她做出了一個違背無人車祖宗的決定。

她的自動駕駛公司，沒有車隊，甚至不打算組建車隊。

產品交付的最終性能，一切以仿真成績為準。

研發、迭代、測試、找bug，全在虛擬世界中。

這其實才是一家真正的“元宇宙”自動駕駛公司。

它的同行對此不予置評，但福布斯、MIT科技評論等等在內的媒體，熱衷于把Waabi和Waymo、Cruise、Zoox放一起比較：

一眾榮譽光環幾乎等身的無人車前輩，融了數十億美金，為什么在商業部署上進展寥寥？難道Waabi的路線才是自動駕駛黃金法則？

仿真取代實際路測，會是自動駕駛的下一波大趨勢嗎？

Waabi world怎么工作？

Waabi，是一家成立還不到一年的加拿大自動駕駛公司，專攻無人卡車。

官宣成立之時，創始人Raquel Urtasun（拉奎爾 · 烏爾塔松）就說過去和現在的自動駕駛，很多測試和調參都太依賴人工了，而Waabi則希望用自動化解決更多系統開發中的問題。

具體來說，一是端到端軟件，可以完成自動駕駛模型的訓練、推理和優化。

二是仿真器，能大大提升虛擬路測和自動駕駛進化速度。

最新公開的進展，是仿真器。

Waabi World，官方稱其為有史以來可擴展性最高、保真度最高的閉環模擬器。

具體來說，有四個核心功能。

首先是自動構建真實世界的數字孿生，作為仿真測試時的場景。

目前，大部分自動駕駛公司的仿真環境，都是先單獨采集道路、景物、車輛等等信息，將每種不同目標的信息保存在系統中后，再通過人工或算法將各種目標整合生成。

Waabi認為，這樣的方法耗時且成本高昂，其輸出也缺乏保真度，無法涵蓋現實世界中所有對象或場景。

所以，Waabi的方法是直接利用車輛上的激光雷達和攝像頭來采集數據，然后重建一個在幾何形狀、外觀、材料屬性都和現實世界相差無幾的數字孿生。

重建之后，Waabi World的第二個核心，就是在測試中模擬真實的傳感器反饋，也就是讓AI司機看的更真實。

傳統的傳感器模擬使用基于物理學的渲染引擎，模擬光線在虛擬世界的互動。

但是，這種方法要準確地模擬影響傳感器的所有不同的物理現象（如相機中的鏡面反射、霧霾中造成的假雷達信號，以及雷達中的多路徑返回等等）仍然很困難。

相反，Waabi World利用人工智能和簡化物理渲染，以接近實時的方式模擬真實的傳感器數據。

Waabi 認為，這項技術帶來的根本性的改變，在于可以用來測試不同的車型的多種傳感器及其配置，大大簡化了設計論證的成本。

第三個核心，就是自動創建場景進行閉環測試。

模擬器告訴場景中的AI司機去哪里，在此過程中，模擬傳感器會告訴AI司機它在路上都看到了什么，再由AI做出相應的動作。

在此過程中，系統會有意避開AI已經熟練掌握的場景，專門與它作對，找出弱點，針對性提高AI司機的能力。

這也是Waabi World最關鍵的核心功能。

采用實際路測方式當然也能逐漸提高系統能力，但隨著AI司機的能力越來越強，路測數據的有效率會大幅下降，發現corner case就像在 “大海撈針”。

但真實路況永遠是千變萬化的，真正上路，不知道何時就會遇到以前從未見過的極端場景。

而廉價高效的成本獲取，是自動駕駛迭代加速、更快進入規模量產的關鍵。

馬斯克之所以全球建廠保交付，背后的核心思路也是規模量產加速迭代，這也是其他做Robotaxi的公司羨慕不已的。

但之所以說Waabi離經叛道，是因為它完全拋棄路測，以仿真為主要開發手段。

Waabi認為，采用仿真方式來代替傳統路測，是自動駕駛未來的一個大趨勢。首先仿真沒有路測的那么高的風險。

其次，仿真測試的硬件投入更低，屬于一種“輕資產”模式，這也就意味著它獲取數據的成本遠遠低于傳統自動駕駛研發模式。

而廉價高效的成本獲取，正是自動駕駛迭代加速、更快進入規模量產的關鍵。

違背祖宗的決定，從何而來？

Waabi創始人Raquel Urtasun，已經是AI圈大牛，多倫多大學計算機系教授，跟Hinton一起在多倫多大學創辦了 Vector 人工智能研究所。

在自動駕駛領域，拉奎爾也算行業老兵。

她2017年起在Uber自動駕駛擔任首席科學家，直到Uber把自動駕駛業務打包出售給谷歌無人車開創者厄姆森創辦的Aurora后，拉奎爾選擇了獨立創業。

Waabi本身的商業模式并不新奇——簡單粗暴講就是復刻圖森未來，主打自動駕駛卡車貨運。

但神奇之處在于，這家公司融資方面吸引的不光有機構VC，還有好幾位全球知名的AI大牛。

比如深度學習之父\圖靈獎得主Geoffrey Hinton、斯坦福大學教授李飛飛、UC伯克利機器人大牛Pieter Abbeel，英偉達AI總管Sanja Fidler……

得到業內技術泰斗的認可，除了自動駕駛卡車本身有落地優勢外，最重要的還是Waabi新的技術范式規?；鉀Q自動駕駛問題。

拉奎爾說，過去和現在的自動駕駛，很多測試和調參都太依賴人工了，而Waabi則希望用自動化解決更多系統開發中的問題。

所以初創僅40人規模的團隊，也被拉奎爾作為佐證公開披露。

但問題來了，Waabi真有她說的一樣的技術和能力嗎？

不知道。

然而這種能力和方法，上至Waymo，下至各種自動駕駛創業公司，也都應該在追求……說或不說，能或不能實現就是另一碼事兒了。

但都不重要，因為Waabi的投資人們相信就夠了。

更何況還有一眾大牛站臺。

自動駕駛，是時候改頭換面了

Waabi的AI司機敢不敢用，核心問題就一個：仿真測試能不能真的覆蓋所有長尾場景？

如果可以的話，那所有搞實車路測的公司，是不是都走錯了方向？

哪種技術模式最終會被淘汰？

這些問題，我們專門詢問了Waabi，得到了官方解答。

首先，Waabi坦承，創辦時選擇仿真為主的技術路線，既有對這項技術的信心，當然也有經濟方面的考量。

這兩者是相互交織的，技術實力驅動經濟價值。Waabi World的仿真足夠強大，能夠在保障自動駕駛安全的同時，以初創公司能承擔的成本快速擴長。

至于在仿真中能不能覆蓋所有場景，Waabi沒有給出yes或no，但是強調了Waabi World的對抗訓練特點，系統會自動生成各種難以應對的場景，持續“堵漏”。

Waabi自己邁出了離經叛道的一步，但對于實車路測，仍然沒有全盤否定。盡管不像Waymo、Crusie那樣搞數百上千輛的車隊，但Waabi目前還是保留了一些路測車輛。

只不過對于Waabi來說，整個開發工作對路測依賴大大降低，這些車輛更多承擔結果驗證的角色。

至于那個最尖銳的問題：以往搞實車路測的公司，是不是都走錯了方向，Waabi的回答耐人尋味：

自2004年第一次DARPA大挑戰以來，不能不說自動駕駛行業已經取得長足發展。但是，從商業部署角度來看，無人車仍然限制在非常簡單和有限的場景。

這是因為，自動駕駛車輛的傳統研發方法不能充分利用AI，反而依賴復雜和耗時的人工調整，這使得業務擴展的成本居高不下。

至于Waabi的開發效率比傳統路測方式高多少，官方沒有定量的結論。只是從定性角度講，除了在有效數據收集方面消費比大大超過傳統方式，在反饋迭代方面，Waabi World也比傳統手動調參快得多。

Waabi認為高效低成本的仿真路線，能讓它比其他自動駕駛公司跑的更快，那么它有沒有擔心會被同樣的后來者超越？

Waabi說自己的護城河在于沉浸式和反應式的仿真環境，可以自動設計測試，評估技能，并實時教導AI”大腦 “迭代進步。

而如今大部分自動駕駛公司進行的仿真，大多還是只具有單一功能的簡單工具，比如場景回放、環境渲染、行為預測或規劃。

這些功能除了需要人工建模、調參，更大的問題在于所有操作都是預設或后修改的，不能像Waabi World一樣做到實時反饋。

最后，對于自己“違背祖宗”的行為怎么看？Waabi絲毫不回避，直言行業正是到了需要變革的時候：

2021年啟動以來，我們一直堅持認為自動駕駛行業需要一種更實惠更安全的技術模式，道路測試的確有價值，但也確實沒有必要以今天這樣的規模進行測試。

自動駕駛仿真為主路測為輔，Waabi明確打響了第一槍，你是否看好這種模式，它能后來居上嗎？

本文來自微信公眾號“智能車參考”（ID:AI4Auto），作者：賈浩楠，36氪經授權發布。