📊Bloomberg Technology•較早收集於 5m
Wayve CEO 談端到端自駕與 Tesla 比較
💡了解端到端 AI 為何勝過模組化 AV 堆疊擴展（Wayve CEO 見解）。
⚡ 30-Second TL;DR
有什麼變化
Wayve 的端到端自動駕駛方法
為什麼重要
轉向 AI 導向的自駕擴展焦點，可能加速超越硬體依賴競爭者的採用。
下一步行動
閱讀 Wayve 端到端 AV 白皮書以獲取實作洞見。
誰應關注：Researchers & Academics
關鍵要點
- •Wayve 的端到端自動駕駛方法
- •與 Tesla 和 Waymo 策略的關鍵差異
- •AI 授權作為 AV 技術最快擴展途徑
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •Wayve 的核心技術採用「具身智慧」（Embodied AI）架構，利用大型語言模型（LLM）與視覺語言模型（VLM）來理解複雜的駕駛場景，而非僅依賴傳統的規則式程式碼。
- •Wayve 採取「硬體不可知」（Hardware-agnostic）策略，其軟體堆疊設計旨在能適應多種感測器配置，這與 Tesla 堅持純視覺（Tesla Vision）或 Waymo 依賴高精地圖與光達（LiDAR）的封閉系統形成鮮明對比。
- •Wayve 已與軟銀（SoftBank）及微軟（Microsoft）等大型投資者建立戰略合作，旨在透過雲端運算資源加速其基礎模型的訓練，並將其技術授權給全球汽車製造商以實現規模化。
📊 競品分析▸ Show
| 特性 | Wayve | Tesla (FSD) | Waymo |
|---|---|---|---|
| 核心架構 | 端到端具身智慧 (Foundation Models) | 端到端神經網路 (視覺為主) | 模組化系統 (光達+高精地圖) |
| 硬體依賴 | 硬體不可知 (彈性) | 純視覺 (封閉) | 高度依賴光達 (封閉) |
| 商業模式 | 技術授權 (B2B) | 軟體訂閱/車輛銷售 (B2C) | 自營機器人計程車 (Robotaxi) |
🛠️ 技術深入
- 採用「AV 2.0」方法：將感知、規劃與決策整合為單一的神經網路模型，直接從感測器輸入輸出駕駛指令。
- 具身智慧模型：利用類似 Transformer 的架構處理多模態數據，使車輛具備對未見過場景的泛化能力（Generalization）。
- 模擬訓練：大量依賴生成式 AI 創建的合成數據進行邊緣案例（Edge Cases）訓練，以減少對真實道路測試的依賴。
🔮 前景展望AI analysis grounded in cited sources
Wayve 的授權模式將迫使傳統車廠重新評估自研自駕軟體的必要性。
隨著端到端模型複雜度提升，傳統車廠自行開發全端軟體的成本與技術門檻過高，轉向採購成熟的 AI 基礎模型將成為趨勢。
AI 授權模式將導致自駕技術標準化進程加速。
當多家車廠採用同一套基礎模型時，數據回饋迴圈將大幅縮短，進而推動行業在安全與決策邏輯上達成事實上的標準。
⏳ 時間線
2017-05
Wayve 在英國倫敦成立，由劍橋大學研究人員創立。
2019-08
Wayve 完成在倫敦公共道路上進行端到端深度學習自駕車測試。
2022-01
Wayve 完成 2 億美元 B 輪融資，由 Eclipse Ventures 領投。
2024-05
Wayve 宣布完成 10.5 億美元 C 輪融資，由軟銀集團領投，微軟與輝達參與投資。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： Bloomberg Technology ↗