Uber Opens Waitlist for Wayve Robotaxis in London

•Wayve 的核心技術是「端到端深度學習」和「基於視覺的人工智慧系統」，這使其能夠直接從攝影機和感測器數據中學習，從而減少對高精地圖和預設規則的依賴。
•Wayve 的 AI 系統設計為「車輛無關」和「無需地圖」，這意味著其軟體可以適應任何類型的車輛，並能快速擴展到新的城市，而無需進行城市特定的微調。
•Uber 採取與自動駕駛公司合作的策略，而非自行開發完整的技術堆疊，以維持其「輕資產」的商業模式，並已吸引約 30 家企業將其自動駕駛車輛部署至 Uber 平台。
•倫敦因其複雜的道路佈局、密集的交通和行人行為（例如隨意穿越馬路）而對自動駕駛技術構成獨特的挑戰，使其成為全球自動駕駛技術發展的重要試驗場。
•Wayve 最近完成了 D 輪融資，籌集了 12 億美元（包括 Uber 的里程碑式資本在內，總計 15 億美元），公司估值達到 86 億美元，這筆資金將用於加速其全球自動駕駛平台的商業化部署。

📊 競品分析▸ Show

特性/公司	Wayve (與 Uber 合作)	Waymo (Alphabet)	百度 Apollo Go (與 Lyft 合作)
技術核心	端到端深度學習、視覺優先、具身 AI (Embodied AI)，強調泛化能力，不依賴高精地圖。	傳感器密集型堆疊 (光達、雷達、攝影機)，依賴詳細地圖，強調運行設計領域 (ODD) 和冗餘性。	仰賴本土汽車供應鏈，強調低製造成本，在複雜城市路況累積大量實測經驗。
倫敦市場策略	透過 Uber 平台推出 L4 級自動駕駛計程車試驗，預計 2026 年稍晚商業首發，並計劃擴展至全球 10 多個市場。	計劃於 2026 年第四季度在倫敦推出完全無人駕駛叫車服務，已於 4 月開始測試。	攜手 Lyft 於 2026 年在倫敦啟動自駕計程車測試計畫，引進 Apollo RT6 車輛。
硬體依賴	硬體無關，主要透過攝影機和 GPU 驅動的車載計算單元運行 AI 模型。	專用且昂貴的傳感器陣列 (光達、雷達、攝影機)。	百度第六代 Apollo 自駕車 (RT6)。

核心方法： Wayve 採用「端到端深度學習」和「具身 AI (Embodied AI)」或「AI 駕駛員」的方法，旨在讓車輛像人類一樣從經驗中學習和理解世界。
傳感器套件： 主要依賴攝影機（視覺優先），輔以基礎汽車傳感器和普通衛星導航資訊，減少對昂貴光達和高精地圖的依賴。
學習機制： 透過大規模的真實世界訓練和模擬數據進行學習，結合模仿學習和強化學習。其 AI 系統強調「泛化能力」，能夠將駕駛知識從一種場景推廣到另一種場景，並適應新環境而無需城市特定調校。
模型架構： 神經網路包含數千萬個參數，能夠處理來自多個單目攝影機的影片串流，並利用梯度訊號優化整個神經網路以回歸運動規劃。
安全性： 採用「Safety 2.0」方法，透過深度世界理解來解決安全問題，並學習預測和適應。透過增加對關鍵情境的接觸來融入緊急響應能力，培養內在的安全反射。
硬體配置： 車輛上安裝一組視訊攝影機和由 GPU 驅動的車載計算單元來運行 AI 模型。
合作夥伴： 與微軟合作，利用超級計算基礎設施開發 AI 基礎模型。

倫敦將成為全球自動駕駛技術發展的關鍵試驗場。

倫敦複雜的道路環境和獨特的交通文化，將迫使自動駕駛系統發展出更強大的泛化能力和應對複雜情境的智慧。

Wayve 的「端到端」AI 模型方法可能加速自動駕駛技術的全球規模化部署。

其不依賴高精地圖和硬體無關的特性，使其能夠更快速、更經濟地適應不同地區和車輛平台。

Uber 的「輕資產」自動駕駛策略將成為行業主流。

透過與多家自駕技術公司合作而非自主研發，Uber 能有效降低高昂的開發成本和風險，同時快速擴展服務範圍。

2017

Wayve 成立，專注於自動駕駛技術。

2021-11

Wayve 成功測試其 AV2.0 模型在英國多個新城市進行泛化駕駛，無需城市特定調校。

2024-05

Wayve 完成由軟銀領投的 10.5 億美元 C 輪融資，吸引 Nvidia 和微軟等重要投資者。

2024-09

Uber 對 Wayve 進行戰略投資，並計劃將 Wayve 的自駕軟體整合到其平台。

2025-06

Wayve 和 Uber 宣布計劃在英國倫敦啟動 L4 級全自動駕駛車輛的公開道路試驗。

2026-02

Wayve 完成 D 輪融資，籌集 12 億美元，估值達 86 億美元，進一步鞏固其商業化部署。

Uber 開放 London 的 Wayve 自動駕駛計程車候補名單