【财新数据专稿】2026年8月，硅谷Y Combinator Startup School的演讲台上，Waymo联席CEO德米特里・多尔戈夫（Dmitri Dolgov）完成了一场在自动驾驶行业掀起波澜的公开分享。他认为，纯视觉方案可以打造优秀的驾驶辅助产品，但很难抵达真正无人驾驶所需要的安全高度。整场演讲，他没有直接点出特斯拉的名字，但直指行业路线分歧。
演讲当中，多尔戈夫主动抛出行业长期争论的两个诘问：既然人类依靠双眼就可以开车，为什么无人驾驶不能只依靠摄像头？当下飞速发展的大模型，是否能够弥补传感器层面的短板？多尔戈夫摆出工程现实：“人类靠双眼开车，这是客观事实。如果目标只是达到人类驾驶员的水平，纯视觉是合理路径。但是L4完全无人驾驶的目标不是和人类一样，而是要显著超越人类驾驶员的安全底线。弱感知方案的安全性能曲线会过早见顶，无论投入多少数据、多大的模型，传感器输入端本身缺失的信息，算法无法凭空脑补出来。”
他拿出凤凰城沙尘暴的真实案例：漫天黄沙之中，摄像头画面一片浑浊，几乎识别不到路边行人；而激光雷达穿透沙尘，清晰捕捉到路边的行人轮廓。“摄像头是被动传感器，依赖光照；激光雷达、毫米波雷达属于主动感知，可以直接测量三维空间距离、物体运动速度。三者不是互为备份，而是互补，融合之后构建的世界模型，远胜于单一传感器。”
在这场演讲里，多尔戈夫重申了自己坚守的信条：Demo只是百分之一的工作，真正的挑战在于处理无穷无尽的长尾边缘场景。99%的可靠性提升到99.9%、99.99%，看起来小数点后仅仅多增加一位9，但背后的工程难度绝非线性增长，而是指数级抬升。
作为Google X自动驾驶Project Chauffeur早期核心骨干、DARPA城市挑战赛斯坦福车队的算法骨干，多尔戈夫是全球L4自动驾驶领域少有的亲历完整产业周期的科学家。从实验室原型、封闭竞赛、谷歌秘密项目，再到Waymo商业化落地，他见证了自动驾驶从科幻概念走向普通人日常出行的全过程。他不追逐短期热闹的技术演示，坚持安全优先，也因此成为多传感器融合L4路线最重要的代表人物之一。
从莫斯科数理殿堂到DARPA赛场
多尔戈夫的成长烙印着俄罗斯顶尖数理教育的痕迹。他本科与硕士就读于莫斯科物理技术学院（MIPT），这所被称作“俄罗斯MIT”的院校，培养出大批数理、物理、计算机领域顶尖人才，严苛的基础训练塑造了他看待复杂工程问题的思维方式：任何复杂系统，底层都可以拆解成数学、概率与物理约束，不能把希望寄托于模糊的经验直觉。
在2020年Lex Fridman播客访谈中，多尔戈夫回忆，MIPT求学岁月给他最重要的馈赠并不只是背诵公式与定理，而是独立推演复杂难题的能力。这套重视严谨推导的思维模式，日后被完整迁移到自动驾驶不确定性决策、运动规划的研究工作当中。
完成俄罗斯的学业之后，他远赴美国密歇根大学安娜堡分校攻读人工智能方向计算机博士。博士阶段主攻随机最优控制、多智能体系统，研究在充满不确定性的环境下智能体如何做出合理决策，博士论文围绕随机多智能体环境的规划与资源分配展开。这套关于不确定性下决策的理论积累，日后成为自动驾驶运动规划模块重要的理论根基。
读博后期，多尔戈夫已经在丰田研究院安娜堡分部担任兼职研究员；2006年博士毕业之后，他全职入职丰田研究院担任高级研究员，同时以博士后、访问科学家的身份加入斯坦福大学AI实验室，正是依托斯坦福的研究平台，他得以加入斯坦福赛车队，投身DARPA城市挑战赛的研发工作。
2006年，DARPA筹备第三届自动驾驶赛事——DARPA城市挑战赛。区别于此前两届只需要在沙漠旷野行驶的大挑战赛，2007年城市挑战赛把赛场搭建在废弃空军基地，复刻完整城市交通环境：十字路口、环岛、停车场，无人车需要和人类驾驶车辆、其他自动驾驶车辆混行，遵守交通法规，完成泊车、会车、让行一系列复杂任务，这是人类历史上第一次大规模验证混合交通下自动驾驶可行性的公开竞赛。
多尔戈夫加入斯坦福Junior车队，全权负责运动规划模块，解决的核心难题，就是车辆在路口博弈、停车场自由空间内如何规划路径，在充满未知障碍物、其他车辆不确定行为的环境下做出安全选择。
斯坦福Junior最终拿到赛事亚军，这场赛事孵化了美国自动驾驶行业几乎全部核心人才，Sebastian Thrun、多尔戈夫、Anthony Levandowski这批参赛者，很快被谷歌注意到。
2009 年初，Sebastian Thrun受谷歌创始人邀请，在Google X登月实验室启动秘密自动驾驶项目Project Chauffeur。Thrun从DARPA城市挑战赛的斯坦福核心团队招募成员，多尔戈夫就此加入谷歌，继续执掌运动规划与不确定性决策算法模块。
从DARPA竞赛转向谷歌真实公共道路研发，是一次艰难的重构。竞赛环境终究是人工搭建的沙盒。赛场没有真实行人，障碍物、动态车辆行为都是预先编排，哪怕出现故障，最坏结果也只是比赛终止。为DARPA写出来的代码是为了通关比赛，很多地方临时拼凑；而跑在真实城市道路上的系统，一旦失效，代价是人身安全。
竞赛环境里，不确定性有限可控；现实城市街道，不确定性来自横穿马路的行人、乱变道司机、雨雪天气、道路施工等。过去沙盒里的算法思路可以借鉴，但绝大部分工程代码都要重构，要补充日志系统、故障处理、硬件冗余、安全校验整套工程体系。早期团队规模很小，十多位工程师改装丰田普锐斯，搭载激光雷达、毫米波雷达、摄像头，确立多传感器融合的技术路线。
2010年项目对外公开，2012年拿到内华达州测试牌照，完成盲人乘客的公开自动驾驶演示；2014年推出没有方向盘、踏板的Firefly原生L4原型车。多尔戈夫主导算法迭代，团队逐步意识到，L2辅助驾驶与L4完全无人驾驶，并不是一条道路上远近两个终点，二者属于性质完全不同的工程问题，不存在简单渐进升级的路径。
从实验室原型走向商业运营
谷歌X实验室的Project Chauffeur长期处在科研项目状态，随着技术积累越来越厚，项目的目标不再只是完成技术验证，而是走向规模化商业落地。2016年12月13日，谷歌自动驾驶项目正式从Google X分拆独立，命名Waymo，归属Alphabet集团，不再是内部实验室项目，名字寓意“A new way forward in mobility（出行的未来）”。
John Krafcik出任首任CEO，多尔戈夫担任CTO，全权掌管整套Waymo Driver自动驾驶软硬件研发、安全体系建设。
独立之后，Waymo开启商业化落地的漫长爬坡。2017年，Waymo和FCA（后更名为Stellantis）合作，基于克莱斯勒Pacifica混动车型搭建大规模测试车队，自研低成本激光雷达，大幅下压传感器硬件成本；同时正式对外输出标准化自动驾驶产品Waymo Driver，既自营Robotaxi出行业务，也面向车企提供技术授权。2018年，Waymo One Robotaxi付费试点在凤凰城上线，初期车内依然保留安全员，面向小范围早期用户开放叫车服务。
行业很多公司急于快速扩张城市、追求炫酷的对外演示，多尔戈夫坚持保守的落地节奏。在他的工程理念中，仿真系统与真实路测是双轮驱动：真实路测负责发现现实世界中新的边缘案例；海量高保真闭环仿真，负责批量复现、衍生危险工况，完成安全量化验证。真实道路上几十年才偶遇一次的事故场景，仿真环境可以无限批量生成，以此来验证系统的安全边界。
在Stripe Podcast访谈中，多尔戈夫表达过类似的工程信条：不应为了短期演示和扩张速度牺牲安全验证，脚踏实地的审慎落地，长期来看反而是最高效的路径。
2020年10月，Waymo在凤凰城东区实现行业里程碑：全球首个面向普通公众开放注册、驾驶位完全不设置车内安全员的L4 Robotaxi付费商业服务正式上线。乘客打开App叫车，车辆驾驶位空无一人，由自动驾驶系统完成接送，这是人类历史上第一次普通民众可以日常使用无人驾驶的网约车服务。不过该服务严格限定在约50平方英里的郊区地理围栏内，无法覆盖整个凤凰城，系统同时保留后台远程人工协助通道。
2021年4月，Waymo管理层迎来重大调整，首任CEO John Krafcik卸任，公司启用双联席CEO架构，这套治理模式沿用至今。多尔戈夫升任联席CEO，继续主管技术、工程、Waymo Driver研发、安全验证体系。Tekedra Mawakana担任另一位联席CEO，全权负责商业拓展、政府监管、对外合作、车企授权业务。一人执掌技术内核，一人操盘商业与政策，分工清晰明确。
升任联席CEO之后，多尔戈夫并没有远离技术一线，依旧深度参与算法架构、硬件迭代、仿真平台的核心决策。在红杉资本AI Ascent 2026访谈以及a16z播客等多场对话中他提到，自己长期保持审阅算法报告、复盘事故案例的工作习惯。在他看来，L4自动驾驶并不存在一劳永逸的革命性重大突破，整个系统能力，是依靠成千上万次微小工程迭代逐步累积而来。
大模型给自动驾驶带来常识
2022年起，Waymo正式迈出凤凰城，开启多城市扩张。拿到加州监管许可之后，Waymo落地旧金山，随后陆续进入奥斯汀、洛杉矶、亚特兰大等美国城市，周度无人出行订单持续攀升，每周完成数十万次完全无人接送服务。在凤凰城、旧金山的限定地理围栏服务区之内，无人驾驶出行从猎奇式技术Demo，变成当地居民真实日常出行选择。
城市扩张的过程中，旧的技术短板愈发凸显。第五代Waymo Driver之前的系统由一大堆相互独立的小模块拼接而成：感知、目标预测、行为规划分属独立子系统，各自训练，单独标注数据集，模块之间接口复杂臃肿。每进入一座全新城市，团队需要大规模采集当地道路数据、人工标注、针对本地路况调参，落地一座城市的周期漫长，成本居高不下。面对训练集中从未出现的开集长尾场景，系统的识别与高层语义推理能力捉襟见肘：路面翻倒的货物、道路闯入的野生动物、交警现场手势疏导车流，都会让旧系统陷入困境，常常需要依赖后台远程人工协助完成处置。
2025年，多尔戈夫主导Waymo完成一次关键技术战略转向：在已经成熟的多传感器融合、大规模仿真体系基础之上，引入自动驾驶基础大模型（Waymo Foundation Model），搭建一套由云端大基座、仿真引擎Simulator、Critic安全评判模型共同组成的全新AI架构。
这套架构并不是业界热议的“图像输入、方向盘输出”无约束黑盒端到端方案，多尔戈夫多次公开划清边界：安全关键的推理、车辆控制逻辑必须在车端本地运行，全程不依赖云端网络，断网环境下车辆依旧保证安全行驶。完整流程是：云端训练庞大多模态基础大模型作为Teacher教师模型，学习海量多传感器数据、世界常识；再把大模型能力蒸馏压缩成轻量化Student学生模型，部署在车载硬件之上。
基础大模型带来三大核心能力跃迁。第一是开集零样本识别与泛化能力，依靠VLM自带通用世界常识，能够识别训练数据从未见过的物体与交通场景，读懂交警手势、各类异形障碍物，不再局限于提前标注好的物体类别。第二是大幅降低跨城市落地成本，模型学到的是底层驾驶常识，不是某一座城市道路特征，新增城市不再需要大规模本地采集标注，软件迭代速度显著加快。第三是赋能仿真平台，依靠世界模型，可以用自然语言直接生成完整4D多传感器仿真场景，一句话就生成暴雨夜晚、动物横穿道路这类几十年难遇的极端工况，批量开展压力测试；Critic评判模型还可以自动复盘路测日志，识别隐性风险，自动完成安全审计，为软件版本上线把关。
在Stripe Podcast访谈中，多尔戈夫阐释过自动驾驶基础模型的定位：大模型给自动驾驶带来通用世界常识，但它不会替代激光雷达、毫米波雷达这些硬件传感器，也不能替代仿真平台、安全冗余构成的整套工程体系。基础大模型只是上层场景理解大脑，并非能够解决全部自动驾驶难题的万能解药。
Waymo第六代Waymo Driver硬件套件最早于2024年8月对外公布硬件规格，2026年2月正式大规模投入全无人商业运营。这套系统实现自研激光雷达硬件成本进一步大幅下降；与之配套的是和极氪合作定制的原生纯电Robotaxi车型Ojai，车辆底盘车身由极氪完成制造，运抵美国之后再由Waymo集成全套第六代自动驾驶软硬件。伴随着多城市持续扩张，Waymo积累了全球规模最大的公开道路无安全员L4完全无人驾驶真实运营里程。来自真实Robotaxi运营的海量多传感器数据持续回流云端，用来不断迭代优化Waymo Foundation Model基础大模型。
通往自动驾驶的分叉道路
多尔戈夫在YC Startup School那场演讲，把行业潜藏已久的路线之争摆上台面。表面上看争论焦点是要不要激光雷达，更深层次，是两套完全不同的自动驾驶哲学：以Waymo为代表的L4原生多传感器融合路线，和特斯拉FSD为代表的纯视觉、L2渐进演进路线。
特斯拉自始至终放弃激光雷达，并且自2021年开始，主流量产车型陆续取消毫米波雷达，转向Tesla Vision纯视觉方案，整套感知输入几乎全部来自车载摄像头，走端到端大模型路线。其底层逻辑是：人类驾驶员只依靠双眼就可以开车，那么AI同样可以复刻人的感知模式；依靠全球几百万台量产车源源不断回传海量真实道路视频数据，构建数据飞轮持续迭代，希望从L2辅助驾驶逐步升级，最终跃迁到完全无人驾驶Robotaxi。
摄像头属于被动传感器，性能高度依赖光线条件，沙尘暴、强逆光、漆黑无灯夜晚、镜头污渍，都会造成感知能力急剧退化。即便大模型可以做强大推断，但推断不等于直接测量。激光雷达直接输出物体三维距离轮廓，毫米波雷达直接读取目标运动速度，这两类主动传感器提供的物理测量信息，是摄像头无论多大模型都无法凭空生成的。多尔戈夫在Electrek采访中表达了他的判断：在安全关键系统当中，凡是能够直接测量获取的信息，不应全部交由模型去推测。
两条路线的另一个核心分歧，在于对L2到L4跃迁的判断。特斯拉的逻辑是连续渐进，L2不断叠加能力，量变产生质变，最终拿掉人类驾驶员。多尔戈夫则坚持二者属于质的飞跃，不是简单量变累积。L2辅助驾驶始终有人类驾驶员作为兜底，一旦系统出错，人随时接管；L4无人驾驶没有人类兜底，系统必须独自处理全部极端危险场景，需要一套完全不同的安全验证、冗余、仿真体系。“L2做得再好，也不等于天然就通向L4，这是一个虚假的顶峰。”
当然多尔戈夫也承认纯视觉路线的优势：去掉昂贵激光雷达之后，整车硬件成本极具竞争力，可以快速铺量，海量量产车源源不断采集真实世界数据。而Waymo多传感器硬件过去长期成本高昂，这也是外界长期对Waymo最大的质疑。对此，多尔戈夫给出的回应是Waymo持续自研迭代激光雷达，第六代硬件已经把传感器成本下压到可以对标高端L2辅助驾驶硬件区间，逐步消解成本短板。
路线之争背后，也对应着不同商业路径。Waymo从立项第一天，目标就是L4完全无人驾驶，优先保障安全，先在有限地理围栏城市把无人服务跑通做扎实，再向外扩张；业务双线并行：自营Waymo One Robotaxi出行服务，同时对外授权Waymo Driver给车企、物流伙伴。特斯拉则先把FSD辅助驾驶功能部署到消费级量产私家车之上，面向C端车主收费订阅，海量用户车辆作为数据采集工具，未来再探索Robotaxi商业化。
多尔戈夫并不否定特斯拉的工程成就，在a16z播客访谈中他提到，特斯拉在辅助驾驶、大规模量产、搭建数据飞轮方面完成了非常了不起的工作，只是双方对于抵达完全无人驾驶的技术路径，有着截然不同的判断。
两种路线孰优孰劣，行业至今没有盖棺定论。但多尔戈夫始终坚守自己的信念：L4无人驾驶是人类工程史上最艰难的挑战之一，堪比软件领域的载人登月，不存在捷径，不能被资本市场热度、炫酷演示推着往前走，安全量化验证必须放在第一位。
从莫斯科物理技术学院的数理课堂，到DARPA城市挑战赛凌晨三点的停车场，再到Google X秘密实验室，直至今天Waymo多座城市的日常出行服务，多尔戈夫走过了自动驾驶完整的成长周期。他不属于擅长制造宏大概念、面向公众造势的企业家，更像一名沉浸在复杂系统之中的科学家工程师。