从端到端学习到AV2.0：Wayve如何重塑自动驾驶路线

Wayve CEO Alex Kendall在一次访谈中系统讲述了自动驾驶从规则驱动走向端到端学习的关键转折。他解释了AV2.0的核心思想、数据与迭代速度为何成为决定性优势，以及这种范式如何让自动驾驶更快走向全球规模化落地。

为什么自动驾驶需要“重来一次”

这一段讨论之所以重要，是因为它解释了自动驾驶为何在多年投入后仍进展缓慢。Alex Kendall回顾了早期行业普遍采用的模块化方案：感知、预测、规划各自独立，再通过规则和接口拼接在一起。这种方式在实验环境中可行，但在真实世界中面对无穷无尽的边缘情况时，系统复杂度迅速失控。

他指出，Wayve从一开始就选择了不同的方向——端到端学习。用他的话说，自动驾驶本质上是“sensor inputs， motion output”，即从传感器输入直接学习到车辆运动输出。这不是为了技术炫技，而是为了让系统像人类驾驶一样，通过经验而不是手写规则来应对世界的复杂性。

这种选择在早期并不被广泛理解，但也为后来的AV2.0埋下伏笔：当数据规模和模型能力成熟后，端到端方法开始显现出指数级优势。

AV2.0：从规则工程到数据驱动的跃迁

理解AV2.0为什么重要，关键在于“前后对比”。Kendall谈到，过去几年最大的变化不是某一个算法突破，而是整个系统的学习方式发生了转变。AV2.0强调用统一模型吸收海量驾驶数据，通过持续训练来提升表现，而不是依赖人工枚举场景。

他形容这种转变时提到，Wayve的系统不需要“onerous infrastructure”——不依赖高精地图或复杂的外部设施。这使得技术具备天然的可迁移性，可以在新的城市、新的国家快速运行。

在他看来，AV2.0并不是某个功能版本号，而是一种方法论：当模型、数据和算力形成正反馈，自动驾驶才能真正跨过规模化的门槛。

为什么数据多样性和迭代速度决定成败

这一节直指Wayve最核心的竞争逻辑。Kendall多次强调，多样化数据的重要性并不只是“更多”，而是覆盖真实世界中不可预期的差异。他提到，不同城市、不同文化、不同驾驶习惯，都会对模型形成压力测试。

在这样的背景下，他抛出一句很有代表性的判断：“everything is about iteration speed”。端到端系统的优势在于，可以快速从新数据中学习，而不是为每个新市场重新设计规则。

这也解释了为何Wayve能够在短时间内扩展到“hundreds of cities worldwide”。不是因为提前为每座城市做了定制工程，而是因为系统本身具备快速适应的能力，每进入一个新市场，所需的新数据反而呈指数级下降。

推理能力、LLM与安全驾驶的关系

当话题转向大语言模型（LLM）时，讨论变得更加前沿。Kendall并没有把LLM简单等同于自动驾驶模型，而是把它们视为“推理能力”的一种参考。关键问题不在于模型是否会“说话”，而在于是否能在复杂情境下做出合理决策。

他提到，安全且平顺的自动驾驶，需要模型具备某种形式的推理能力：理解交通参与者的意图、处理模糊信号，并在不确定性中保持稳定行为。这与LLM在语言世界中处理上下文的方式存在相似之处，但实现路径并不相同。

这种克制的态度本身就是一个信号：Wayve更关注可验证的驾驶表现，而不是追逐概念热度。

文化、人才与走向市场的现实选择

技术之外，Kendall也谈到了组织和文化的重要性。他提到，外界对Wayve的反馈往往集中在工程文化上：强调反馈速度、强调学习循环，而不是层级和流程。

在路径选择上，Wayve并不急于单一商业模式，而是思考如何把自动驾驶能力以不同形式推向市场。这背后的逻辑是相同的——让真实世界的数据反过来塑造系统。

访谈最后，他谈到招聘与团队建设时的感受，形容能与一群相信同一长期愿景的人共事“It's such a privilege”。这句话为整个技术叙事补上了人性的注脚。

总结

这次访谈的价值，不在于某个炫目的技术细节，而在于Wayve对自动驾驶路径的系统性反思。端到端学习、AV2.0、数据多样性和迭代速度，共同指向一个判断：真正可规模化的自动驾驶，必须像学习型系统一样成长。对读者而言，这不仅是理解自动驾驶的窗口，也是理解下一代AI产品如何走向现实世界的范例。

关键词： 自动驾驶， AV2.0， 端到端学习， Wayve， 大语言模型

事实核查备注： Alex Kendall（Wayve CEO）；AV2.0概念；端到端学习（sensor inputs to motion output）；“without needing onerous infrastructure”；“everything is about iteration speed”；涉及大语言模型（LLM）但未给出具体模型名称或参数。