 的殘酷一課：「防禦性駕駛」不等於「正確駕駛」
Waymo 最初在舊金山開放時，最大的質疑者不是工程師，而是消防局和警察局。因為這座城市有大量的斜坡、狹窄街道、停車混亂的情況，消防車和警車常常需要違規行駛。如果自駕車死守交通規則，它們會卡在路上，讓救護車動彈不得。
Dolgov 團隊當時面臨一個兩難：要嘛讓系統更激進，冒著與行人擦撞的風險；要嘛維持保守，變成交通阻塞的製造者。 這不是技術問題，而是倫理與產品定位的問題。
Waymo 的解法是：調整決策模式，從「是否違規」的二元判斷，轉變成「這個違規行為是否會在特定情境下增進整體安全」的機率模型。舉例來說：在讓路給鳴笛的救護車時，系統可以微微越過雙黃線；在施工區域，系統可以接受從未見過的臨時號誌。這聽起來簡單，但執行上需要極度精密的「情境理解」。
這也解釋了為什麼自駕車無法像軟體一樣，透過線上更新就一鍵解決所有問題。每一次在舊金山學到的「例外處理」，都必須重新模擬數萬個小時，確認不會在其他城市造成新問題。 這正是 Dolgov 說的「10 倍的困難，發生在你看不見的地方」。
五、特斯拉 FSD 與 Waymo：兩條完全不同的路線之爭
談自駕車，所有人都會想到特斯拉。但 Dolgov 在訪談中含蓄地點出了一個關鍵差異：特斯拉在做「輔助駕駛」，Waymo 在做「替代駕駛」。
特斯拉的 FSD 本質上是一台銷售工具——它讓車主在特定條件下啟動系統，但駕駛人必須隨時準備接管。這在商業上很聰明，因為它能以極低成本收集海量真實路況數據，而且把責任風險轉嫁給車主。
Waymo 則採用了完全不同的哲學：如果系統不能保證安全，那它就不該上路。 Waymo 的車輛沒有方向盤，乘客從上車到下車，完全不需要任何駕駛能力。這意味著 Waymo 必須為每一次行程負全責——無論是技術故障、意外事故還是不可抗力的天災。
責任架構的不同，造成技術選擇的差異。特斯拉堅持「純視覺方案」，因為它的目的是降低製造成本並加速數據收集；Waymo 則同時使用光達、雷達和攝影機，因為它需要在無人工接管的前提下，追求極致的安全冗餘。
這不是誰比較先進的問題，而是商業模式的根本分歧。一個是賣車給消費者，另一個是取代計程車司機。兩者都可能在市場上獲利，但「通用自駕能力」的未來，Waymo 的路線在「安全性驗證」上更容易說服監管機構。
六、「Waymo 司機」的誕生：遠端監控與人機協作的新職業
這是很多人沒有想到的意外發展：自駕車時代，不但沒有消滅駕駛相關工作，反而創造了一種全新的「隱形司機」職業。
Waymo 在實驗階段，每一輛無人車都配備一名遠端操作員，他們坐在辦公室裡，同時監控數十台車輛的系統狀態。正常情況下，他們不需要做任何事；但當車輛遇到系統無法判斷的場景——比如警方揮旗示意繞道、施工人員臨時改變交通動線、或是車禍現場需要指引——遠端操作員會介入，透過語音或路線指令協助車輛脫困。
Dolgov 在訪談中透露，隨著系統越來越成熟，遠端介入的頻率已經大幅下降，但並未歸零。這個「最後一道防線」並非永遠存在，卻在商業化初期的安全驗證階段至關重要。它也悄悄改變了勞動市場的樣貌：未來的「司機」不再是手握方向盤的人，而是一群懂得閱讀感測器數據、能快速理解複雜路況的航管員。
這個趨勢背後藏著一個社會問題：當自駕車真的全面普及，數百萬計程車司機、貨車駕駛將何去何從？Waymo 的答案是：「遠端操作員」的培訓成本更低、工作環境更安全、也有更多身障者可以參與。但這終究只是過渡方案，一旦 AI 的自主決策能力突破某個門檻，這份工作也會消失。
七、數據飛輪的魔法：為什麼「先跑的城市」贏者全拿
自駕車產業有一個殘酷的馬太效應：跑得越多，數據越多；數據越多，系統越強；系統越強，越敢擴張；越敢擴張，跑得更多。這個循環一旦開始，落後者幾乎無法追趕。
Dolgov 說，Waymo 的模擬系統每天可以跑相當於數百年的駕駛里程，但它們仍然不完美。原因在於：模擬只能驗證已知問題，無法預測未知情境。 唯一的解決方案，就是把車放到真實街道上，讓它去「犯錯」。這裡的犯錯不是指發生事故，而是指遇到系統無法理解的情況時，觸發遠端介入、觸發系統紀錄、觸發後續的模型更新。
這就是為什麼 Waymo 的擴張順序如此重要：鳳凰城 → 舊金山 → 洛杉磯 → 奧斯汀 → 邁阿密。每一個城市，都代表著一種獨特的交通文化。鳳凰城教會系統應付沙漠高溫和寬闊道路；舊金山教會處理陡坡、霧氣和極度密集的行人；洛杉磯則帶來了高速公路車流交織的極端考驗。
當這些「城市經驗」在虛擬空間中互相滲透後，新城市的上線速度就會越來越快。Dolgov 預測，未來五年內，Waymo 有機會在數十個美國城市同時營運——因為真正的瓶頸不再是技術，而是法規審核與城市合作的速度。
八、安全數據的信任危機：一壺永遠無法完全煮沸的水
即便 Waymo 已經跑了數億英里、即便事故率低於人類駕駛，公眾對自駕車的信任仍然脆弱。Dolgov 深知這一點：一次致命事故，就能抹掉十年的努力。
最典型的案例是 2023 年與 2024 年之交，Waymo 在舊金山發生過幾起備受關注的碰撞事件，其中一次是與一輛被警方追捕的逃逸車輛發生擦撞。雖然責任歸屬很清楚，但媒體標題仍然是「Waymo 無人車車禍」。Dolgov 在訪問中承認，每一次意外都讓團隊徹夜檢討——不是為了對外交代，而是為了確認系統是否有「未知的未知」。
這帶出一個更深層的問題：人類願意接受一個「比人類安全 90%」的自駕車嗎？ 如果每天有 100 人死於人類駕駛造成的車禍，但自駕車每月只造成 1 人死亡，媒體會如何報導？答案是：那 1 起死亡會佔據所有頭條，而 100 起人類車禍被視為常態。
Waymo 的策略是：從第一天起就公開事故數據，主動與監管機構分享碰撞細節，並在舊金山市政府的內部會議上，用顆粒化的數據說明每一次介入的原因。這不是公關手段，而是生存必須。 一個無法自證清白的自駕車公司，永遠無法真正規模化。
九、從「Waymo 司機」到「Waymo 城市」：改造基礎設施的野心
Dolgov 的願景裡，自駕車的最終形態不是一台聰明的車，而是一整套數位化的交通生態系統。Waymo 正在與城市合作，改造路口的感知設備、號誌系統和停車空間。他們的想法是：如果城市願意提供優先路權，自駕車的效率可以再提升一倍。
聽起來很未來，但已經有實際案例：Waymo 在鳳凰城與地方政府合作，在特定區域設置了自駕車專用車道和上下客點。這些「基礎設施投資」讓 Waymo 的服務可以避開最混亂的交通節點，同時也降低了營運成本。
這種「移動即服務」（MaaS）的思維，讓 Waymo 不再只是汽車製造商的競爭對手，而是交通基礎設施的新時代承包商。傳統車廠賣的是車，Waymo 賣的是「到達目的地」的保證。這對於 Uber、Lyft 等共享乘車平台來說，是真正的生存威脅。
十、經濟學的終局：自駕車何時真正便宜？
目前 Waymo 的收費大約是 Uber 的六折到八折，而且還在快速下降。Dolgov 沒有透露確切的單位經濟數據，但他暗示：一旦車隊規模突破一萬輛，每公里成本將低於人類司機駕駛的油車成本。 這個臨界點一旦到來，整個交通市場將出現「抹平效應」——計程車司機不可能每英里賺 1 美元，但機器可以。
但這也引出了另一個問題：當每英里成本趨近於零，自駕車的商業模式該如何獲利？ Waymo 的答案是：獲利來源不是「載客」，而是「使用者數據」與「生態系統服務」。透過自動駕駛的電動車隊，Waymo 可以將充電調度、路線優化、即時配送整合在同一個平台上。
這不再是單純的交通生意，而是類似 AWS 的「算力+基礎設施」生意。Waymo 正在成為第一間「移動基礎設施公司」。
重點回顧：Waymo 與自駕車產業的關鍵數據與觀點
| 面向 | Waymo 現況 | 產業意義 |
|---|---|---|
| 商業化進度 | 已於美國多城市進行收費服務 | 自駕車從 demo 進入商業營運 |
| 核心挑戰 | 長尾場景、遠端介入、單位經濟學 | 軟體能力不等於營運能力 |
| 數據累積 | 數億英里（含模擬）真實路測 | 數據飛輪形成進入門檻 |
| 技術路線 | 光達 + 雷達 + 攝影機 + 高精地圖 | 追求安全冗餘而非成本極致 |
| 特斯拉差異 | 替代駕駛（L4）vs 輔助駕駛（L2+） | 責任架構決定技術路線 |
| 人力需求 | 遠端操作員、客服、維修 | 新職業誕生，傳統司機轉型 |
| 擴張策略 | 從沙漠城市到密集都會區 | 城市經驗無法複製，只能實地累積 |
| 未來威脅 | Uber/Lyft/傳統車廠 | 從「賣車」轉為「賣移動服務」 |
結語：你準備好被機器接駁了嗎？
Dolgov 說的那句「Demo 是 1%」，其實是在提醒我們：真正的革命，從來不會發生在聚光燈下。 它發生在凌晨三點的掃描地圖作業中、在消防局的協調會議裡、在那些看不見的工程師一次又一次修正參數的深夜。
Waymo 的成功，代表了一種冷靜、耐心、願意做髒活的工程文化。他們不追求「神蹟式突破」，而是用計程車司機的耐心，把每一條街道、每一個路口、每一場暴雨變成系統的一部分。
接下來，值得關注的趨勢有三： 一是 Waymo 能否在 2027 年前把成本降到與 Uber 平起平坐；二是特斯拉何時被迫承認純視覺方案的極限，重新擁抱光達；三是各國政府是否會開始把自駕車納入公共交通設施的規劃框架。
自駕車不是「哪一天突然出現」的科技，而是每天一點一滴逼近的必然。當那一天到來，你願意把手放開方向盤嗎？
這不是一個技術問題，而是一個關於信任的選擇題。而 Dolgov 的賭注是：只要安全數據夠多、夠透明，人類終究會學會信任機器——就像我們信任電梯、信任飛機、信任那個看不見的演算法幫你配對交友軟體一樣。
機器學習的終極考驗，不是學會開車，而是學會如何被討厭。 而 Waymo，已經在這條路上跑了十六年。