Waymo与国内厂商采取截然不同的技术路线。Waymo依赖高精地图，已投入数百亿美元，车辆配备19个摄像头和多个Lidar，成本高昂。而国内主推无图策略，原因在于城市基础设施变化迅速、地图更新成本高。
Waymo的可持续性体现在其自动化建图流程和成本控制上：通过融合Google Map技术和高度自动化流程，降低制图和更新成本；车辆供应商更换后，单车成本也在大幅下降。目前已在旧金山和洛杉矶实现大规模运营，即将完全开放高速能力。
Tesla robotaxi路线则从2021年的罗曼塔切换到FSD，经三年努力加强学习训练策略。但与Waymo相比，其从有安全员到全自动化上路的时间更长，且面临大规模车队运维、充电物流等难题，难以完全自动化。
自动驾驶数据处理的核心挑战是：99%的数据是无意义的。关键不在于投喂数据量，而在于如何高效获取有意义的1%。
Tesla采用的事件驱动(event-based)方法值得借鉴——在海量数据中寻找"不无聊的数据"。获取有意义数据后，还需要有效的增量训练方式，避免模型训练出现跷跷板效应，同时考虑模型大小、实时推理延迟、硬件热效率等工程因素。
英伟达提出的AI Physics相关模型（如Palmio）通过离线分类器对数据进行推理和分类，相比传统大规模测试和在线仿真方法更高效，是解决长尾数据问题的有效方案。
"关键是找出数据后要有有效的增量训练方式，这个理念具有跨领域的益处。"
国内具身智能展现出明显优势：国家层面积极推动，硬件成本控制极致——关节成本已降至数百元。但应用场景仍然有限，主要集中在跳舞、教育或科研用途，缺乏真正有价值的商业应用。
这种现象类似自动驾驶的早期发展：算法看似成熟但场景落地困难，容易导致资本失去耐心。当前国内具身智能处于"硬件将至，灵魂尚未到达"的阶段——硬件发展迅速，但核心算法和智能仍需提升。
人形机器人最先可能应用于工业制造业，因工业场景相对结构化，地面和工厂蓝图已知，可将固定机械臂替换为移动机械臂。相比之下，家庭等非结构化环境对感知和推理能力要求更高，端侧算力难以满足。
工业落地需要工程化思路而非追求最前沿技术——采用多个模型协同工作，部分侧重泛化，部分侧重底层运控，根据实际需求取舍，避免用单一模型解决所有问题。国内制造业大厂投入具身智能解决实际问题，比家庭场景应用更加可靠。
从商业规律看，自动驾驶领域最后存活的企业不会超过三家——运营大规模车队的成本极高，包括车辆损耗、维护等硬成本，超出创业团队承受范围。国内竞争可能加剧价格战，资金实力弱的企业将因资金流问题被淘汰。
关于乘客无需坐在主驾驶位置的时间预测：在robotaxi场景下，时间尺度为3-5年。Waymo已趟出可行之路，一旦某家企业达到一定规模（如单城市1000辆车），就能证明该路线可行，后续资本会更愿意投入。
"硬件将至，灵魂尚未到达。国内具身智能需要的不是最花哨的技术，而是工程化的实际解决方案——就像Waymo采用相对传统的算法，却更注重稳定性。"
全球工程师普遍使用AI辅助编程，一旦开始就很难回到手写代码的方式。但AI暂时无法替代工程师处理复杂问题的能力。
工程师的核心竞争力在于将抽象问题转化为实际工程方案的能力：需要将复杂问题分解为数据问题、工程设计问题、验证评估问题等，转化为不同的prompt让AI生成代码，再基于自己的理解对AI输出进行修改和鉴别。这种能力在短期内是AI难以替代的。